
大数据与口碑营销背后的科学奥秘
为什么有些公司、产品、服务得到的口头宣传就要比别的多?是运气吗?不,这里面是有科学的。社交网络大师总给我们灌输一个道理,乏味的产品或创意是不会有人讨论的。因此你可能会认为更有趣的 产品和品牌被讨论得越多。新颖的东西相对于平凡的被提起得更多。
初创企业的生死存亡取决于口碑。无论是新网站、革命性的招聘服务,还是 B2B,消费者意识一开始都是很低的。没人意识到你的存在,所以你必须有人帮你宣传。但是大多数的初创企业都没有很高的广告预算。它们必须有机地发展壮大:让现有的客户或粉丝帮招揽新的—一次一个就行。
那么为什么有的公司、产品和创意会比别的被讨论得更多?大家往往认为口碑营销之难就好比拿瓶子去捕捉闪电。得有运气。市场必须恰到好处。或者你需要 3、4 种难以形容的品质组合通过某些无法解释的手段来创造出魔法来。
这是一个很棒的理论。除了有一点完全错了。
口口相传背后是有科学奥秘的。为什么有人讨论某些东西比别的多?这既非随机亦非运气。正如行为经济学家研究过为什么大家会做出特定的选择,或者统计学家从 “大数据” 剖析出人类行为那样,研究人员一直在努力分析我们决定讨论或分析什么背后的人类行为。
比方说,在最近的一次调查中,我和同事研究了几乎 10000 种产品和品牌的口碑数据,大至可口可乐、沃尔玛等巨头,小至各种初创企业,不一而足。范围涵括了从技术公司到服务,从 B2B 到消费型袋装货物等一切东西。我们还在另外一个项目中分析了几乎7000 种在线内容的病毒传播力。这里面既有政治性的,也有国际新闻,也包括有趣的内容、体育、时尚等。
但是这些研究并不仅仅关注于记录哪个产品被谈论得最多,或者哪种类型的在线内容获得了病毒式传播。而是要去理解这些结果背后的动机:促使某件事情 / 东西被讨论得更多或获得病毒式传播的底层人类行为;不同的情绪(悲伤与愤怒)是如何决定大家要分享什么的;网上与线下沟通是否会影响到大家对品牌的讨论内容?如何影响?讨论的心理学;社会传递的科学等。
就拿促因(Triggers)来说吧。迪斯尼要比 Cheerios(麦圈品牌)更有趣。这的确是一项吸引人的情感体验。但是问题在于大家并没有被触发到会频繁地想到它。当然在逛了迪斯尼的某个主题公园之后大家会谈很多迪斯尼的东西,但是除非随后几周或几个月内被提醒要想一下那方面的体验,否则他们是不会不断提起迪斯尼的。
Cheerios 是没有那么有趣,但是大家每天都要吃早餐,1年365 天都得吃。哪怕他们不买 Cheerios,每周推着购物车在谷类购物通道经过时还是要看到它的。这让 Cheerios 更容易被第一时间想起,增加了它被提到的几率。某个产品或主意也许的确非常有趣,但是如果大家没有受到触发去想起它,它就永远也不会被提及。心中想起(Top-of-mind)意味着话在嘴边(tip-of-tongue)。
促因只是我和同事在研究中发现的口口相传的关键驱动力之一。我在研究中再三地发现有 6 个相同的原则促使大家讨论和分享东西。这 6 大原则可以简称为 STEPPS:社交货币(Social Currency),促因(Triggers),情绪(Emotion),公共(Public),实际价值(Practical Value)以及故事(Stories)。
社交货币(Social Currency)。跟我们开的车穿的衣服一样,我们说的东西影响到别人如何看我们。所以某样东西越能让某人看起来不错,就越能被传递下去。
促因(Triggers)。如果一样东西总在第一时间被想起,就会被经常提及。正如花生酱令我们想起果冻一样,我们被触发想起某样产品或想法的次数越多,我们讨论它的次数就会越多。
情绪(Emotion)。我们在意的时候就会分享。无论是积极的(兴奋或幽默)或者是消极的(生气或焦虑),高唤醒情绪促使我们分享。
公共(Public)。人倾向于模仿他人。但正如老话 “有样学样” 说得那样,越容易看到某人在做什么,就越容易模仿。公共可观察性会推动模仿(如 iPod 的白色耳机)。
实际价值(Practical Value)。大家不仅仅是想要好看,也希望能帮到别人。因此越有用的东西被分享就越多。比方说融资的 10 种方式或者 5 大谈判技巧这样的文章肯定吸睛。
故事(Stories)。没人希望被看成是活广告,但是如果某样东西是更宽泛的故事中的一部分的话他们会愿意谈到它的。所以要编一个 “特洛伊木马” 式的故事,从中去传递你的品牌信息。
这 6 个原则构成了赢得更多口碑的方程式。这是制作有感染力内容并让更多人讨论产品或主意的配方。
按照这个公式做就能保证赢得病毒式传播吗?不能。但是它可以提高平均成功率。没人每次都能击出全垒打,但是理解制造轰动的科学之后,我们可以通过击出更多的一垒安打、二垒安打乃至于全垒打来提高成功率。
口碑传播也是如此。理解了为什么会大家议论和分享背后的科学之后,企业组织就能够让自己的产品和想法赢得更好的口碑,并帮助这些产品和想法一路流行起来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04