Efekt stada w zakupach online: mechanizmy i badania

Efekt stada w zakupach online to skłonność klientów do wybierania produktów, które wybrali już inni – nie dlatego, że sami je ocenili, ale dlatego, że popularność traktują jako dowód jakości. W internecie efekt ten wzmacniają liczniki, rankingi, pierwsze oceny i algorytmy sortowania. Badania pokazują, że potrafi on zmienić zarówno sprzedaż, jak i same oceny produktów.

Czym jest efekt stada i skąd się bierze

Efekt stada to jedna z form dowodu społecznego, którą szczegółowo opisujemy w przewodniku po psychologii dowodu społecznego. W odróżnieniu od klasycznych badań psychologicznych nad konformizmem efekt stada najlepiej opisali ekonomiści.

W 1992 r. ukazały się dwa przełomowe artykuły. Abhijit Banerjee w „Quarterly Journal of Economics” przedstawił prosty model zachowań stadnych, a Sushil Bikhchandani, David Hirshleifer i Ivo Welch w „Journal of Political Economy” – model kaskad informacyjnych. Oba prowadzą do podobnego wniosku: naśladowanie innych może być w pełni racjonalne, bo cudze wybory zawierają informację. Jeśli dwie osoby przede mną wybrały restaurację A, rozsądnie jest założyć, że wiedziały coś, czego ja nie wiem – nawet jeśli moja własna wskazówka przemawiała za restauracją B.

Kłopot zaczyna się, gdy tak rozumują wszyscy. Każda kolejna osoba ignoruje własną informację i powtarza wybór poprzedników, więc kaskada przestaje gromadzić nową wiedzę. W efekcie cała grupa może utknąć przy opcji, którą pierwsze osoby wybrały częściowo przypadkiem. Kaskady są przy tym kruche: jedna nowa, wyraźna informacja potrafi je szybko odwrócić.

Efekt stada bywa mylony z mądrością tłumu. To w pewnym sensie zjawiska przeciwne. Mądrość tłumu wymaga, by ludzie oceniali niezależnie – wtedy ich błędy się znoszą. Efekt stada niszczy tę niezależność, bo każdy patrzy na wybory poprzedników.

Efekt stada w zakupach online: trzy mechanizmy

Kaskada informacyjna: popularność jako sygnał jakości

Najprostszy mechanizm to wnioskowanie z popularności. Hongbin Cai, Yuyu Chen i Hanming Fang opisali w 2009 r. w „American Economic Review” eksperyment terenowy w sieci restauracji w Pekinie. Gdy goście widzieli w menu listę pięciu najczęściej zamawianych dań, popyt na te dania wzrastał o kilkanaście procent. Goście nie dostali żadnej informacji o smaku – jedynie o tym, co wybierali inni.

Ten sam mechanizm działa w sytuacjach o wiele poważniejszych niż wybór obiadu. Juanjuan Zhang w badaniu z 2010 r. przeanalizowała amerykańską kolejkę do przeszczepów nerek. Pacjenci częściej odrzucali zaproponowany narząd, jeśli wcześniej odrzuciły go osoby wyżej w kolejce – traktowali cudzą odmowę jako sygnał niskiej jakości, choć powody odmowy mogły być zupełnie inne. Pokazuje to, jak silnie wnioskujemy z wyborów innych, gdy sami nie potrafimy ocenić „produktu”.

Herding w ocenach: pierwsze głosy ustawiają kolejne

Efekt stada wpływa nie tylko na to, co kupujemy, ale też na to, jak oceniamy. Lev Muchnik, Sinan Aral i Sean Taylor przeprowadzili eksperyment w serwisie z komentarzami do wiadomości i opisali go w 2013 r. w „Science”. Wybranym losowo komentarzom dodawano zaraz po publikacji jeden pozytywny lub jeden negatywny głos.

Jeden „plus” zwiększał prawdopodobieństwo, że kolejny głos także będzie pozytywny, o 32%, a końcowe oceny takich komentarzy były średnio o 25% wyższe niż w grupie kontrolnej. Efekt był asymetryczny: sztuczne negatywne głosy użytkownicy często korygowali, więc nie przekładały się na trwale niższe oceny. Szczegóły opisuje teczka o efekcie pierwszego plusa w „Science”.

Algorytmy, które wzmacniają popularnych

Trzeci mechanizm jest techniczny. Sortowanie „od najpopularniejszych”, listy bestsellerów i rekomendacje „klienci kupili również” wyświetlają częściej produkty, które już się sprzedają. Większa widoczność daje więcej sprzedaży, a większa sprzedaż – jeszcze lepsze miejsce w rankingu. Powstaje pętla, w której bogaci stają się bogatsi.

Ten sam mechanizm działa w mediach społecznościowych i w handlu prowadzonym w aplikacjach. Treść z dużą liczbą reakcji jest wyżej w kanale, więc zbiera kolejne reakcje, a produkt polecany w popularnym filmie trafia do kolejnych osób przez algorytm, a nie tylko przez ich świadomy wybór.

Najlepiej udokumentował to eksperyment MusicLab Matthew Salganika, Petera Doddsa i Duncana Wattsa z 2006 r. Ponad 14 tysięcy internautów (dokładnie 14 341) mogło słuchać i pobierać 48 piosenek nieznanych zespołów. Część uczestników oceniała utwory niezależnie, pozostałych podzielono na osiem odrębnych „światów”, w których widzieli liczbę pobrań. W światach z widoczną popularnością sukces był bardziej nierówny i mniej przewidywalny – te same piosenki w jednym świecie stawały się przebojami, a w innym przechodziły bez echa. Najlepsze utwory rzadko wypadały bardzo źle, a najgorsze rzadko bardzo dobrze, ale w środku stawki możliwe było niemal wszystko. Więcej w teczce o eksperymencie MusicLab.

Najważniejsze badania nad efektem stada

Kiedy stado się myli

Efekt stada jest użyteczny, gdy pierwsze wybory były trafne. Zawodzi w kilku typowych sytuacjach, które warto znać, zanim oprzesz sprzedaż na popularności.

Przypadkowy start. W MusicLab o sukcesie decydowały w dużej mierze pierwsze pobrania. W sklepie oznacza to, że produkt, który miał pecha przy premierze (np. słaba pierwsza partia, nieudane zdjęcia), może na długo zostać w cieniu, choć poprawiona wersja jest lepsza od konkurencji.

Fałszywe sygnały. Skoro pierwsze opinie i oceny nadają kierunek kolejnym, są też najcenniejszym celem manipulacji. Kupione recenzje przy premierze produktu „uruchamiają stado”, które dalej działa samo. Jak rozpoznać takie sygnały, opisujemy w tekście o 12 sygnałach fałszywej opinii.

Zniekształcona średnia. Bin Hu, Paul Pavlou i Jie Zhang opisali, że rozkład ocen w internecie często ma kształt litery J: dużo ocen najwyższych, trochę najniższych i mało pośrednich. Opinie wystawiają częściej osoby zachwycone lub rozczarowane, a produkt kupują głównie ci, którzy już byli do niego przekonani. Średnia nie musi więc odzwierciedlać typowego doświadczenia. Jak klienci czytają gwiazdki i liczbę opinii, wyjaśnia artykuł o średniej ocenie a sprzedaży.

Popularne nie znaczy dopasowane. Bestseller jest najlepszym wyborem dla przeciętnego klienta, a nie dla każdego. Klient, który kupuje najpopularniejszy model butów do biegania, choć ma inny typ stopy niż większość, częściej zwróci zakup lub wystawi negatywną opinię. Stado przyspiesza decyzję, ale nie zastępuje informacji o dopasowaniu – dlatego obok rankingów popularności warto pokazywać filtry i opinie według cech klienta.

Wszyscy patrzą na wszystkich. Gdy nikt nie ma własnej wiedzy, stado może podążać za złudzeniem – zjawisko pokrewne pluralistycznej ignorancji. Efekt jest najsilniejszy przy wysokiej niepewności, co opisujemy w tekście o tym, kiedy niepewność skłania nas do naśladowania.

Jak korzystać z efektu stada uczciwie

Efekt stada nie jest ani dobry, ani zły – to mechanizm, który sklep może wzmacniać lub łagodzić. Kilka zasad pozwala korzystać z popularności produktów bez zniekształcania obrazu oferty:

1. Pokazuj prawdziwą popularność z jasnym kryterium. Licznik „kupiono 340 razy w ostatnich 30 dniach” i etykieta bestsellera z opisanym progiem są uczciwe. Jak działają takie liczniki na dużych platformach, pokazuje tekst o licznikach „kupiono 500 razy” na Amazonie i Allegro.
2. Twórz rankingi w wąskich kategoriach. Lista bestsellerów dla całego sklepu wzmacnia kilku liderów. Rankingi w podkategoriach dają szansę produktom niszowym, którym – jak pokazali Tucker i Zhang – informacja o popularności pomaga najbardziej. Praktyczne zasady opisuje artykuł o sortowaniu po popularności.
3. Zbieraj oceny przed pokazaniem ocen innych. Prośba o opinię w e-mailu, bez widocznej średniej, ogranicza wpływ wcześniejszych głosów. Podobny cel miała zmiana w Airbnb, gdzie gospodarz i gość nie widzą swoich ocen, dopóki obaj ich nie wystawią – opisujemy ją w teczce o opiniach „w ciemno” w Airbnb.
4. Prezentuj rozkład ocen, nie tylko średnią. Histogram gwiazdek pokazuje, czy wysoka średnia wynika z jednolitych ocen, czy z mieszanki zachwytów i rozczarowań.
5. Odświeżaj sygnały. Ranking oparty na sprzedaży z ostatnich tygodni reaguje na zmiany jakości szybciej niż licznik „od początku istnienia sklepu”.
6. Nie fabrykuj startu. Kupione opinie czy zawyżone liczniki przy premierze mogą uruchomić stado, ale łamią przepisy i obracają się przeciwko marce, gdy klienci zauważą rozdźwięk – granice opisujemy w tekście o tym, kiedy liczniki i odznaki szkodzą.

Wnioski i lista kontrolna

1. Efekt stada wynika z rozsądnego wnioskowania z cudzych wyborów, ale łatwo prowadzi do kaskad, w których nikt nie wnosi nowej informacji.
2. Pierwsze sprzedaże i pierwsze oceny ważą nieproporcjonalnie dużo – zadbaj o to, by były autentyczne i reprezentatywne.
3. Algorytmy sortowania i listy bestsellerów wzmacniają liderów; równoważ je rankingami kategorii i sekcjami nowości.
4. Pokazuj rozkład ocen i datę opinii, by klient widział więcej niż jedną liczbę.
5. Zbieraj oceny tak, by klient nie widział wcześniej ocen innych.
6. Nigdy nie fabrykuj popularności – efekt stada wzmacnia także fałszywe sygnały, a ich wykrycie niszczy zaufanie do całej oferty.