01 研究背景

随着科技的进步，我们现在可以方便地在社交圈里分享数字信息。像Amazon和Groupon这样的在线购物平台已经在他们的产品页面上加入了社交功能，方便我们轻松分享商业信息。然而，许多公司仍然遵循传统的促销设计方式，重点关注个人消费者的独立购买决策，却忽略了消费者之间社交分享所带来的新机会。考虑到消费者之间的联系越来越紧密，而数字技术使社交分享的成本更低，企业有必要重新审视他们当前的促销策略。那么，问题来了：企业是应该将消费者视为独立消费者，还是相互关联的消费者和分享者呢？企业应该如何巧妙设计激励措施，以吸引不同角色的消费者呢？这些激励措施的背后有着什么样的作用机制呢？在社交媒体时代，企业需要认真思考这些问题，因为消费者之间的联系不断增强，而且数字技术为社交分享创造了更多的机会。通过巧妙设计的激励措施，企业可以更好地吸引和满足不同类型的消费者，从而提升其在市场中的竞争力。

考虑到消费者在社交分享中作为购买者和分享者的双重角色，可分享性和稀缺性这两种不同的激励设计对分享者购买和成功推荐的可能性有不同的影响。本期文章“Designing Promotional Incentives to Embrace Social Sharing : Evidence From Field and Online Experiments”通过一个大规模随机实地实验和两个在线实验，研究了企业如何利用消费者的社交关系来设计促销激励措施。

02 文献回顾

这篇文章主要聚焦在两个领域：IT推动的社交分享和社交促销。

以往关于社交分享的研究主要集中在理解信息分享的前因和后果，以及如何有效激励消费者向其社交圈提出推荐。但与以前的研究不同，这项工作着眼于激励分享对在线商务的影响，特别是强调了信息技术驱动的激励分享与信息分享在便利性和即时性方面的相似之处，但也揭示了一些重要的区别。因为激励措施可能是不可复制的，再分配可能导致经济损失。这篇文章发现可分享的激励措施能够激活分享者的社交关系，从而提高推荐效果。这项研究还为社交分享和社交影响力的广泛文献做出了贡献。

与向个人消费者提供折扣的传统促销不同，社交促销强调促销的人际方面，并表现出多种形式，例如团体折扣和可分享的优惠券。先前的研究表明，社交促销的数量可以作为受欢迎程度的信号，并增加消费者随后购买的可能性并减少优惠券兑换的时长。相比之下，企业的社交促销强度也常常被消费者认为是低质量的信号。因此，对于社交促销，多个促销代码可以使消费者受益，因为这将使他们能够与朋友分享促销，而不会牺牲使用促销进行自己购买的机会。然而，消费者可能会认为多个促销代码的激励措施并不是专门为他们设计的。这篇文章试图对促销数量具体的影响效果进行检验。此外，先前关于社交促销盈利能力的研究缺乏证据的部分原因是缺乏必要的数据。通过大规模随机现场实验和专有数据分析，这项工作是首批实证研究现实世界环境中不同社交促销设计的短期和长期盈利能力的研究之一。

03 研究设计

这篇文章推导出一个程式化的分析模型作为研究的理论框架，并提出了以下假设：

H1a：与仅收到提醒购买的信息相比，分享者在收到带有不可分享促销代码的激励设计时会增加购买可能性。

H1b：使用一个不可分享的促销代码的激励设计不会增加分享者的进一步成功推荐。

H2a：一个可分享促销代码对分享者购买可能性的影响小于一个不可分享代码的影响。

H2b：一个可分享促销代码对分享者进一步成功推荐的影响大于一个不可分享代码的影响。

H3a：两个促销代码（一个不可分享，另一个可分享）对分享者购买可能性的影响大于一个不可分享促销代码的影响。

H3b：两个促销代码（一个不可分享，另一个可分享）对分享者成功推荐的影响大于一个可分享促销代码的影响。

为了检验这些假设，作者在实地和在线环境中进行了三项研究。研究1与美国一家领先的在线交易平台合作进行了一项随机实地实验。在实地实验中，特别关注那些在过去24小时内与其社交关系分享过任何促销活动但最终没有购买的自然社交分享者，超过20,000名符合条件的消费者被随机分配到五个组之一，如下表1所示。实验操作是在分享者级别进行的。该平台观察分享者自己的购买以及他们成功的分享（其他人的购买归因于分享者分享交易）。

注：实验中使用的真实促销代码是针对用户特定的，在这里的示例中，它们被替换为“[促销代码a]”和“[促销代码b]”以便说明。

来自MIS Quarterly Vol. 45 No. 2 / June 2021 P798

研究2在Amazon Mechanical Turk上进行了在线实验，从而能够在实地实验中复制激励分享性以及稀缺性对分享者购买的影响，并直接检验潜在的机制。这个实验操纵了不同的激励设计，并测量了每种情况下的感知质量、感知排他性以及分享者的购买意图。参与者被随机分配到三组之一：一个不可分享促销代码组、一个可分享促销代码组和两个促销代码组。也就是说，实验向参与者展示了一个促销场景，参与者被要求报告他们感知到的交易质量信号，关于促销激励所感知到的排他性，和使用促销激励购买所分享交易的意愿。

研究3在Amazon Mechanical Turk上进行了另一项在线实验，在实地实验中复制了激励数量（缺乏稀缺性）对分享者成功推荐的影响，并探索了合理的解释。由于一个不可分享的促销代码不支持进一步推荐，参与者被随机分配到两组之一：一个可分享的促销代码组和两个促销代码组（即一个不可分享，另一个可分享）。然后要求参与者报告他们的社交分享倾向，分享背后的社交动机，和他们打算分享促销激励的朋友的名字，以及他们对朋友使用其所分享的促销激励的信心。

04 研究结果

通过一系列实地和在线实验，这项工作研究了在线平台是否以及如何采用可分享性和稀缺性不同的激励设计来吸引消费者在社交促销中扮演购买者和分享者的双重角色。

研究1的实地实验表明，使用不可分享促销代码的激励设计会增加分享者的购买可能性；并且使用一个可分享促销代码的激励设计会增加分享者的成功推荐的可能性，但不会增加分享者的自我购买。此外，使用两个促销代码的激励设计并不能有效地推动分享者的购买或进一步的成功推荐。

研究2和3这两项在线实验复制了实地实验的结果并探索了潜在的机制。研究2表明，一种不可分享的促销代码对分享者购买的有效性可能是由于发件人通过产生排他性的感觉来发挥效用。

研究3表明，一种可分享促销代码对分享者成功推荐的有效性可归因于通过增强社交动机（即利他主义和社会形象）来增加分享者的效用。对激励设计盈利能力的进一步经济分析表明，尽管一种不可分享促销代码设计可产生最高的短期净收入，但当考虑终身价值时，使用一种可分享促销代码的激励显然是最佳选择。通过在社交促销中使用一个可分享代码的设计引入的新客户。

05 研究贡献

这篇文章的一系列实验揭示了在激励设计中考虑行为因素的重要性，关于分享激励设计提供了短期和长期盈利能力的首次实证证据，为公司如何设计促销激励提供了见解。大多数先前的研究都集中在公司在鼓励和调节在线社交分享方面的作用，而忽视了公司利用激励设计直接瞄准并转化参与社交分享的消费者。企业可以通过充分发挥客户作为购买者和分享者的双重角色，巧妙设计激励措施，并利用他们的社交动机来推动社交分享。

参考文献：Sun, T., Viswanathan, S., Huang, N. W., and Zheleva, E. 2021. “Designing Promotional Incentives to Embrace Social Sharing: Evidence from Field and Online Experiments,” MIS Quarterly (45:2), pp. 789–820.

https://doi.org/10.25300/MISQ/2021/15352

文章链接：https://misq.umn.edu/designing-promotional-incentives-to-embrace-social-sharing-evidence-from-field-and-online-experiments.html

作者介绍：

Tianshu Sun

Previous Position:Associate Professor of Data Sciences and Operations, Marshall School of Business, University of Southern California, Los Angeles, CA, U.S.A.

Current Position: Dean's Distinguished Chair Professor of Information Systems, Cheung Kong Graduate School of Business, Beijing, CHINA

Area: Digital Transformation, LLM/GPT/AI & Human-AI Co-creation, Business Value of AI, Cloud Computing and IoT, Personal Data & Data Regulation, Digital Experimentation, Digital Platform Ecosystem, Digital Economy

Site: https://www.ckgsb.edu.cn/faculty/professor_team/detail/156/SunTianshu.html

Email: tianshusun@ckgsb.edu.cn

Siva Viswanathan

Position:Dean's Professor of Information Systems and Digital Innovation, Robert H. Smith

School of Business, University of Maryland, College Park, MD, U.S.A.Area: Platform Design, Information

Economics, Social Media and Network Analytics, Customer AnalyticsSite: https://www.rhsmith.umd.edu/directory/siva-viswanathanEmail: sviswana@rhsmith.umd.edu

Ni Huang

Position:Associate Professor of Business Technology/Information Systems, Miami Herbert

Business School, University of Miami, FL, U.S.A.Area: User Experience, Digital Artifact

Design, Digital PlatformsSite:

https://people.miami.edu/profile/7abce556c6974d74e71c89fb865e4553Email: nxh558@miami.edu

Elena Zheleva

Position: Associate Professor in Computer Science, College of Engineering, University of Illinois at Chicago, Chicago, IL, U.S.A.

Area: Data science, machine learning, causal inference, graph mining, privacy

Site: https://www.cs.uic.edu/~elena/

Email: ezheleva@uic.edu