När fler människor går online för att handla, Det blir allt viktigare att förstå hur de förlitar sig på rekommendationssystem för e-handel för att göra inköp. Penn State-forskare föreslår nu att det inte bara är vad som rekommenderas, men hur och varför det rekommenderas, som hjälper till att forma konsumenternas åsikter.

I en studie, forskarna undersökte hur människor reagerade på två produktrekommendationssystem. Det första systemet genererade rekommendationer baserade på användarens tidigare köp – ofta kallade innehållsbaserade rekommendationssystem. Den andra gav rekommendationer baserade på vad andra köpte – så kallade samarbetsrekommendationssystem.

Forskarna, som rapporterar sina resultat i Journal of Advertising , fann att människor som gillar att tänka och lösa problem själva – en personlighetstyp som forskarna beskriver som "högt behov av kognition" – finner innehållsbaserade rekommendationer mer övertygande. Dock, de som har lågt behov av kognition övertygas mer av samarbetsrekommendationssystem, vilket kan fungera som en signal om att andra köpare redan har granskat produkten åt dem.

Rekommendationssystemets natur och dess grad av förtroende för att föreslå rätt produkter kan vara mycket viktiga för att vägleda människor när de gör onlineköp, sa S. Shyam Sundar, James P. Jimirro Professor i medieeffekter vid Donald P. Bellisario College of Communications och meddirektör för Media Effects Research Laboratory.

"I eran före internet, före artificiell intelligens, vi skulle fråga en annan person på ett cocktailparty, "Jag hörde att du åkte till Italien, kan du ge mig några rekommendationer, Jag ska dit nästa månad, som ett sätt att samla information för att fatta våra beslut, sade Sundar, som också är dotterbolag till Penn State's Institute for Computational and Data Sciences. "Nu, vi går online och kan komma åt information från nästan alla som har åkt till Italien förra månaden, inte bara vännen du stötte på på cocktailpartyt. Du kan nu få den informationen om andras samlade erfarenheter, samt hur det stämmer överens med din egen bakgrund och tidigare resor."

Enligt Mengqi Liao, en doktorand i masskommunikation och första författare till uppsatsen, en subtil "bandwagon-effekt" kan övertyga människor.

"Från en lekmans perspektiv, vi kanske inte vet att det här faktiskt är två olika rekommendationssystem, ", sa Liao. "Ett system kanske bara talar om för kunden att rekommendationen är baserad på vad de köpte tidigare. Men systemet för samarbetsrekommendationer förmedlar att många andra människor köpte den här produkten, vilket lägger till ytterligare ett lager av övertygande övertygelse."

Forskarna fann också att effektiviteten av rekommendationssystemen var knuten till den typ av produkt som systemet rekommenderade. När man fattar beslut om upplevelser, som filmer, resmål och restauranger, konsumenter med ett högt behov av kognition var mer benägna att svara på information om i vilken utsträckning den rekommenderade produkten återspeglar deras personliga preferenser – uttryckt som procentuell matchning av produkter som rekommenderas av innehållsbaserade filtreringssystem.

Dock, konsumenter med lågt behov av kognition föredrog kollaborativ filtrering eftersom de var mer övertygade av andelen andra personer som köpte det rekommenderade föremålet, vilket också främjade deras avsikter att köpa föremålet.

Sådana skillnader hittades inte för rekommendationer av "sökprodukter, " information om vilka kan erhållas genom att söka på nätet. Båda personlighetstyperna föredrog samarbetsrekommendationssystem.

"Du kan se det som en sorts kognitiv outsourcing, " sa Sundar. "En kund kanske ser annonsen för en smart klocka, till exempel, och se funktionerna, men tänk, "Jag tänker inte göra det hårda arbetet med att undersöka alla detaljer och komma fram till vilken som är bättre, Jag ska bara lägga ut det här till andra.' Om de säger att det är en bra smart klocka, då köper de det."

Enligt Liao, mest forskning om rekommendationssystem fokuserar på att optimera förslagen från dessa system. Dessa resultat tyder på att utvecklare kan behöva överväga andra faktorer, såsom personlighetstyper och produkttyper, för att förbättra användarupplevelsen av sina system, snarare än att fokusera enbart på noggrannheten i deras algoritms förslag.

"Mycket kan bero på hur användarna får informationen om rekommendationerna från systemen, " sa Liao. "Det spelar roll varför dessa system ger rekommendationer för produkter och upplevelser."

Forskarna rekryterade 469 personer på en online crowdsourced mikrotask-webbplats för studien och tilldelade dem slumpmässigt till en experimentell webbplats som antingen använde en kollaborativ eller innehållsfiltreringsalgoritm.

För samarbetssystem, forskarna använde ett procentintervall för att indikera hur många liknande personer som använde den rekommenderade produkten – eller procentuell matchning – och fungerade som en signal för bandwagon-effekten. För innehållsbaserade system, samma procenttal användes för att antyda i vilken utsträckning den rekommenderade produkten matchade konsumentens personliga egenskaper baserat på deras användarprofil. Det fanns tre nivåer av procentuell matchningsindikator – låg, medium och hög.

När forskarna testade de två olika typerna av produkter – sökning och upplevelse – använde forskarna en rekommendation av smartklocka som ett exempel på en sökprodukt och en rekommendation för turistmål för att utforska deltagarnas reaktioner på upplevelseprodukter.

Innan de surfade på e-handelssidan, alla deltagare svarade på en rad frågor för att avgöra om de hade stort behov av kognition, eller lågt behov av kognition, personlighets typer.

Eftersom forskarna bara testade två produkter och två vanliga rekommendationssystem, framtida forskning skulle kunna titta på de psykologiska effekterna av andra system och undersöka andra typer av produkter. Forskarna sa att detta kan hjälpa till att verifiera giltigheten av deras resultat.