社交阀值：社交营销为何会变得“成本高收益低”
社交商务是现在国内挺流行的一个名词，指“我不仅仅卖产品我还给你带来了社交”。想一想，这件事挺好、挺有意思的。中国人喜欢扎堆、中国人喜欢聚群，中国人喜欢结交各种各样的圈子，中国人有社交的需求，以至于中国学者都能够开发出一个新的全球公认的词汇——“关系”。
这样对于关系的认可，说明中国是特别适合做社交相关的商业模式，有这样的先天土壤，但是社交需求对每个人而言可能会有个阀值。当你的社交需求达到一定阶段后，你非常满意；往上增加，则你的满意并没有增长；再往上增长，你就出现了不满意。
比如班级里建一个微信群，然后加老师。先看到的同学开始排队欢迎老师加入，但总会有同学不是随时注意微信，那么当他过了一段时间发现群里已经有十来个同学欢迎了老师，而且老师已经回礼并说到别的事情了，那么，该不该继续欢迎老师？欢迎已经晚了，不欢迎似乎又不好。这种情况下，社交是无效的，甚至产生了成本和心理负担。（以上摘自复旦管院助理教授孙金云在一次讲座上提到的观点。）
英国学者罗宾·邓巴曾提出过社会脑进化假说，认为灵长类动物在进化过程中形成了社交的能力。随着负责处理复杂与抽象思维的大脑皮质在大脑所占比例越大，处理“社交关系”的能力就越强，但这同时也意味着存在上限，因为任何动物的大脑容积都是有限的。
比如狒狒平均可以与50个同类互动的“猴脉”。而人类大脑提供的认知能力可以使每个人平均维持150人左右（原文估计为148）的稳定社交互动。换句话说，超过这个范围的互动将不再有效，也很难通过自身努力来促进双方关系，除非放弃与其他朋友关系的维系。基于Facebook社区用户的研究也表明，人们可能拥有1500名社交网站“好友”，但只能在现实生活中维持约150人的“内部圈子”。在这个圈子里，人们才能显著地产生相互影响。
因此，尽管学界和企业普遍认为利用社会关系和社会互动可以显著影响用户的参与和消费，我们质疑这种策略存在边界，即社会关系和社会互动能产生的影响有上限，并且会产生类似经济学提出的边际效应递减，随着社会关系和互动的增加，其带来的影响越来越低。也就是说，社交效果会在到达阀值后出现减退。
应用在社交商务，表现为社会互动对用户参与和消费企业产品的影响存在一种非线性关系，相比简单的线性增长关系，这种关系可以形象地想象为一个倒U的形状：开始的时候，随着朋友数量和互动程度的增加，对用户产生的影响越大，以X轴表示社交程度，Y轴表示影响程度建立坐标系来看，会产生一条斜向上走的直线；但逐步地，社交的影响越来越低，这条线越来越水平，甚至逐渐向下倾斜。
我们为此通过在线游戏公司两套超过500万用户使用和消费行为数据集进行实证检验。游戏是一个有趣的社交商务环境，在其中用户可以打怪升级，也可以交朋友，游戏的使用（提升游戏角色的等级和能力）和消费（购买游戏道具）是商业变现的模式。通常认为：在游戏里交的朋友越多，用户会更有黏性，更愿意持续玩游戏和消费，而且更不容易放弃该游戏。将游戏换成其他任何消费类产品和服务，如果要做社交商务也基本是这个模式。
在排除或控制选择偏向、个体异质性、内生性和产品差异等各种干扰后，我们发现社会关系的数量和社会互动的程度对用户参与和消费公司产品存在正向关系，但过了一定阀值后会出现边际效应递减。而用户参与的经验在其中起到了显著的调节作用。这和我们的假设完全相符。
之后，课题组设计了线下实验进行了严格检验，并验证了信息加工理论（这个理论认为人处理信息的能力有局限性，随着信息的增多，人的认知能力下降，行为效率降低）在其中产生的机制：社会关系和社会互动为用户参与提供显著的信息支持，但太多社会关系和互动反而容易形成信息超载，从而影响了后续效果，使得用户参与随着程度加深，而效果减弱。
这些发现突破了之前理论认为社会关系和互动与用户参与存在简单正向线性关系的看法，第一次量化了社会关系和互动对用户参与行为影响的动态性，证明了社会影响的边界性，在理论和实践上前进了一步。
管理启示
这对商业的启示也非常清楚直接：基于之前社交带来收益的假说，很多商业投入大量营销成本用于建设和维护交友社区（如最常见的加一个朋友奖励多少积分/礼物/钱等），并期望社交能转化成更高的商业利润。但这种做法只着眼于“量”，忽略了“质”，使得从无到有建立社交商务模式的企业较少有成功案例。
用现在时髦的营销术语来说，缺乏精准交友的概念，使得社交营销相对成本高，收益低。换成更积极的商业语言，就是应该采取重质的创新思路来创建社交商务。相对交越多的朋友，商业应该更加注意促进交友质量，这样才能在降低营销成本的同时提升营销效果。
那么对于已经在运营的社交商务有无优化空间呢？尽管我们这项研究并没有直接提出优化建议（这将是另外一项研究了），但顺着论文思路还是有几个操作原则可以参考：
第一步应该根据实际数据，采用量化方法（如论文中所用）来确定当前用户的交友阀值和递减效应的程度，判断出当前的状态，确定相应策略方向。
第二步可以考虑采取用户画像或其他基于分类聚类的机器学习方法，找出有效社交和用户群的特征，作为要素设计精准的营销策略。
第三步，在社交营销时应注意小批次A/B测试的方法，通过不断优化（如我们之前发现的时间规律、环境规律）来调整策略效果，在有效推荐和促进社交互动的基础上，才可能产生商业一致期待的社群效应或网络效应。
精准，对社交也同样有效！
