广告对情绪的推动作用：情绪反应与购买意向之间的关联性
广告对情绪的推动作用：情绪反应与购买意向之间的关联性
问题：为什么情绪那么重要，如何评估情绪?
诺达思咨询师: Jason Rogers, PhD and Abbe Macbeth, PhD
案例撰写: Abbe Macbeth, PhD
市场调研人员、广告商及科学家早就意识到情绪与消费者行为之间的密切关系，以及广告与情绪之间的相互作用。广告商利用这些知识来牵制我们的情绪：他们用一些可爱的动物和婴儿，让我们回想起自己还是个孩子的时候，我们对一些叮当声的反应等；这些做法的目的是在消费者与产品之间建立一个情感纽带。
研究人员如何利用消费者的情感状态来评估他们的情绪？随着近50年技术的进步，研究人员已超越“自我报告”方式，不仅仅是简单地问消费者“告诉我你的感受如何”。相反，研究人员开始使用内隐反应时间测试和神经营销等方法。这些方法都是在无意识决策的驱动下执行，而不是依赖单一的面部表情。
为什么情绪那么重要，如何评估情绪?
在过去的十五年，科技的进步已使自动识别面部表情成为可能。诺达思为客户提供了面部表情分析系统，一款自动识别与评估面部表情的先进软件。 基于Paul Ekman提出的“基本”情绪，面部表情分析系统自动解读是否存在快乐、悲伤、生气、惊讶、恐惧、厌恶和自然表情及这些表情的强度。 尽管当前面部表情分析系统主要应用在心理学和食物科学研究领域，然而最近的研究表明，面部表情分析系统可应用在消费者调查领域。具体来说，快乐的表情预示了广告的有效性：快乐与人们对广告的态度正相关，人们对广告品牌的态度处于高、中水平，但不处于低水平。
回顾以往的传统的面部表情分析软件，必须依靠本地电脑，被试需要在固定的实验室里，从而对他们进行面部表情分析。为了解决这个问题，诺达思推出了在线面部表情分析系统，建立在可靠的、已被证实的面部表情分析技术给研究人员提供一个友好、易访问的门户网站。通过获取被试在自己家中的情况，在线面部表情分析系统可帮助研究人员对世界各地的被试进行测试。
购买意向（PI）是衡量消费者行为的标准之一，消费者研究人员长期以来以此评估实际购买行为。这里我们可能会有疑问：与购买意向相比，面部表情分析系统如何输出一些指标？像购买意向一样可以很好的做预测吗？测量购买欲望时，面部表情分析能实际替代购买意向吗？
当前的研究中，在线面部表情分析系统用来获取美国被试的一些数据，因为他们观看了很多的广告。后来，采用了测量与表现出的快乐情绪相关的购买意向的方法（假设认为快乐与购买意向、购买行为相关，并且能够预测购买意向及购买行为）。良好的广告效果也能促进购买意向的增加，给消费者带来更多的快乐。
使用在线面部表情分析系统
被试
被试通过Survey Monkey招募而来。22%的被试完成了此次测试，约113人完成了此次调查研究。被试年龄在21-65岁之间，分不同性别。要求被试不能戴眼镜，所有人必须配备摄像头设备。
刺激呈现
经过简短的幻灯片介绍，要求使用摄像头，验证年龄及未戴眼镜之后， 让被试观看8个广告中的其中一个广告。 广告播放内容从2009至2014年，涉及类别（快速消费品、家电需求，食品和饮料）诸多，以及已知的市场绩效。 每个被试观看一个广告，平均13-15个被试观看同一个广告。广告通过在线面部表情分析系统随机展现给被试，被试的年龄和性别也随机。在线面部表情分析系统通过摄像头仅获取被试的面部表情数据，然后进行在线分析。广告播放之后就会及时进行购买意向的测量。会对被试进行一个简短的问卷调查，问卷条目如“在观看广告之后，在一个月之内会不会购买该产品”。量表采用李克特量表5点计分。
面部表情分析系统及在线面部表情分析系统技术
旧版本和新版本的在线面部表情分析系统工作流程均分3个步骤进行。 首先，基于Active Appearance Moldel进行面部定位—判断在视频或图片中是否存在面部；其次，根据500多个面部特征点之间的距离特征进行面部建模；最后，提取的面部图像特征数据与数据库中存储的特征模板进行匹配，并将匹配的结果输出。面部表情分析系统对7中情绪（快乐、悲伤、愤怒、惊讶、恐惧、厌恶和中性）的表现进行计分（从0到1，一点也没表现到完全表现）。
在线面部表情分析系统采用面部表情分析技术，但是数据分析使用微软的Windows Azure云平台，而不是在本地电脑上进行分析。数据分析过程中采用上述的模型及分类方法。
数据分析
从面部表情分析系统导出来的数据最终使用数据分析的插件程序在SPSS及Excel中进行分析。
结果
在线面部表情分析系统是一个强大的平台
尽管不同被试在家中的灯光、网络摄像头及摄像头的摆放位置有所差异，但在广告中分析的帧数没有显著差异。数据分析过程中被试的帧数缺失比例在11%以下。
广告效果能够预测购买意向
首先，我们想对被试自我报告的购买意向与广告已有的效果进行比较，将广告分为高、中、低三种广告效果。与低展示效果的广告相比，高展示效果的广告表现出更高的购买意向（p<0.05）;然而中、低两种广告效果的购买意向之间并没有显著差异。
图 1. 高展示效果的广告表现出更高的购买意向（p<0.05）
广告效果可预测快乐的程度
基于早期研究， 假设高展示效果的广告会引起更多快乐情绪。正如我们通过购买意向可以看出，与中、低两种广告效果相比，高展示效果的广告会引起更多的快乐情绪，而中、低两种广告效果所引起的快乐情绪程度没有显著差异。
图 2: 高展示效果的广告会引起更多的快乐情绪(***p< 0.001).
“快乐”与购买意向相关
通过多元回归分析，我们确定了快乐、不喜欢和其它显著预测购买意向的变量。与此同时，从图3可看出，快乐与购买意向的相关程度和快乐与高、中、低三种广告效果的趋势相同。
图3: 广告效果可预测快乐的程度
综上所述，这些数据表明快乐是预测购买意向的一个重要变量，广告效果可以被定义为顾客在观看广告时表现出的快乐情绪的比例大小。
广告效果与自然情绪
从所有表现出来的情绪来看，我们可以发现高、低两种广告效果都引起了相似的情绪状态：两个广告都有超过30%的观看时间引起了相应的情绪。而中等广告效果只有接近20%的观看时间引起了相应的情绪。(如图 4所示)。
图 4: 广告引起的情绪变化概览
尽管高、低两种广告效果都引起了相应的情绪，但他们所引起的情绪类型所占比例依然有所差异。观看高展示广告效果的被试表现出更多的快乐情绪，而低展示广告效果的被试表现出更多的悲伤与愤怒的情绪。尽管差异不显著，但图4表明了广告所引起被试的情绪类型。
见解
与Lewinski等人的研究结果相似，在线面部表情分析系统可准确预测购买意向。正如我们所期望的，观看高展示效果广告的被试有更多的购买意向（图1），并且表现出更多的快乐情绪（图2）。在8个广告中，除了广告效果之外，快乐是唯一一个测量出能够预测购买意向的变量（基于线性回归分析）。
值得注意的是，尽管快乐能够显著预测购买意向，但快乐并不是决定广告效果的唯一因素。比如，并非所有的广告都属于幽默类型；很多广告比较认真、严肃，所以就不会引起“快乐”的反应。
此外，我们不知道广告的曝光度和市场饱和度是如何影响这个试验的。广告的过度曝光，随着时间的推移会降低广告的效果，进而影响被试观看广告时情绪的表达。最后，消费者对品牌/市场的总体印象，也就是“光环效应”，会影响他/她对该品牌的想法和感受，从而对任何给定广告的效果产生不可估量的影响。
除了确定面部表情在预测购买意向这方面的有用性之外，本研究也论证了在线面部表情分析系统是评估广告效果的有利工具。即使使用在线平台会受到一定的技术限制，获取的数据依然可以清晰地表明，面部表情分析系统是市场上自动化、非接触式测量广告效果的得力工具。另外，通过软件获取的数据可用来精确分析被试的购买意向。被试表现出的所有情绪及软件探测到的情绪类型，都可用来预测广告效果。
通过此工具，诺达思为消费者研究人员提供了预测广告的新技术，进一步超越了竞争对手直接测量购买意向这种旧的测量方法等。
参考文献
1Weinberg, P. & Gottwald, W. (1982). Impulsive consumer buying as a result of emotions. Journal of Business Research, 10, 43-57.
2Holbrook, M.B. & Batra, R. (1987). Assessing the role of emotions as mediators of consumer responses to advertising.
3http://gemmacalvert.com/everything-you-need-to-know-about-implicit-react...
4Sebastian, V. (2014). Neuromarketing and evaluation of cognitive and emotional responses of consumers to marketing stimuli. Procedia – Social and Behavioral Sciences, 127, 753-757.
5Ekman, P. Friesen, W.V. (1971). Constants across cultures in the face and emotion. Journal of Personality and Social Psychology, 17, 124-129.
6Terzis, V.; Moridis, Ch. N.; Economides, A.A. (2010). Measuring instant emotions during a self-assessment test: The use of FaceReader. Proceedings of Measuring Behavior 2010, Eindhoven, The Netherlands, 192-193.
7Chentsova-Dutton, Y.E. & Tsai, J.L. (2010). Self-Focused attention and emotional reactivity: the role of culture. Journal of Personality and Social Psychology, 98, 507-519.
8Ceccarini, F. & Caudek, C. (2013). Anger superiority effect: The importance of dynamic emotional facial expressions. Visual Cognition, 21, 498-540.
9Garcia-Burgos, D. and Zamora, M.C. (2013). Facial affective reactions to bitter-tasting foods and body mass index in adults. Appetite, 71, 178-186.
10de Wijk, R.A., Kooijman, V., Verhoeven, R.H.G., Holthuysen, N.T.E., & de Graaf, C. (2012). Autonomic nervous system responses on and facial expressions to the sight, smell, and taste of liked and disliked foods. Food Quality and Preference, 26, 196-203.
11Lewinski, P., Fransen, M.L., and Tan E.S.H. (2014). Predicting advertising effectiveness by facial expressions in response to amusing persuasive stimuli. Journal of Neuroscience, 1, 1-14.
12Fishbein, M. & Ajzen, I. (1975). Belief, Attitude, Intention, and Behavior. Reading, MA: Addison-Wesley Publishing Company.
13www.acemetrix.com/spotlights/events
14Risen, E. & Risen, L. (2008). The Use of Intent Scale Translations to Predict Purchase Interest. Retrieved from http://www.biotrak.com/wp-content/uploads/2011/11/Intent-Scale-White-Pap....
15den Uyl, M.J. & van Kuilenberg, H. (2005). The FaceReader: Online facial expression recognition. Proceedings of Measuring Behavior 2005, 5th International Conference on Methods and Techniques in Behavioral Research, Wagengingen, The Netherlands, 589-590.
16Van Kuilenberg, H, den Uyl, M.J., Israel, M.L., & Ivan, P. (2008). Advances in face and gesture analysis. Proceedings of Measuring Behavior 2008, Maastricht, The Netherlands, 371-372.
17Cootes, T. & Taylor, C. (2000). Statistical models of appearance for computer vision. Technical report, University of Manchester, Wolfson Image Analysis Unit, Imaging Science and Biomedical Engineering.
18Bishop, C.M. (1995). Neural Networks for Pattern Recognition. Oxford: Clarendon Press
19 Nisbet, R.E. & Wilson, T.D. (1977). The halo effect: Evidence for unconscious alteration of judgments. Journal of Personality and Social Psychology, 35, 250-256.
关于诺达思咨询
联系我们
