This paper investigates how the psychological bias in online product reviews affects the social learning of customers. When customers write product reviews after purchase, they might give extremely negative or positive reviews because of the asymmetric perception of the product quality compared to the quality they ex ante expected. An important feature of our problem is that customers who arrive later cannot precisely estimate the very reference point on which each review depends. The lack of information does not allow simple Bayesian learning, so we devised a rational non-Bayesian belief updating mechanism. Our study first verifies the resulting bias originating from the biased method of review generation, and then proposes a simple, well-operating bias correction rule that can be implemented by customers. To analyze the limiting behavior of the quality beliefs, we utilized a fluid-approximation that makes the stochastic sequential process into a continuous deterministic model that solves a differential equation corresponding to the original recursive relation of development. Based on this analysis, we show that the proposed bias correction rule induces successful learning; that is, customers can become aware of the true quality in the long run if all of them use the bias correction rule. However, when customers are heterogeneous in their review writing process, the rule that is needed to fix the bias is more complicated than intuitive. Even this rule requires the portion of customer type in the whole population to be common knowledge. Otherwise, bias cannot be successfully corrected with any customer-side correction rule.
본 논문은 온라인 제품 리뷰 속의 심리적 편견이 고객의 소셜 러닝에 어떤 영향을 미치는 지 연구한다. 고객은 온라인에서 제품을 구매한 후 리뷰를 작성할 때, 예상보다 낮거나 높은 품질에 대한 비대칭적인 인식 때문에 극도로 부정적이거나 긍정적인 평가를 내릴 수 있다. 이 문제의 중요한 특징은, 나중에 도착하는 고객들은 각각의 리뷰가 쓰일 때 작용했던 기준점을 정확하게 추정할 수 없다는 것이다. 정보의 부족으로 고객 측면에서의 간단한 베이지안 학습이 불가능하기 때문에, 우리는 간단하지만 작 작동하는 논베이지안 학습 메커니즘을 찾아보았다. 먼저 편향된 리뷰로 인한 소셜 러닝 결과의 편향성을 확인한 다음, 고객이 사용할 수 있는 간단하고 효과적인 편향보정규칙을 제안했다. 극한에서의 시스템을 분석하기 위해 추계적 확률 모형을 대응되는 연속적 결정론적 모델로 근사하는 플루이드근사 방법론을 활용했다. 이 분석을 바탕으로, 본 연구에서는 고안된 편향 보정 규칙이 성공적인 학습을 유도함을 보였다. 그러나 고객이 다양한 리뷰 작성 행동을 보이는 경우 편향을 제거하는 데에 필요한 규칙은 다소 복잡하고, 규칙조차도 전체 모집단에서 고객 유형의 일부가 상식이라는 전제 하에서만 작동한다. 본 연구가 경영자적 관점에서 시사하는 바는 다음과 같다. 우선 온라인 판매자들은 고객 리뷰에 숨어있는 편향성에 대해 지나치게 걱정할 필요는 없는데, 고객들이 스스로 리뷰들 속 편향성을 제거할 수 있는 휴리스틱이 존재하기 때문이다. 나아가서, 그러한 방법을 고객들이 사용하는 데에 필요한 정보는 과거 리뷰들에 대한 분포면 충분하다는 사실도 흥미로운 부분이다.
