← Összes podcast
2023/2. lapszám · Marketing és fogyasztói magatartás Vezércikk

Mi hajtja a tartalomgyártók által készített termékértékelések iránti keresletet: a termék vagy a tartalomgyártó?

Gábor Murai

Megjelent: 2023 · Közgazdász Fórum, 2023/2. lapszám · Oldalak: 3–23

„A termék vagy a tartalomgyártó miatt nézzük a termékteszteket?”

Meghallgatom a podcastot

Bővebb beszélgetés · 8 perc
HU EN A podcast nyelve: magyar · EN: az angol változat még nem készült el
0:00-8:03

Megjelent: 2023 · Közgazdász Fórum, 2023/2. lapszám · Oldalak: 3–23

A teljes cikk HU EN

OJS ↗ A teljes lapszám (PDF) ↗

Ez a magyar szöveg az eredeti angol nyelvű cikk gépi fordítása, helyi mesterséges intelligenciával készült. Mérvadó az eredeti: az eredeti (angol) cikk

Közgazdász Fórum · 2023/2. lapszám · 3–23

Mi hajtja a tartalomgyártók által készített termékértékelések iránti keresletet: a termék vagy a tartalomgyártó?

Absztrakt. A tartalomgyártók által készített termékértékelések népszerűek a közösségi médiában, és a fogyasztók számára a márkainformációk fontos forrását alkotják. Ezen típusú tartalmak fogyasztásának megértése tehát kiemelt jelentőséggel bír a marketing tudósai és gyakorlosa számára, akik érdeklődnek amellett, hogyan szereznek információt a fogyasztók a márkákról. A tanulmány vizsgálja, hogy a tartalomgyártók által generált értékelések iránti keresletet a vizsgált termék vagy a tartalomgyártó személyisége mozgatja-e. A kereslet mögött álló alapvető tényezők vizsgálata érdekében hierarchikus regressziókat alkalmaztunk a YouTube-on megosztott, személyes okoseszközöket bemutató videós értékelésekre vonatkozó longitudinális adatok alapján. Az eredmények azt mutatják, hogy mind a termék, mind a tartalomgyártó a kereslet jelentős meghatározói. Eddig az irodalom nem nyújtott bizonyítékot egyik megközelítés mellett sem. Megvitatjuk ezen megállapítás következményeit, és konklúziókat vonunk a menedzserek számára.

Kulcsszavak: termékértékelés, tartalomgyártó, earned media, felhasználói által generált tartalom, YouTube

Bevezetés

A fogyasztók egyre nagyobb időt töltenek a közösségi médiában, ami egyre fontosabbá teszi azt termék- és márkainformációk forrásává. A közösségi platformokon megjelenő termékkel kapcsolatos tartalmak az tulajdon média (owned), fizetett média (paid) és szerzett média (earned) kategóriákba sorolhatók, attól függően, hogy a tartalom a bemutatott termék vagy márka eladója által megrendelt-e, vagy azzal független. A jelen tanulmányban az utóbbi csoportra, a szerzett médiára fókuszálok.

A szerzett médiával foglalkozó korábbi szakirodalom egyik meghatározó ága a felhasználók által generált véleményekre (UGR) összpontosított. Az ilyen típusú tartalmak befolyásolják az értékesítést (Chevalier–Mayzlin 2006; Babić Rosario et al. 2016; Moon–Kamakura 2017; Marchand et al. 2017), a termékértékeléseket (Langan et al. 2017), a vállalat profitját (Zhao et al. 2013; Wu et al. 2015), a vállalati stratégiát (Chen–Xie 2005), a vállalat értékét (Chen et al. 2012; Tellis–Johnson 2007) és a termékválasztást (Kostyra et al. 2016), továbbá felhasználhatók a fogyasztói preferenciák (Decker–Trusov 2010) és a márka ügyfélkörének (Moon–Kamakura 2017) megismerésére.

Az utóbbi években a szerzett média egy újabb típusa is egyre népszerűbbé vált a fogyasztók körében: a tartalomkészítők (content creators) által létrehozott vélemények. A tartalomkészítők kereskedelmi entitások, általában egyének vagy kisvállalkozások, akik termékértékeléseket készítenek, amelyeket a közösségi média platformokon tesznek közzé. Ezek a termékértékelések a jelen tanulmány tárgyát képezik.

Így a tartalomkészítők által generált véleményeket (CCGR) a szerzett média olyan típusaként definiálom, amelyet az alábbi jellemzők határoznak meg: a CCGR tartalma egy konkrét termék értékelése, egy online közösségi média platformon ingyenesen elérhető a nyilvánosság számára, és egy olyan személy vagy szervezet készíti, amely számos értékelést állít elő. A véleményezők anyagi ösztönzőket kapnak a véleményt olvasó közönség nagysága alapján.

Annak ellenére, hogy a marketing szakemberek számára fontos lenne megérteni a CCGR-t, a szakirodalomban hiányoznak az ezen új jelenség természetét vizsgáló elemzések. A szakirodalom eddig nem vizsgálta a CCGR iránti keresletet. Ezért a jelen tanulmányban egy alapvető aspektust vizsgálok – a tartalomkészítők által generált vélemények iránti kereslet főbb meghatározó tényezőit: az érintett terméket és a tartalomkészítőt.

A tanulmány felépítése a következő: a szerzett médiával és a CCGR iránti kereslet lehetséges meghatározóira vonatkozó irodalmi áttekintés, modellfejlesztés, adatok, majd az eredmények. A tanulmány az eredmények megvitatásával, azok implikációival, a kutatás korlátaival, valamint a jövőbeni kutatásokkal kapcsolatos javaslatokkal zárul.

Irodalmi áttekintés

A tartalomkészítők által generált vélemények (CCGR) egyik oldalán megközelíthetők a megszerzett média (earned media) fogalmával, mivel a márka köré épülő, de nem a márka által létrehozott tartalmakról van szó (Stephen–Galak 2012; Lovett–Staelin 2016; Colicev et al. 2018)2. A jelenségnek ezen megértése összhangban van Huang et al. (2022) és Silaban et al. (2022) kutatásaival, amelyek azt mutatják be, hogy a YouTube-on megjelenő CCGR-ek befolyásolják a fogyasztók vásárlási szándékát, ami arra utal, hogy a vélemények iránti kereslet mögött termékinformációkeresési motiváció áll.

A termékvélemények függetlenségét illető gyakori érvelés megemlíti, hogy a tartalomkészítők gyakran kötnek szponzorációs megállapodásokat a márkákkal. Tekintettel arra, hogy ezekben az esetekben a termékismertetőknek kötelező megtenniük a tartalmi szponzoráltság leleplezését, Pfeuffer et al. (2021) megvizsgálta ezen leleplezések hatását, és megállapította, hogy azoknak nem volt jelentős hatása a termékhez, a márkához vagy a tartalomkészítőhöz való hozzáállásra.

Másfelől, a vélemény egy adott terméknek való szentelésének tény factja nem jelenti azt, hogy a termék megismerése áll a közönség egy adott CCGR iránti érdeklődésének egyetlen motivációja mögött. Lehetséges, hogy a tartalomkészítők által generált vélemények iránti kereslet egyéb motivációk által is hajtja. Például, a televízióhoz, a magazinokhoz vagy a műsorokhoz hasonlóan, a közönség szórakozást is kereshet (Haridakis–Hanson 2009; Khan 2017), vagy a paraszociális interakción keresztül kapcsolódhat a tartalomkészítőhöz (McCracken 1989, Lee–Watkins 2016; Sokolova–Kefi 2020). Habár ezek a tanulmányok nem kifejezetten a termékvéleményekre összpontosítanak, lehetséges, hogy ezek a termékkel nem kapcsolatos motivációk is meghatározzák a CCGR-közönség mozgóságát. Összefoglalva, a CCGR iránti kereslet termékhez kötődő és/vagy terméktől független motivációk által is hajtva történhet.

A termékinformációkkal kapcsolatos motivációk szempontjából a tartalomgyártók által készített vélemények (CCGR) hasonlítanak a felhasználók által generált véleményekre (UGR), mint például az Amazon vagy a Yelp platformokon megjelenőek, amelyeket Chevalier–Mayzlin (2006), Babić Rosario et al. (2016), Zhao et al. (2013), Wu et al. (2015), Tirunillai–Tellis (2012) és Hu et al. (2012) vizsgáltak, illetve a hagyományos médiában közzétett termékértékelésekre. Ezen típusú organikusan elért média (earned media) termékinformációforrásként szolgálhat, kiemelve a fogyasztók információkeresési motivációját, amely az ilyen médiatartalmak fogyasztásához vezet. Később Huang et al. (2022) és Silaban et al. (2022) azt is megvizsgálták, hogy a CCGR-ek befolyásolják-e a fogyasztók vásárlási szándékát. Találataik jelentős pozitív összefüggést mutattak, ami tovább arra utal, hogy ez a motiváció a YouTube-on megjelenő termékértékelések esetében is jelen lehet. A CCGR-ek kapcsolódnak a hírmédiához is, mivel olyan módon nyújtanak híreket a termékről, amely hasonlít a hagyományos híradásokhoz vagy egy adott témát érintő magazinműsorokhoz. A nézők motivációja a hírek és a CCGR-ek megtekintése mögött hasonló lehet, ami egy adott témában való tájékozódási igényből (Lacy 1989), vagy korábbi meggyőződésaik megerősítéséből (Mullainathan–Shleifer 2005) fakad.

Az egyéni véleményeket zajos termékmindőség-jelekként (product quality signals) konceptualizálták, és bebizonyosodott, hogy a fogyasztók több ilyen jel figyelemmel történő követésével tanulnak (Zhao et al. 2013; Wu et al. 2015). Például könyvismertékkel folytatott vizsgálatukban Zhao et al. (2013) azt mutatják be, hogy a fogyasztók a számos UGR-ből összeállított információból többet tanulnak, mint közvetlen termékélményeikből; Wu et al. (2015) pedig azt igazolják, hogy a fogyasztók az UGR-ekből tanulnak éttermek iránti preferenciáikról. Hasonlóképpen a tartalomgyártók által generált vélemények gyűjteménye minéralizálható egy sor minőségjelzésként, amely várhatóan segíti a fogyasztói tanulási folyamatot.

Azok a nézők, akik egy konkrét termékről keresnek információt, a tartalom – például a CCGR-ek – kiválasztását olyan megfigyelhető attribútumok alapján választhatják meg, mint például a cím vagy a leírás.

A fogyasztók termékkel kapcsolatos tájékozódási vágya ösztönözheti a tartalomkészők által generált recenziók (CCGR) iránti keresletet. Azonban a CCGR-ek a közösségi média részei, ahol a fogyasztók egyéb okokból is szerethetnek tartalommal foglalkozni, nem csupán a termékek megismerése céljából. Valóban, Shao (2009) megkülönböztet információkeresési, szórakoztatási és hangulatmenedzsment jellegű igényeket a közösségi média-tartalmak fogyasztói körében. A szerző ezeket a motivációkat összekapcsatja a közösségi média környezetének olyan jellemzőivel, mint az interaktivitás, a virtuális közösségek kialakulása, valamint a saját tartalom (pl. kommentek) előállításának és megosztásának könnyűsége – ezek a tulajdonságok a hagyományos médiában nem jelennek meg (Neuberger–Nuernbergk 2010), de a CCGR esetében megvannak. Sokolova–Kefi (2020) megfigyelte, hogy a közösségi médiában a tartalom szórakoztató, a társas vonzerő (beleértve például a szórakoztató értéket is) pedig a paraszociális interakcióval (tehát a rajongó–ünnepelt viszonnyal) társul össze. A fogyasztói vásárlási szándékok és a platformhoz való ragaszkodás (stickiness) vizsgálatakor Huang et al. (2022) és Silaban et al. (2022) azt mutatják be, hogy a CCGR-ek esetében is jelen vannak a társas és paraszociális interakciók a nézők és a tartalomkészők között. Ez azt jelenti, hogy a társas motivációkra vonatkozó korábbi megállapítások a CCGR-területre is alkalmazhatók lehetnek.

A YouTube-közönség motivációit vizsgáló tanulmányok rámutattak arra, hogy az információkeresés mellett a videómegtekintést a nézők szórakoztatási igénye (Haridakis–Hanson 2009; Khan 2017) és a társas interakció iránti igénye (Haridakis–Hanson 2009) is hajtja. Bár ezek a vizsgálatok nem kifejezetten a termékrecenziókra összpontosítanak, lehetséges, hogy ezek a terméken kívüli motivációk szintén a CCGR-közönség mozgatóerői.

Idővel a YouTube-tartalomkészítők egyedi stílust fejlesztettek ki (Lee–Watkins 2016; Sokolova–Kefi 2020). Így a nézőktől elvárható, hogy a tartalomkésző stílusa alapján válogatnak, hogy kielégítsék terméken kívüli igényeiket, például a szórakoztatást vagy a társas interakciót. Összefoglalva: a CCGR-közönség rendelkezhet egyetlen motivációval, vagy mindkét típusú motivációval, azaz termékinteresedéssel és/vagy terméken kívüli motivációkkal.

A terméken kívüli közönségmotivációk az azok, amelyek megkülönböztetik a CCGR-t a felhasználók által generált recenzióktól. A felhasználói recenziók esetében nem tapasztalták, hogy a közönség preferenciákat alakítana ki bizonyos recenzensek iránt. Például Banerjee et al. (2017) megfigyelte, hogy a Yelp-recenzensek követésére lehetővé tevő funkciót ritkán használják.

A korábbi marketingliteratúra nem vizsgálta az earned media és a CCGR iránti keresletet. Azonban az áttekintett irodalom azt sugallja, hogy a CCGR iránti keresletet egyaránt a vizsgált termék és a recenzens alkotója is befolyásolhatja. Ezen tanulmányokra építve az alábbi hipotéziseket fogalmaztuk meg:

H1: A vizsgált terméknek jelentős hatása van a CCGR-nézetességre.

H2: A tartalomkészők jellemzőinek jelentős hatása van a CCGR-nézetességre.

A következő szakaszokban részletezzük az adatgyűjtési eljárást és az adatokat.

Ezután meghatározzuk a CCGR-nézetes vélemények random hatások regressziós modelljét, amelynek célja annak ellenőrzése, hogy a vizsgált termék és a tartalomgyártó egyaránt hozzájárulnak-e a CCGR-nézetek számához.

Adatok A CCGR-re vonatkozó adatok a YouTube-ről származnak. Ez a platform fontos termékinformációs forrás a fogyasztók számára, valamint a CCGR-publikációk népszerű csatornája.

A tanulmány egy specifikus termékkategóriára összpontosít, nevezetesen a személyes számítástechnikai eszközökre, beleértve az okostelefonokat és az okosórákat. Ez a termékkategória releváns a CCGR-ek vizsgálata szempontjából a termékismertetőkre iránti magas fogyasztói kereslet és a tartalomgyártói kínálat miatt.

A cél egy adott termékkategóriára vonatkozó, valamint a kiválasztott termékkategória CCGR-gyártására specializálódott YouTube-csatornák által közzétett CCGR-ek mintázása volt. A mintavétel létrehozásához a YouTube csatornakereső funkcióját használtuk fel a CCGR-szférában tevékenykedő, az angol nyelvű, személyes számítástechnikai eszközökre összpontosító YouTube-tartalomgyártók azonosításához. Ezután egy keresési kifejezésekből álló listát állítottunk össze, ahol minden kifejezés az alábbi két halmaz egyik kifejezését tartalmazta.

Az első halmaz a termékkategória kifejezéseket tartalmazta (Technology, Tech, Smartphone, Phone, Smartwatch, stb.). A második halmaz a CCGR-műfajra vonatkozó kifejezéseket tartalmazta (Product Review, Unboxing, Review). Ezek a kifejezések segítségével azonosítottuk a tartalomgyártók kezdeti csoportját. Az 1. táblázat mutatja az ebben az első csoportban szereplő tartalomgyártók feliratkozóinak számát. A mintavétel oluşturásakor a 10 000 feliratkozónál kevesebb követővel rendelkező kis méretű tartalomgyártókat kizártuk.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Ezután egy vezető fogyasztói információs weboldalról, a www.gsmarena.com-ról származó listát állítottunk össze a 2020. január 1. és 2020. október 1. közötti időszakban piacra került új személyes számítástechnikai eszközökről, majd kikadartuk azokat a készítőket, akik nem publikáltak videót a listán szereplő termékek valamelyikéről. Végül a keletkezett készítő-halmaz tartalmát átvizsgáltuk, és eltávolítottuk azokat, akik nem angol nyelvű tartalmat publikálnak. A mintába beért készítők végső száma 68. Ezt követően a mintába tartozó készítők videóit megvizsgáltuk, és kiszűrtük azokat a videókat, amelyek nem tartalmaztak a listán szereplő új személyes számítástechnikai terméket, illetve azokat a videókat, amelyek több mint egy terméknek voltak szenteltetve. Az így létrejött adatbázis 696 videót tartalmaz.

Az adatok panel szerkezetűek. Az idődimenzió 106 napot foglal körbe, a 2020. június 16. és 2020. október 1. közötti időszakot fedve. A keresztmetszet az egyéni CCGR videókra vonatkozik. Ezek a videók az adatgyűjtési időszak különböző pontjain jelentek meg, így a panel egyensúlytalan. A mintázat tartalmaz napi szintű adatokat a videókról és azok készítőiről, beleértve a videók megtekintési számát, a videó címét, leírását, a közzététel dátumát, valamint a videókészítő csatornáinak feliratkozóinak számát. Összesen 44 015 megfigyelés áll rendelkezésre a 696 videó tekintetében.

A 2. táblázat a mintára vonatkozó kulcsfontosságú leíró statisztikai mutatókat mutatja be. A TotalViews a megadott videóra egy meghatározott napig összesített megtekintési számot jelenti. Ez az adat erősen balra aszimmetrikus (balra dőlött), mivel a 75. percentil (94 704 megtekintés) kisebb, mint az átlag (150 980 megtekintés). Anélkül, hogy a változó maximuma, 7 768 909, a mintában lévő legnépszerűbb videó összes megtekintését jelentené. A mintavált videók átlagos összes megtekintési száma 951 125,5. Ezt az értéket a TotalViews utolsó időszaki (N=696) átlagaként számoltuk ki. A táblázat az összes időszakra és az N=44 015 megfigyelésre vonatkozó értékeket közli.

A DailyViews a videó egyetlen nap alatt generált megtekintési számát jelenti. Itt is megfigyelhető az adatok erős balra aszimmetrikus distribuciója: az átlag 1 484 megtekintés, ami jelentősen nagyobb, mint a 75. percentil (399 megtekintés).

A CreatorSubscribersVolume a YouTube-on a készítők csatornáira feliratkozott nézők számát jelenti. Az adatok ismét balra aszimmetrikusak, ahol az átlag és a 75. percentil összehasonlítható értékeket mutatnak, egymás után 1 424 399, illetve 1 230 000.

2. táblázat. Leíró statisztika

Statisztika

TotalViews

DailyViews

CreatorSubscribersVolume

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Megjegyzés: A DailyViews megfigyelt minimális értéke negatív. Ez valószínűleg azért van, mert a YouTube kiszűri azokat a megtekintéseket, amelyeket nem legitimnek ítél (Google Help).

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Modellfejlesztés

Az elemzés fő célja annak vizsgálata, hogy a termék és a készítő jelentős meghatározói-e a CCGR nézettségi mutatóinak. A napi videónézettséget vizsgáló véletlenszámhatósági hatások modellét (random effects model) az alábbiakban részletezzük, amely erre a kérdéskörre fog válaszolni.

Kontrollváltozók

Mielőtt a fókuszváltozókat megvitatnánk, több egyéb változót is bevezetünk a videónézettségi adatok időbeli és keresztbeni varianciájának kontrollálása érdekében.

Videó élettartama

Az online tartalmak népszerűségének fejlődését érintő szakirodalom dokumentál egy „robbanásszerű” és egy „lassú” fejlődési utat (Figueiredo et al. 2014; Li et al. 2016), amely során a tartalom fogyasztása a közzététel után azonnal megrobban, majd lassul. Valóban is a gyűjtött adatok alapján a CCGR-ek a feltöltés után csökkenő ütemben halmozzák fel a nézettséget, a nézettségi számok csökkenési üteme pedig lassul (1. ábra). Átlagosan az összes nézettség első harmadát 3 nap alatt, a második harmadát 9 nap alatt, a teljes mennyiség 90%-át pedig 68 nap alatt érik el.

Megjegyzés: A ábra elkészítéséhez a mintánkban szereplő egyes videók kumulatív napi nézettségét kiszámoltuk, majd azt az adott videó összes nézettségének osztásával végeztük el a mintavételi időszak végén. Ezt követően az eredményezett értékeket az összes mintavételi videó tekintetében átlagoltuk.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

E dinamika kontrollálása érdekében egy parsimónia elvét követő megközelítést alkalmazunk, amely folytonos függvényt eredményez. Két kifejezést vezetünk be, amelyek az STVideoAgeit és az LTVideoAgeit, amelyek az i. videó t időpontban lévő rövid (ST) és hosszú (LT) távú életkoret képviselnek, célul arra, hogy megfogják a megtekintések kezdeti, gyors, majd azt követő lassú felhalmozódását. A modell illeszkedésének összehasonlítása alapján választjuk ki azt a napot a CCGR publikációt követően, amelyben az STVideoAgeit és az LTVideoAgeit közötti váltás megtörténik.

Az STVideoAgeit és az LTVideoAgeit a következőképpen határozható meg:

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

A változó feltételezett nemlineáris term nature-ának tekintetében a VideoAge változókat logaritmikus transzformációval is szerepeltezik a regreszióban.

Csatornafeliratkozók száma

Korábbi tanulmányok megmutatták, hogy a csatorna mérete pozitív összefüggésben áll a videók megtekintésével (Welbourne–Grant 2016; Hoiles et al. 2017). Az adatok alapján a CCGR megtekintések száma pozitív korrelációt mutat a videókat közzétevő YouTube-csatorna feliratkozói számával (2. ábra).

Megjegyzés: A vonalat OLS módszerrel illesztettük, a szürke terület pedig a standard hibát jelzi. A ábra a csatornafeliratkozók száma és a videók megtekintési száma közötti pozitív korrelációt mutatja (Korreláció: 0,744).

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Ez alapján a nagyobb előfizetői háttérrel rendelkező csatornák átlagosan több megtekintést érhetnek el, és ez a kapcsolat nemlineárisnak várható lenni. Ezt a hatást az $ln Subscribers_{jt}$ változó fogja rögzíteni, amely a $j$ csatorna $t$ időpontban fennálló előfizetői számának természetes logaritmusát jelöli.

Hétvégi hatás

A vizsgálat során kontrolláljuk a potenciális hétvégi hatást is. Azonban nincs egyértelmű elvárás arról, hogy ez a hatás milyen irányba mutat majd. A fogyasztók a nagyobb szabadidő miatt több időt tölthetnek a YouTube megtekintésével a hétvégék alatt, ugyanakkor előfordulhat az is, hogy a hétvégéket távol töltik a YouTube-tól és/vagy a CCGR-ektől. A $Weekend_t$ változó a hétvégi hatás rögzítésére kerül beemelésre.

Termék életkora

Megfigyelhető, hogy a közösségi médiában a tartalom iránti nézői figyelem rövid életű lehet (Zadeh–Sharda 2014). Az adatok alapján a CCGR-ek egy adott termékkel kapcsolatos megtekintései hasonló mintázatot mutatnak, mint egyetlen videó megtekintéseinek időbeli alakulása, bár az időegységenkénti megtekintések csökkenése kisebb (3. ábra).

A képen ábrázolt értékek generálásához egy adott termékkel kapcsolatos összes videó napi megtekintéseit összegezzük. Ezután kiszámoljuk a kumulatív napi megtekintéseket, amelyeket a mintázati időszak végén fennálló kumulatív napi megtekintésekkel, azaz a teljes kumulatív napi megtekintésekkel osztunk. Végül a kapott értékeket a mintázati termékek átlagában számoltuk ki.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Átlagosan egy termék összes megtekintésének első harmada 5 nap alatt gyűlik össze, a második harmad 34 nap alatt, a megtekintések 90%-át pedig 84 nap alatt érik el. A nemlineáris jelleg miatt a termék iránti érdeklődés időbeli változását a ln ProductAgekt változóval modellezzük, amely a k termék t időpontban fennálló életkorsának természetes logaritmusát jelöli.

Fókuszváltozók

Az irodalomáttekintés azokat a lehetséges motivációkat tárgyalta, amelyek miatt a közönség a CCGR-eket (közösségi kereskedelmi videókat) nézi, és különbséget tett a termékinformációkon alapuló és a terméken kívüli motivációk között.

Kiemelt termék

A CCGR-ek iránti, termékérdeklődésből fakadó kereset mérésére bevezetésre került a Featured Product változó. Ez a változó megfogja a mintavált termékekenként a CCGR-ek iránti ideiglenesen fixált keresetet. Így ellenőrizhető, hogy a CCGR-ekben bemutatott termékek jelentős nézettségi motorok-e. Az ilyen bizonyíték összhangban lenne azzal az elmélettel, miszerint a fogyasztók azért nézik a CCGR-eket, hogy információt szerezzenek a termékekről.

Emellett a Featured Product és a fent leírt Product Age kombinációjával a témák időbeli népszerűsége modellezhető, amely mutatja egy adott termék népszerűségének szintjét, valamint ennek a szintnek az időbeli csökkenési sebességét.

CCGR-készítő

A CCGR-ek iránti, terméken kívüli kereset modellezése érdekében bevezetésre került a CCGR Creator változó. Ez a változó megfogja egy adott készítő által készített CCGR-ek időváltozó nélküli keresetét. A változó bizonyítékot nyújt majd a készítők egyedi jellemzőire, amelyek vonzzák a közönséget a tartalmukhoz. Ez az eredmény megkülönböztetné a CCGR-eket a felhasználók által generált véleményezésektől.

A fent felsorolt kontroll- és fókuszváltozók alkalmazásával az alábbi regresziós modell határozható meg: ln DailyViewsit = $\beta_{0jk}$ + $\beta_{1}$ ln STVideoAgeit + $\beta_{2}$ ln LTVideoAgeit + $\beta_{3}$ ln CreatorSubscribersVolumejt + $\beta_{4}$ Weekendt + $\beta_{5}$ ln ProductAgekt + $\varepsilon_{it}$

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

ahol a ln DailyViewsit a függő változó, amely az i CCGR videók t időpontban megtekintésének számának természetes logaritmusát jelenti, és $\beta_{0jk} = (\beta_{00} + \beta_{0j} + \beta_{0k})$. A $\beta_{00}, \beta_{0j}, \beta_{0k}, \beta_{x}$ (ahol $x = 1, 7, \gamma$) paraméterek. Az $x = 1, 7$ és $\gamma$ értékű paramétereket becslük. Feltételezzük, hogy a $\beta_{0j}$ és $\beta_{0k}$ paraméterek sorozatosan normáleloszlottak a $K$ mintavételezett termék és a $J$ mintavételezett alkotó között, nulla átlaggal, $\sigma_{0j}^2$ és $\sigma_{0k}^2$ varianciával. $\beta_{0j} \sim N(0, \sigma_{0j}^2)$; $\beta_{0k} \sim N(0, \sigma_{0k}^2)$, ahol $\sigma_{0j}^2$ és $\sigma_{0k}^2$ becsült paraméterek.

A kontrollváltozók paraméterei közé tartozik $\beta_1, \beta_2, \beta_3, \beta_4, \beta_5$. A vizsgálatunk fókuszában álló paraméterek $\beta_{0j}, \beta_{0k}, \gamma, \sigma_{0j}^2$ és $\sigma_{0k}^2$. A $\beta_{0k}$ paraméter mutatja a bemutatott termékek hatásának eloszlását a videók napi megtekintéseire. A $\sigma_{0k}^2$ paraméter ezen hatás varianciáját mutatja. Ha ezen koeficiens becslése nagyobb nullánál, az azt jelentené, hogy a CCGR-ekben bemutatott termékek a megtekintések jelentős motorjai, ami összhangban lenne azzal az elmélettel, miszerint a fogyasztók azért nézik a CCGR-eket, hogy információt szerezzenek a termékekről. A $\beta_{0j}$ paraméter az alkotók hatásának eloszlását mutatja a videók napi megtekintéseire vonatkozóan. A $\sigma_{0j}^2$ paraméter ezen hatás varianciáját mutatja. Egy nullánál nagyobb becslés azt jelentené, hogy a CCGR-ek alkotói a CCGR-ek iránti kereslet jelentős motorjai. Ez összhangban lenne azzal az elmélettel, miszerint a CCGR-ek iránti keresletet nemcsak a közönség termékintereslegessége, hanem egyéb, inkább szórakoztató jellegű motivációk is mozgatják.

Eredmények

A 3. táblázat tartalmazza a 2. egyenletben megadott dinamikus, véletlenszerű hatások regressziós modelljének eredményeit. Mivel a modellben a változók többsége log-log specifikációt követ, ezek a paraméterek rugalmasságokként (elaszticitásként) értelmezhetők.

Modell-illeszkedés

A javasolt modellt, valamint néhány egyéb beállítást is becslünk a modellválasztáshoz és a robusztusság-ellenőrzéshez. Először a véletlenszerű hatások modellválasztása érdekében egy Hausman-tesztet végeztünk a fix hatásokkal szemben. A 0,08444 p-érték alapján a teszt azt mutatja, hogy a véletlenszerű hatások modelljét kell preferálni. Ezután több modellt is becslünk a robusztusság-ellenőrzés érdekében. A robusztusság-ellenőrző modellek fokozatosan zárnak ki változókat. Az 1. robusztusság-ellenőrzés kizárja a termékheterogenitást, a 2. robusztusság-ellenőrzés eltávolítja a csatornaheterogenitást, végül a 3. robusztusság-ellenőrzés egyetlen hajlámkoeficientet (a kettő helyett) tartalmaz a videó életkorának figyelembevételére.

Ahogy a logaritmusos valószínűség (Log-likelihood), az AIC és a BIC is bizonyítja, a javasolt modell jelentősen jobban illeszkedik az adatokhoz, mint a robusztusság-ellenőrző modellek, még a benne lévő nagyobb paraméterszám figyelembevétele mellett is.

Kontrollváltozók eredményei

Videó életkora

A videók életkora várhatóan negatív összefüggésben áll a napi megtekintések számával. A korábbi szakirodalom alapján (Figueiredo et al. 2014; Li et al. 2016) a videó életkora hatásának meredessége a rövid és a hosszú távokon is eltérő várható.

Ezért a videó életkora változót két változóra bontjuk: $\ln \text{STVideoAge}_{kt}$ és $\ln \text{LTVideoAge}_{kt}$. A hosszú és a rövid táv közötti osztó paraméter értékének meghatározása érdekében megvizsgáljuk a modell illeszkedését különböző $\gamma$ értékek mellett. A legjobb illeszkedést akkor érjük el, ha a videó életkorát a feltöltést követő 8. napra osztjuk. $\beta_1$, a rövid távú hatás koefficientje -0,528 ($p$-érték < 0,01), míg $\beta_2$, a hosszú távú hatás koefficientje -0,022 ($p$-érték < 0,01). Ahogy várható volt, mindkét koeficiens szignifikánsan negatív.

Ez az eredmény azt jelenti, hogy a CCGR-ek napi videómegtekintései közvetlenül a videó közzététtele után érik el a legmagasabb szintet, majd a 8. napig élesen csökkennek. A 8. nap után a napi megtekintések továbbra is csökkennek, de olyan ütemben, amely egy nagyságrenddel lassabb, mint a 8. nap előtti időszakban.

Becsléseink azt sugalják, hogy átlagosan a CCGR-ek megtekintése a közzétételt követő első napban, illetve a hetedik napban 30%, illetve 8%-kal csökken. A közzétételt követő második héten a napi megtekintések csökkenése már naponta 2,5% és 1,4% közötti értékre lassul.

Annak tesztelése érdekében, hogy a videó életkorához két külön koeficiensre van-e szükség, összehasonlítjuk az 4. robusztussági ellenőrzési modell (RCM4) és a 3. robusztussági ellenőrzési modell (RCM3) illeszkedését. Mindkét modell ugyanaz, kivéve, hogy az RCM3 tartalmaz két Video Age változót, és mindegyik számára külön meredességi koeficientet becsél. Az RCM4 illeszkedése jóval rosszabb, mint az RCM3-é, ami alátámasztja a videó életkorának modellezésére vonatkozó megközelítésünket.

Feliratkozók száma

A létrehozó csatornára feliratkozó nézők száma várhatóan pozitív összefüggésben áll a CCGR-ek megtekintésével. Valóban, a $\beta_3$ becslése 0,031 ($p$-érték < 0,01). Ez a koeficiensérték azt jelenti, hogy átlagosan a feliratkozott közönség 1%-os növekedése a csatorna CCGR-énként napi 0,031%-os megtekintésnövekedéssel társul.

Hétvégi hatás

A CCGR-ek megtekintési számainak különbsége a hétvégék és a hétköznapok között nem szignifikáns. Robusztussági ellenőrzésként teszteltünk egy modellt hétvégi dummy változó helyett naponkénti dummy változókkal, de a hétköznapok közötti különbségek is insignifikánsok voltak.

A termék életkora

A termék életkora egy adott termékről készült első CCGR közzétételétől eltelt időre utal. $\beta_5$, a $\text{ProductAge}_{it}$ koeficiense nem tér eltérőleg szignifikánsan a sıros értéktől. Látszólag a $\text{ProductAge}_{it}$ nem gyakorol hatást a CCGR-ek megtekintéseire, miután a többi változót figyelembe vettük.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

SD termékek között

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

Táblázat vagy ábra – a pontos tartalma a lapszám PDF-változatában látható.

A fókuszváltozók eredményei

Termékintercept

A termékinterceptet véletlenszerű regressziós együtthatóként ($\beta_{0k}$) határoztuk meg, és varianciáját ($\sigma_{0k}^2$) becsülettük. A $\sigma_{0k}^2 = 0,1456$ (p-érték < ,01) becslés alátámasztja azt a felvetést, hogy a CCGR-ben szereplő termék a CCGR-nézetesség jelentős meghatározója.

Az együttható értéke azt mutatja, hogy *ceteris paribus* a termékek közötti napi CCGR-nézetesség szórása körülbelül 14,56%. A $\sigma_{0k}^2$ hatásméretének szemléltetése érdekében kiszámítottuk a videók kumulatív megtekintéseit a feltöltést követő első két hétben a $\beta_{0k}$ eloszlásának 25. és 75. percentilisa esetén. A $\beta_{0k}$ 25. percentilisába tartozó termékrecenziák átlagosan 56 589 megtekintést érnek el két hét alatt, míg a negyedik kvantilistól eltérő (75. percentilis) termékrecenziák átlagosan 2 217 863 megtekintést gyűjtenek két hét alatt, ami rendkívül jelentős különbség. A termékintercept szignifikanciája alapján elfogadom az 1. Hipotézist. A videóban recenzált terméknek jelentős hatása van a videók megtekintési számára.

Kreátorintercept

A kreátorinterceptet véletlenszerű regressziós együtthatóként határoztuk meg, és varianciáját ($\sigma_{0j}^2$) becsülettük. A $\sigma_{0j}^2 = 0,1503$ (p-érték < ,01) becslés azt mutatja, hogy a különböző kreátorok CCGR-jei nem homogének a közönség számára.

Az együttható becslése azt sugallja, hogy *ceteris paribus* a különböző kreátorok által feltöltött videók napi megtekintései között több mint 15,03%-os különbség van. A $\sigma_{0j}^2$ nagyságát a $\beta_{0j}$ eloszlását reprezentáló két példaértékhez tartozó megtekintési számok alapján lehetja megfigyelni. Átlagosan a $\beta_{0j}$ eloszlásának 25. és 75. percentilisa pripadó kreátorok recenziói 209 267, illetve 1 869 586 megtekintést értek el a két hetes időszak alatt. Ez az eredmény jelentős nézettségi különbségeket mutat a különböző kreátorok által feltöltött tartalmak népszerűségében. A kreátorintercept szignifikanciája alapján elfogadom a 2. Hipotézist. A videó készítőjének jelentős hatása van a termékrecenzió megtekintési számára.

A termék- és kreátorinterceptek varianciája alapján megállapítható, hogy mind a tartalomkészítők, mind a recenzált termékek a CCGR-nézetesség fontos mozgatóerői, továbbá a tartalomkészítők közötti különbségeket és a termékek közötti különbségeket reprezentáló szórási paraméterek hasonló értékeket mutatnak.

Konklúziók

A közösségi média növekedése a megszerzett média (earned media) növekvő jelentőségével jár együtt. Az utóbbi években a közösségi média platformokon megjelent a megszerzett média egy új műfaja: a tartalomkészítő által generált recenziók (CCGR).

Elemzés e tanulmány egyik legjelentősebb hozzájárulása, hogy az első empirikus kutatást nyújtja ezen típusú média kapcsán, amely már meghatározó, de még folyamatban lévő jelenség, és kiemelten releváns a marketing szempontjából. A szerzett média (earned media) korábbi irodalmat elsősorban a felhasználók által generált tartalmakra (UGC) összpontosította, beleértve a felhasználói véleményeket (UGR) is. A felhasználók és a tartalomkészítők által generált véleményezési jelenségek több fontos szempontban is eltérnek egymástól. Legfontosabbként megállapítható, hogy a tartalomkészítők által generált véleményezések (CCGR) létrehozása – a felhasználói véleményekkel (UGR) ellentétben – profitorientált tevékenység. Emellett a tartalomkészítők a felhasználókkal szemben tendenciát mutatnak a nagyobb mennyiségű, rendszeribb tartalomgyártásra, valamint egy vélemény mögött nagyobb erőforrásbefektetésre. Ez lehetővé teheti a készítők számára, hogy kapcsolatot alakítsanak ki a közönséggel. Összesítve ezek a különbségek eltérő ös incentivrendszert eredményeznek az UGR és a CCGR mögött. Ebben a tanulmányban a CCGR-ek iránti kereslet egyik alapvető aspektusára összpontosítok. Célom annak megállapítása, hogy a CCGR-véleményeket az érintett termék, illetve a véleményező készítő mozgatja-e. A korábbi irodalom alapján a CCGR-eket nemcsak a termékekkel kapcsolatos fogyasztói tanulási folyamatok forrásaként, hanem szórakoztató termékként is koncepciózhatjuk. Eddig az irodalom nem nyújtott bizonyítékot egyik sem ezen megközelítések közül.

Megállapítottam, hogy a tartalomkészítők által generált vélemények iránti keresletet egyaránt az érintett termék és a véleményező készítő mozgatja. Ennek a megállapításnak jelentős implikációi vannak a marketingesek és a tartalomkészítők számára.

Az a megállapítás, miszerint a CCGR-ben szereplő vizsgált termék a közönség nagyságának jelentős meghatározója, alapvető fontosságú, mivel egyértelmű kapcsolatot tesz étab a CCGR és a fogyasztói termékinformációs kereslet közé.

A szerzett médiával kapcsolatos kutatások egyik meghatározó ága a szerzett média és az értékesítés (pl. Chevalier–Mayzlin 2006; Babić Rosario et al. 2016; Moon–Kamakura 2017; Marchand et al. 2017), illetve a vásárlási szándék (Chen–Dermawan 2020; Huang et al. 2022; Silaban et al. 2022; Weinlich–Semerádová 2022) közötti összefüggésre összpontosít. Ezek a tanulmányok dokumentálták a terület marketing relevanciáját, ezzel lefektetve a tudományág alapjait. Azonban ezek a kutatások nem vizsgálták a fogyasztói információszerzést, amely folyamatként várhatóan közvetíti a szerzett média hatását az értékesítésre. A jelen tanulmány bizonyítékokat szolgáltat a szerzett média fogyasztásával kapcsolatban, ezáltal fényt világít arra a kemungkinanlagi kauzális összefüggésre, amely az kísérleti adatok alapján (Kostyra et al. 2016) a szerzett média és a márka értékesítése között látható.

Megállapítottam továbbá, hogy a felhasználói videóbeli fogyasztói vélemények (CCGR) megítélése függ a vélemény készítőjétől, ami kiemeli a tartalomkészítők és jellemzőik fontosságát. Ez az eredmény összhangban van a YouTube-közönségre vonatkozó korábbi felmérő kutatásokkal (Shao 2009), amelyek olyan terméken kívüli motivációkat soroltak fel a nézők részéről, mint a szórakozás és a hangulatmenedzsment. Az üzenet forrása és befogadója közötti kapcsolat tekintetében a CCGR-ek hasonlítanak a szájbybeségre (WOM) és a hírességek által támogatott reklámokra (CE), azonban eltérnek a felhasználók által generált véleményektől (UGR). A WOM és a CE esetében a forrás–befogadó kapcsolat a befogadó bizalmának és az üzenet továbbításának hatékonyságának egyik alapvető meghatározója. Ezzel szemben az UGR-re vonatkozó szakirodalom nem említ olyan folyamatot, amely során az üzenet-befogadók kapcsolatot alakítanának ki az üzenet forrásával. Ehelyett a kutatások azt mutatják, hogy a közönség a véleményező hitelességéről alkotott megítélése során inkább a hosting platform hitelesítő elemeire, például a véleményezői jelvényekre támaszkodik (pl. Zhu et al. 2014; Langan et al. 2017).

Az a megállapítás, hogy mind az érintett termék, mind a tartalomkészítő a CCGR iránti kereslet jelentős meghatározói, azt sugallja, hogy a közönség egy adott termék iránti előzetes érdeklődéssel közelít a véleményhez, ugyanakkor vonzódik bizonyos tartalomkészítők felé is. Ez az eredmény, bár intuitív, megfoglalja a CCGR-ek lényegét. A marketingesek, akik az eladások maximalizálása érdekében megkísérelik befolyásolni a tartalomkészőket, vagy elmosogatják a határt az influencer marketing fizetett médiuma és a CCGR szerves (earned) médiuma között, károsíthatják azokat a pilléreket, amelyekre a CCGR úgy tűnik, épül – nevezetesen a közönség és a tartalomkészítők közötti kapcsolatot.

Ez a gondolat összhangban van Gerrath–Usrey (2021) megállapításával, miszerint a márkák által ösztönzött blogger-vélemények károsíthatják a véleményező hitelességét és hitövénységét.

Végül a tanulmány egy további új megközelítése a „vizuális” közösségi hálózatokra, azaz a YouTube-re való fókuszálás. A korábbi kutatások többsége elsősorban a szövegalapú közösségi hálózatokra, például a Twitterre összpontosított. Ezzel szemben az elmúlt években a vizuális közösségi hálózatok, mint például a TikTok, az Instagram és a YouTube, egyre jelentősebbé váltak (Babić Rosario et al. 2020).

Korlátok és jövőbeli kutatási irányok

A tanulmánynak számos korláta van, amelyek alapja lehet az új kutatásoknak.

Először is fontos megjegyezni, hogy az adatok fogyasztói szinten aggregáltak, ami lehetővé teszi egy széles körű alkotók és termékek, valamint egy hosszú szempontidő beemelését. Ez azonban nem teszi lehetővé az egyéni nézőtörténetek és kattintási folyamatok (click streams) elemzését. Bár a YouTube-ön nézett tartalmakra vonatkozó egyéni adatok nem érhetőek el nyilvánosan, a jövőbeni kutatásoknak törekedniük kell ezek elérésére, hogy a CCGR-ek kereselmi motorainak részletesebb képet alkossanak. Másodszor, az adatok nem tartalmaznak információt a (YouTube) platform viselkedéséről, különösen a platform tartalomválasztásáról. Ez utóbbi a platform ajánlórendszerétől függ. A jövőbeni kutatásoknak olyan kiegészítő adatokat is be kellene építeniük, amelyek rögzítik a platform viselkedésének kulcsfontosságú aspektusait, ezáltal fényt lehetne világítani arra, hogyan alakulnak ki a CCGR-ek kereselmi motorjai a nézői preferenciák, a szociális interakciók és a platform viselkedése közötti kölcsönhatás révén. Harmadszor, a korábbi kutatások a megszerzett média (earned media) tulajdonságai, például a felhasználói generált tartalom (UGR) valenciája és az eladások közötti közvetlen összefüggést vizsgálták, míg ez a tanulmány dokumentálja, hogy a megszerzett média iránti kereslet más motivációkkal is összefügghet, mintsem a termékinteresáció. Összességében ez azt sugallja, hogy a megszerzett média fogyasztása és az eladások közötti kapcsolat összetett, ezért a jövőbeni kutatásoknak a megszerzett médiát, az információs fogyasztást és az eladásokat együttesen kellene vizsgálniuk.

Irodalomjegyzék

Babić Rosario, A.–de Valck, K.–Sotgiu, F. 2020. Conceptualizing the electronic wordof-mouth process: What we know and need to know about eWOM creation, exposure, and evaluation. Journal of the Academy of Marketing Science 48(3), 422–448.

Babić Rosario, A.–Sotgiu, F.–De Valck, K.–Bijmolt, T. H. 2016. The effect of electronic word of mouth on sales: A meta-analytic review of platform, product, and metric factors. Journal of Marketing Research 53(3), 297–318.

Banerjee, S.–Bhattacharyya, S.–Bose, I. 2017. Whose online reviews to trust?

Understanding reviewer trustworthiness and its impact on business. Decision Support Systems 96, 17–26.

Chen, J. L.–Dermawan, A. 2020. The influence of YouTube beauty vloggers on Indonesian consumers’ purchase intention of local cosmetic products. International Journal of Business and Management 15(5), 100–116.

Chen, Y.–Liu, Y.–Zhang, J. 2012. When do third-party product reviews affect firm value and what can firms do? The case of media critics and professional movie reviews.

Journal of Marketing 76(2), 116–134.

Chen, Y.–Xie, J. 2005. Third-party product review and firm marketing strategy.

Marketing Science 24(2), 218–240.

Chevalier, J. A.–Mayzlin, D. 2006. The effect of word of mouth on sales: Online book reviews. Journal of Marketing Research 43(3), 345–354.

Colicev, A.–Malshe, A.–Pauwels, K.–O’Connor, P. 2018. Improving consumer mindset metrics and shareholder value through social media: The different roles of owned and earned media. Journal of Marketing 82(1), 37–56.

Decker, R.–Trusov, M. 2010. Estimating aggregate consumer preferences from online product reviews. International Journal of Research in Marketing 27(4), 293–307. Figueiredo, F.–Almeida, J. M.–Gonçalves, M. A.–Benevenuto, F. 2014. On the dynamics of social media popularity: A YouTube case study. ACM Transactions on Internet Technology (TOIT) 14(4), 1–23.

Gerrath, M. H.–Usrey, B. 2021. The impact of influencer motives and commonness perceptions on follower reactions toward incentivized reviews. International Journal of Research in Marketing 38(3), 531–548.

Google

Help, https://support.google.com/youtube/answer/3399767?hl=en, letöltve: 09.02.2022.

Haridakis, P.–Hanson, G. 2009. Social interaction and co-viewing with YouTube: Blending mass communication reception and social connection. Journal of Broadcasting & Electronic Media 53(2), 317–335.

Hoiles, W.–Aprem, A.–Krishnamurthy, V. 2017. Engagement and popularity dynamics of YouTube videos and sensitivity to meta-data. IEEE Transactions on Knowledge and Data Engineering 29(7), 1426–1437.

Hu, N.–Bose, I.–Koh, N. S.–Liu, L. 2012. Manipulation of online reviews: An analysis of ratings, readability, and sentiments. Decision Support Systems 52(3), 674–684. Huang, T. Y.–Chen, W. K.–Chen, C. W.–Silalahi, A. D. K. 2022. Understanding how product reviews on YouTube affect consumers’ purchase behaviors in Indonesia: an exploration using the stimulus-organism-response paradigm. Human Behavior and Emerging Technologies 2022, 1–19.

Khan, M. L. 2017. Social media engagement: What motivates user participation and consumption on YouTube? Computers in Human Behavior 66, 236–247.

Kostyra, D. S.–Reiner, J.–Natter, M.–Klapper, D. 2016. Decomposing the effects of online customer reviews on brand, price, and product attributes. International Journal of Research in Marketing 33(1), 11–26.

Lacy, S. 1989. A model of demand for news: Impact of competition on newspaper content. Journalism Quarterly 66(1), 40–48.

Langan, R.–Besharat, A.–Varki, S. 2017. The effect of review valence and variance on product evaluations: An examination of intrinsic and extrinsic cues. International Journal of Research in Marketing 34(2), 414–429.

Lee, J. E.–Watkins, B. 2016. YouTube vloggers’ influence on consumer luxury brand perceptions and intentions. Journal of Business Research 69(12), 5753–5760. Li, C.–Liu, J.–Ouyang, S. 2016. Characterizing and predicting the popularity of online videos. IEEE Access 4, 1630–1641.

Lovett, M. J.–Staelin, R. 2016. The role of paid, earned, and owned media in building entertainment brands: Reminding, informing, and enhancing enjoyment. Marketing Science 35(1), 142–157.

Marchand, A.–Hennig-Thurau, T.–Wiertz, C. 2017. Not all digital word of mouth is created equal: Understanding the respective impact of consumer reviews and microblogs on new product success. International Journal of Research in Marketing 34(2), 336–354.

McCracken, G. 1989. Who is the Celebrity Endorser? Cultural Foundations of the Endorsement Process. Journal of Consumer Research 16(3), 310–321.

Moon, S.–Kamakura, W. A. 2017. A picture is worth a thousand words: Translating product reviews into a product positioning map. International Journal of Research in Marketing 34(1), 265–285.

Mullainathan, S.–Shleifer, A. 2005. The market for news. American Economic Review 95(4), 1031–1053.

Neuberger, C.–Nuernbergk, C. 2010. Verseny, kiegészítettség vagy integráció?

A professzionális és a participatív média kapcsolata. Journalism Practice 4(3), 319–332.

Pfeuffer, A.–Lu, X.–Zhang, Y.–Huh, J. (2021). A szponzorált tartalom kijelölésének hatása a YouTube-termékismertetőiben. Journal of Current Issues & Research in Advertising 42(4), 391–410.

Shao, G. 2009. A felhasználók által generált média vonzerejének megértése: a használat és kielégülés perspektívából. Internet Research 19(1), 7–25.

Silaban, P. H.–Silalahi, A. D. K.–Octoyuda, E.–Sitanggang, Y. K.–Hutabarat, L.– Sitorus, A. I. S. (2022). A hedonikus és utilitarista válaszok megértése a YouTube-termékismertetőkre és a vásárlási szándékra vonatkozóan. Cogent Business & Management 9(1), 2062910.

Sokolova, K.–Kefi, H. 2020. Az Instagram és a YouTube blogerek népszerűsítik, miért ne vennék meg? A hitelesség és a paraszociális interakció hatása a vásárlási szándékra.

Journal of Retailing and Consumer Services 53(C).

Stephen, A. T.–Galak, J. 2012. A hagyományos és a szociális earned média hatásai az értékesítésre: egy mikrohitel-piac tanulmánya. Journal of Marketing Research 49(5), 624–639.

Tellis, G.–Johnson, J. 2007. A minőség értéke. Marketing Science 26(6), 758–773.

Tirunillai, S.–Tellis, G. J. 2012. Tényleg számít a zaj? A felhasználók által generált tartalom és a részvényárak dinamikája. Marketing Science 31(2), 198–215. Weinlich, P.–Semerádová, T. (2022). Termékpromóció véleményvezérek által:

A YouTube-közösség esete. Az Achieving Business Competitiveness in a Digital Environment című műben, 207–239. Cham: Springer.

Welbourne, D. J.–Grant, W. J. 2016. Tudományos kommunikáció a YouTube-on: A csatorna- és videónépszerűséget befolyásoló tényezők. Public understanding of science 25(6), 706–718.

Wu, C.–Che, H.–Chan, T. Y.–Lu, X. 2015. Az online vélemények gazdasági értéke.

Marketing Science 34(5), 739–754.

Zadeh, A. H.–Sharda, R. 2014. A márkaosztály népszerűségének dinamikájának modellezése az online szociális hálózatokban. Decision Support Systems 65, 59–68.

Zhao, Y.–Yang, S.–Narayan, V.–Zhao, Y. 2013. A fogyasztói tanulási folyamat modellezése az online termékismertetőkből. Marketing Science 32(1), 153–169.

Zhu, L.–Yin, G.–He, W. 2014. Hasznos ez a véleményvezér által írt ismertető? Perifériás jelek az online vélemények hasznosságának meghatározásában. Journal of Electronic Commerce Research 15(4), 267–280.

A szerzők

  • Gábor Murai

A szöveget automatikusan nyertük ki a PDF-ből; a táblázatok, ábrák és a pontos tördelés a lapszám PDF-változatában láthatók.