Series II / Paper 05
口碑、知名度、銷量與採用率的動態耦合：評論代理、回饋迴圈與不可識別性
Dynamic Coupling of Word-of-Mouth, Popularity, Sales, and Adoption: Review Proxies, Feedback Loops, and Non-Identifiability
作者：Neo.K（許筌崴） 機構：EveMissLab 系列：品質—發現—傳播—成功解耦理論（Series II） 版本：v0.1 日期：2026-08-14
摘要
評論數、平均評分、口碑、人氣、銷量與採用率經常被視為彼此的替代指標。例如，人們可能使用「評論數乘上一個倍率」估計銷量，或使用高平均評分推測高品質，再由高品質推測未來銷量。然而，這些量在動態市場中既不是同一變數，也不是固定比例。
本文在 AMNESS 前四篇的基礎上，提出「口碑—採用動態耦合系統」（Word-of-Mouth–Adoption Dynamic Coupling System, WADCS）。令 A t A_t A t R t R_t R t ρ t \rho_t ρ t t t t P t P_t P t W t W_t W t
E [ Δ R t ∣ Δ A t ] = ρ t Δ A t . E[\Delta R_t\mid\Delta A_t]
=
\rho_t\Delta A_t. E [ Δ R t ∣ Δ A t ] = ρ t Δ A t . 因此：
E [ R T ] = ∑ t = 1 T ρ t Δ A t . E[R_T]
=
\sum_{t=1}^{T}
\rho_t\Delta A_t. E [ R T ] = t = 1 ∑ T ρ t Δ A t . 本文證明「固定評論倍率不可能定理」：若不同 artifact 或不同時間區間具有不同有效評論傾向 ρ \rho ρ k k k
A = k R A=kR A = k R 對所有合法 artifact–market states 成立。進一步地，只觀察評論數 R R R A A A ρ \rho ρ A ≥ R > 0 A\ge R>0 A ≥ R > 0
ρ = R A \rho=\frac{R}{A} ρ = A R 生成相同評論數。因此評論是 adoption 的 proxy，而不是 adoption 的直接讀值。
本文再區分評論的 volume、valence、visibility 與 reviewer composition，並建立雙向回饋：
Adoption → Reviews / WOM → Future Exposure and Adoption . \text{Adoption}
\rightarrow
\text{Reviews / WOM}
\rightarrow
\text{Future Exposure and Adoption}. Adoption → Reviews / WOM → Future Exposure and Adoption . 既有實證研究已發現 online WOM 既可作為未來 sales 的前因，也可由過去 sales 生成；meta-analysis 更顯示 eWOM 對 sales 的效果高度依賴 platform、product 與 metric。這些結果支持本文的核心主張：
Reviews ≠ Popularity ≠ Sales ≠ Adoption \boxed{
\text{Reviews}
\neq
\text{Popularity}
\neq
\text{Sales}
\neq
\text{Adoption}
} Reviews = Popularity = Sales = Adoption 且其關係應被視為動態耦合，而不是固定倍率。
本文進一步提出 Review Propensity Field、Review Multiplier Surface、Proxy Uncertainty Interval、Popularity–Sales Gap、WOM Reproduction Number 與 Review-Corrected Adoption Estimator，並提出 AMNESS-WAD benchmark 以長期追蹤不同 artifact 的評論、採用、流量、口碑與再生結構。
關鍵詞： Online Reviews、Word-of-Mouth、Sales、Adoption、Popularity、Review Propensity、Proxy、Diffusion、Feedback Loop、AMNESS
1. 問題：評論數到底能不能估銷量？
前四篇已分別建立：
Q ⇏ S , Q\not\Rightarrow S, Q ⇒ S , Existence ≠ Discoverability , \text{Existence}
\neq
\text{Discoverability}, Existence = Discoverability , Same Exposure ⇏ Same Opportunity , \text{Same Exposure}
\not\Rightarrow
\text{Same Opportunity}, Same Exposure ⇒ Same Opportunity , 以及：
E [ N a d o p t ] ≤ K A e f f . E[N_{\mathrm{adopt}}]
\le
K_A^{\mathrm{eff}}. E [ N adopt ] ≤ K A eff . 現在進入時間動態。
假設我們看到一個 artifact：
R = 300 R=300 R = 300 則能不能推論：
A ≈ k R ? A\approx kR? A ≈ k R ? 答案是：
可以作局部 proxy，但不能當普遍固定關係。 \boxed{
\text{可以作局部 proxy，但不能當普遍固定關係。}
} 可以作局部 proxy ，但不能當普遍固定關係。 原因不是評論無用，而是評論生成本身有另一個隱變數：
Review Propensity . \boxed{
\text{Review Propensity}.
} Review Propensity . 2. 基本狀態變數
對 artifact A A A
A t A_t A t 為截至時間 t t t
定義：
S t S_t S t 為銷售事件／交易量。
若一次採用對應一次購買：
S t ≈ A t . S_t\approx A_t. S t ≈ A t . 但免費產品、多人帳號、subscription、repeat purchase 或退款環境中：
S t ≠ A t . S_t
\neq
A_t. S t = A t . 3. Review Count
定義：
R t R_t R t 為累積有效評論數。
評論可以包括：
store reviews；
marketplace ratings；
formal review posts；
verified-user reviews。
本文不把所有 social mentions 都放入 R t R_t R t
social buzz 另放入：
W t . W_t. W t . 4. Review Propensity
對第 i i i
Z i = 1 [ adopter i writes an effective review ] . Z_i
=
\mathbf 1
[
\text{adopter }i
\text{ writes an effective review}
]. Z i = 1 [ adopter i writes an effective review ] . 則：
R = ∑ i = 1 A Z i . R
=
\sum_{i=1}^{A}Z_i. R = i = 1 ∑ A Z i . 定義：
ρ i = P ( Z i = 1 ) . \rho_i
=
P(Z_i=1). ρ i = P ( Z i = 1 ) . 若簡化為同質 review propensity：
ρ i = ρ , \rho_i=\rho, ρ i = ρ , 則：
E [ R ∣ A ] = ρ A . E[R\mid A]
=
\rho A. E [ R ∣ A ] = ρ A . 5. 時變 Review Propensity
現實中：
ρ t \rho_t ρ t 會隨時間變化。
例如：
early adopters 更愛評論；
平台發 review solicitation；
社群形成；
遊戲更新；
爭議事件；
review bomb；
reviewer badges；
platform UI 改版。
因此：
E [ Δ R t ] = ρ t E [ Δ A t ] . E[\Delta R_t]
=
\rho_t
E[\Delta A_t]. E [ Δ R t ] = ρ t E [ Δ A t ] . 累積：
E [ R T ] = ∑ t = 1 T ρ t E [ Δ A t ] . E[R_T]
=
\sum_{t=1}^{T}
\rho_t
E[\Delta A_t]. E [ R T ] = t = 1 ∑ T ρ t E [ Δ A t ] . 6. Effective Review Propensity
定義 sales/adoption-weighted 平均：
ρ ˉ T = ∑ t = 1 T ρ t Δ A t A T . \bar\rho_T
=
\frac{
\sum_{t=1}^{T}
\rho_t\Delta A_t
}{
A_T
}. ρ ˉ T = A T ∑ t = 1 T ρ t Δ A t . 則：
E [ R T ] = ρ ˉ T A T . E[R_T]
=
\bar\rho_TA_T. E [ R T ] = ρ ˉ T A T . 所以局部 review multiplier：
k T = A T E [ R T ] = 1 ρ ˉ T . k_T
=
\frac{A_T}{E[R_T]}
=
\frac{1}{\bar\rho_T}. k T = E [ R T ] A T = ρ ˉ T 1 . 真正變動的是：
ρ ˉ T . \boxed{
\bar\rho_T.
} ρ ˉ T . 7. 固定評論倍率不可能定理
定理 1：No Universal Review Multiplier Theorem
考慮至少兩個合法 artifact states：
( A 1 , ρ 1 ) , ( A 2 , ρ 2 ) , (A_1,\rho_1),
\qquad
(A_2,\rho_2), ( A 1 , ρ 1 ) , ( A 2 , ρ 2 ) , 且：
ρ 1 ≠ ρ 2 . \rho_1\neq\rho_2. ρ 1 = ρ 2 . 若：
E [ R i ] = ρ i A i , E[R_i]
=
\rho_iA_i, E [ R i ] = ρ i A i , 則不存在一個普遍常數：
k k k 使：
A i = k E [ R i ] A_i
=
kE[R_i] A i = k E [ R i ] 對兩者同時成立。
證明
若存在：
A i = k E [ R i ] , A_i=kE[R_i], A i = k E [ R i ] , 則：
A i = k ρ i A i . A_i
=
k\rho_iA_i. A i = k ρ i A i . 對：
A i > 0 , A_i>0, A i > 0 , 有：
k = 1 ρ i . k=\frac1{\rho_i}. k = ρ i 1 . 因此同時必須：
k = 1 ρ 1 = 1 ρ 2 . k=\frac1{\rho_1}
=
\frac1{\rho_2}. k = ρ 1 1 = ρ 2 1 . 這要求：
ρ 1 = ρ 2 , \rho_1=\rho_2, ρ 1 = ρ 2 , 與前提矛盾。
所以不存在普遍固定 k k k
□ \boxed{\square} □ 8. 定理的實際含義
因此：
Reviews × k \boxed{
\text{Reviews}\times k
} Reviews × k 若要有意義， k k k
platform-, genre-, period-, and community-conditioned . \boxed{
\text{platform-, genre-, period-, and community-conditioned}.
} platform-, genre-, period-, and community-conditioned . 不是全球固定常數。
9. Review–Adoption Non-Identifiability Theorem
定理 2
只觀察：
R > 0 R>0 R > 0 時，若未知：
ρ , \rho, ρ , 則 adoption：
A A A 一般不可識別。
證明
對任意：
A ≥ R , A\ge R, A ≥ R , 取：
ρ = R A . \rho
=
\frac{R}{A}. ρ = A R . 因：
0 < ρ ≤ 1 , 0<\rho\le1, 0 < ρ ≤ 1 , 皆為合法 review propensity。
且：
ρ A = R . \rho A
=
R. ρ A = R . 所以相同 R R R
( A , ρ ) (A,\rho) ( A , ρ ) 生成。
故只由 R R R A A A
□ \boxed{\square} □ 10. Proxy Interval
若研究者知道：
ρ ∈ [ ρ min , ρ max ] , \rho
\in
[\rho_{\min},\rho_{\max}], ρ ∈ [ ρ m i n , ρ m a x ] , 則：
E [ R ] = ρ A E[R]=\rho A E [ R ] = ρ A 給出：
R ρ max ≤ A ≤ R ρ min . \boxed{
\frac{R}{\rho_{\max}}
\le
A
\le
\frac{R}{\rho_{\min}}.
} ρ m a x R ≤ A ≤ ρ m i n R . 所以 review multiplier 最合理的形式不是單點：
A = k R , A=kR, A = k R , 而是：
A ∈ [ k min R , k max R ] . \boxed{
A
\in
[k_{\min}R,k_{\max}R].
} A ∈ [ k m i n R , k m a x R ] . 其中：
k min = 1 ρ max , k_{\min}
=
\frac1{\rho_{\max}}, k m i n = ρ m a x 1 , k max = 1 ρ min . k_{\max}
=
\frac1{\rho_{\min}}. k m a x = ρ m i n 1 . 11. Review Multiplier Surface
進一步定義：
k = k ( p , g , r , τ , c ) , k
=
k
(
p,g,r,\tau,c
), k = k ( p , g , r , τ , c ) , 其中：
p p p g g g r r r τ \tau τ c c c
稱：
Review Multiplier Surface . \boxed{
\text{Review Multiplier Surface}.
} Review Multiplier Surface . 因此真正的估計問題是：
estimate k ( ⋅ ) , \boxed{
\text{estimate }k(\cdot),
} estimate k ( ⋅ ) , 而不是尋找一個宇宙常數。
12. Reviewer Composition
假設 adopter 有：
G G G 類。
每類比例：
α g , \alpha_g, α g , review propensity：
ρ g . \rho_g. ρ g . 則：
ρ ˉ = ∑ g = 1 G α g ρ g . \bar\rho
=
\sum_{g=1}^{G}
\alpha_g\rho_g. ρ ˉ = g = 1 ∑ G α g ρ g . 如果 early adopters 與 late adopters 的：
α g \alpha_g α g 不同，
則：
ρ ˉ t \bar\rho_t ρ ˉ t 自然改變。
13. Selection Bias in Reviews
評論者不是 adopter 的隨機樣本。
即：
P ( u reviews ∣ u adopts ) P
(
u\text{ reviews}
\mid
u\text{ adopts}
) P ( u reviews ∣ u adopts ) 可能與 satisfaction、extremity、community engagement、identity、badge incentive 有關。
所以：
Reviewer Population ≠ Adopter Population . \boxed{
\text{Reviewer Population}
\neq
\text{Adopter Population}.
} Reviewer Population = Adopter Population . 14. Rating Valence
令：
V t R V_t^{R} V t R 表示評論平均 valence。
但：
V t R V_t^{R} V t R 只是在 reviewers 條件下的平均：
E [ rating ∣ review written ] . E[
\text{rating}
\mid
\text{review written}
]. E [ rating ∣ review written ] . 所以一般：
V t R ≠ E [ satisfaction ∣ all adopters ] . V_t^{R}
\neq
E[
\text{satisfaction}
\mid
\text{all adopters}
]. V t R = E [ satisfaction ∣ all adopters ] . 15. Rating 不等於 Quality
因此：
Average Rating ≠ Artifact Quality . \boxed{
\text{Average Rating}
\neq
\text{Artifact Quality}.
} Average Rating = Artifact Quality . 它還受到：
reviewer selection；
expectation；
price；
audience match；
review policy；
social influence；
time。
影響。
16. Review Volume 與 Review Valence
Online WOM 至少應區分：
R t = Volume , R_t
=
\text{Volume}, R t = Volume , 與：
V t R = Valence . V_t^{R}
=
\text{Valence}. V t R = Valence . 再加入：
L t R = Review Visibility , L_t^{R}
=
\text{Review Visibility}, L t R = Review Visibility , 以及：
H t R = Review Helpfulness / Influence . H_t^{R}
=
\text{Review Helpfulness / Influence}. H t R = Review Helpfulness / Influence . 所以 eWOM 本身就是多維狀態。
17. WOM State Vector
本文定義：
W t = ( R t , V t R , L t R , H t R , G t R ) . \boxed{
\mathbf W_t
=
(
R_t,
V_t^{R},
L_t^{R},
H_t^{R},
G_t^{R}
).
} W t = ( R t , V t R , L t R , H t R , G t R ) . 其中：
G t R G_t^{R} G t R 表示 reviewer / network dispersion。
因此：
W t W_t W t 不能只用評論數表示。
18. Adoption Produces WOM
第一條動態：
Adoption → WOM . \boxed{
\text{Adoption}
\rightarrow
\text{WOM}.
} Adoption → WOM . 最簡：
Δ R t = ρ t Δ A t + ϵ t R . \Delta R_t
=
\rho_t\Delta A_t
+
\epsilon_t^{R}. Δ R t = ρ t Δ A t + ϵ t R . 銷量／採用越多，潛在 reviewer pool 通常越大。
19. WOM Produces Future Adoption
第二條：
WOM → Future Adoption . \boxed{
\text{WOM}
\rightarrow
\text{Future Adoption}.
} WOM → Future Adoption . 可以寫：
Δ A t + 1 = F ( D t , P t , W t , Q , K A e f f , ϵ t A ) . \Delta A_{t+1}
=
F
(
D_t,
P_t,
\mathbf W_t,
Q,
K_A^{\mathrm{eff}},
\epsilon_t^A
). Δ A t + 1 = F ( D t , P t , W t , Q , K A eff , ϵ t A ) . 因此：
A t A_t A t 與：
R t R_t R t 存在雙向因果。
20. Dynamic Feedback Loop
核心結構：
A t → R t → D t + 1 → A t + 1 . \boxed{
A_t
\rightarrow
R_t
\rightarrow
D_{t+1}
\rightarrow
A_{t+1}.
} A t → R t → D t + 1 → A t + 1 . 更完整：
A t → W t → P t + 1 → D t + 1 → A t + 1 . A_t
\rightarrow
\mathbf W_t
\rightarrow
P_{t+1}
\rightarrow
D_{t+1}
\rightarrow
A_{t+1}. A t → W t → P t + 1 → D t + 1 → A t + 1 . 這是一個 endogenous feedback system。
21. Empirical Precedent
電影產業的 online WOM 研究已直接使用 dynamic simultaneous equations，將 WOM 同時視為未來 sales 的前因與過去 sales 的結果。
因此：
reviews and sales should not be modeled as one-way variables by default . \boxed{
\text{reviews and sales should not be modeled as one-way variables by default}.
} reviews and sales should not be modeled as one-way variables by default . 22. Chevalier–Mayzlin Effect
跨兩個線上書店的研究顯示，review 改善與相對 sales 增加相關，而且負面評論的影響可比正面評論更強。
因此：
review valence \boxed{
\text{review valence}
} review valence 與：
review volume \boxed{
\text{review volume}
} review volume 也不能被當成同一信號。
23. Meta-Analytic Heterogeneity
eWOM meta-analysis 顯示：
eWOM effect on sales \text{eWOM effect on sales} eWOM effect on sales 會依：
platform；
product；
metric；
review-site characteristics
改變。
因此：
WOM elasticity is heterogeneous . \boxed{
\text{WOM elasticity is heterogeneous}.
} WOM elasticity is heterogeneous . 這與本文「不存在 universal multiplier」完全一致。
24. Sales-to-WOM Elasticity
定義：
ε R , A = ∂ log R ∂ log A . \varepsilon_{R,A}
=
\frac{
\partial\log R
}{
\partial\log A
}. ε R , A = ∂ log A ∂ log R . 若 review propensity 固定：
R = ρ A , R=\rho A, R = ρ A , 則：
ε R , A = 1. \varepsilon_{R,A}=1. ε R , A = 1. 但若：
ρ = ρ ( A , t ) , \rho=\rho(A,t), ρ = ρ ( A , t ) , 則：
ε R , A = 1 + ∂ log ρ ∂ log A . \varepsilon_{R,A}
=
1
+
\frac{
\partial\log\rho
}{
\partial\log A
}. ε R , A = 1 + ∂ log A ∂ log ρ . 所以評論不必與 adoption 成比例成長。
25. WOM-to-Sales Elasticity
定義：
ε A , W = ∂ log A t + 1 ∂ log W t . \varepsilon_{A,W}
=
\frac{
\partial\log A_{t+1}
}{
\partial\log W_t
}. ε A , W = ∂ log W t ∂ log A t + 1 . 此量可以依：
product type；
competition；
platform；
trialability；
review credibility
變動。
因此：
ε A , W \varepsilon_{A,W} ε A , W 不能視為固定市場常數。
26. Review Saturation
當：
R t R_t R t 已很大，
新增一則評論的資訊價值可能下降。
可寫：
I R ( R ) = 1 − e − α R . I_R(R)
=
1-e^{-\alpha R}. I R ( R ) = 1 − e − α R . 則：
I R ′ ( R ) > 0 , I_R'(R)>0, I R ′ ( R ) > 0 , I R ′ ′ ( R ) < 0. I_R''(R)<0. I R ′′ ( R ) < 0. 因此：
Review Volume \boxed{
\text{Review Volume}
} Review Volume 可能具有邊際遞減。
27. First-Review Path Dependence
研究亦顯示第一則評論可能造成長期 WOM volume 與 valence 的 path dependence。
所以：
R t R_t R t 與：
V t R V_t^{R} V t R 不只是當期狀態。
其初始條件：
( R 0 , V 0 R ) (R_0,V_0^R) ( R 0 , V 0 R ) 可能改變整個後續軌跡。
28. Popularity
定義：
P t P_t P t 為 public attention / adoption salience。
它可以由：
concurrent users；
rank；
views；
mentions；
wishlists；
search interest
組合。
因此：
P t ≠ A t . \boxed{
P_t
\neq
A_t.
} P t = A t . 人氣可以快速升降，但累積 adoption 只能非減少或經退貨修正。
29. Popularity Stock vs Adoption Stock
可寫：
P t + 1 = ( 1 − δ P ) P t + α A Δ A t + α W W t + ξ t . P_{t+1}
=
(1-\delta_P)P_t
+
\alpha_A\Delta A_t
+
\alpha_WW_t
+
\xi_t. P t + 1 = ( 1 − δ P ) P t + α A Δ A t + α W W t + ξ t . 其中：
δ P > 0 \delta_P>0 δ P > 0 表示注意力衰減。
而：
A t + 1 = A t + Δ A t . A_{t+1}
=
A_t+\Delta A_t. A t + 1 = A t + Δ A t . 所以：
Popularity is a decaying attention state , \boxed{
\text{Popularity is a decaying attention state},
} Popularity is a decaying attention state , Adoption is a cumulative stock . \boxed{
\text{Adoption is a cumulative stock}.
} Adoption is a cumulative stock . 30. Popularity–Sales Gap
定義：
G P S ( t ) = P t A t + ϵ . G_{PS}(t)
=
\frac{
P_t
}{
A_t+\epsilon
}. G P S ( t ) = A t + ϵ P t . 高：
G P S G_{PS} G P S 表示相對銷量／採用而言人氣很高。
低：
G P S G_{PS} G P S 表示採用很多，但即時 public buzz 不高。
所以：
high buzz ≠ high installed base . \boxed{
\text{high buzz}
\neq
\text{high installed base}.
} high buzz = high installed base . 31. Sales vs Adoption
對一次性付費遊戲可能：
S t ≈ A t . S_t\approx A_t. S t ≈ A t . 對 subscription：
S t S_t S t 可以包含 repeat payments。
對 free-to-play：
A t ≫ S t A_t\gg S_t A t ≫ S t 若 S t S_t S t
因此任何 review multiplier 必須先回答：
估的是 unit sales、unique owners、active users，還是 revenue？
32. Revenue
令：
Y t Y_t Y t 為 revenue。
則：
Y t = ∑ u p u , t I u , t . Y_t
=
\sum_{u}
p_{u,t}I_{u,t}. Y t = u ∑ p u , t I u , t . 即使：
A t A_t A t 相同，不同 pricing／repeat spending 也可：
Y t ( 1 ) ≠ Y t ( 2 ) . Y_t^{(1)}
\neq
Y_t^{(2)}. Y t ( 1 ) = Y t ( 2 ) . 所以：
Reviews ⇏ Revenue by a fixed multiplier . \boxed{
\text{Reviews}
\not\Rightarrow
\text{Revenue by a fixed multiplier}.
} Reviews ⇒ Revenue by a fixed multiplier . 33. Review-Corrected Adoption Estimator
若有估計：
ρ ^ ( A , p , g , t ) , \hat\rho(A,p,g,t), ρ ^ ( A , p , g , t ) , 則：
A ^ = R ρ ^ . \boxed{
\hat A
=
\frac{
R
}{
\hat\rho
}.
} A ^ = ρ ^ R . 但必須同時給 uncertainty：
Var ( A ^ ) . \operatorname{Var}(\hat A). Var ( A ^ ) . 若 ρ \rho ρ
34. Bayesian Proxy Estimate
給 prior：
p ( ρ ) , p(\rho), p ( ρ ) , 觀察：
R , R, R , 可以估：
p ( A ∣ R ) = ∫ p ( A , ρ ∣ R ) d ρ . p(A\mid R)
=
\int
p(A,\rho\mid R)
\,d\rho. p ( A ∣ R ) = ∫ p ( A , ρ ∣ R ) d ρ . 這比固定 multiplier 更符合 proxy uncertainty。
35. Calibration Cohort
最實際的方法是同平台、同類型、相近時期建立：
C = { ( A i , R i ) } i = 1 n . \mathcal C
=
\{
(A_i,R_i)
\}_{i=1}^{n}. C = {( A i , R i ) } i = 1 n . 估：
k ^ C = median ( A i R i ) . \hat k_{\mathcal C}
=
\operatorname{median}
\left(
\frac{A_i}{R_i}
\right). k ^ C = median ( R i A i ) . 並報告：
[ k 0.1 , k 0.9 ] [
k_{0.1},
k_{0.9}
] [ k 0.1 , k 0.9 ] 等 quantile interval。
因此：
local empirical multiplier \boxed{
\text{local empirical multiplier}
} local empirical multiplier 可以實用，
但不等於普遍定律。
36. Proxy Transportability
若 multiplier 從 cohort：
C 1 \mathcal C_1 C 1 搬到：
C 2 , \mathcal C_2, C 2 , 需要：
P ( ρ ∣ C 1 ) ≈ P ( ρ ∣ C 2 ) . P(\rho\mid\mathcal C_1)
\approx
P(\rho\mid\mathcal C_2). P ( ρ ∣ C 1 ) ≈ P ( ρ ∣ C 2 ) . 否則：
proxy transport failure . \boxed{
\text{proxy transport failure}.
} proxy transport failure . 37. Review Solicitation
平台或企業主動要求 review，會直接改變：
ρ . \rho. ρ . 因此：
R R R 上升不一定來自：
A A A 同比例上升。
這是固定 multiplier 最容易失效的外部機制之一。
38. Reviewer Incentives
badge、points、status 與社群 peer effects 都可能改變 review production。
因此：
ρ = ρ ( u , p , t , incentives , peers ) . \rho
=
\rho
(
u,
p,
t,
\text{incentives},
\text{peers}
). ρ = ρ ( u , p , t , incentives , peers ) . 評論量是一個行為結果，不是自動 transaction counter。
39. Review Visibility
即使：
R R R 相同，
如果平台只突出：
recent reviews；
helpful reviews；
verified reviews；
negative reviews；
則對未來 adoption 的作用可以不同。
因此真正影響 future sales 的是：
visible effective WOM , \boxed{
\text{visible effective WOM},
} visible effective WOM , 而不是 raw count。
40. Effective Review Mass
定義每則 review i i i
w i = v i h i c i r i , w_i
=
v_i
h_i
c_i
r_i, w i = v i h i c i r i , 其中：
v i v_i v i h i h_i h i c i c_i c i r i r_i r i
定義：
R e f f = ∑ i w i . R_{\mathrm{eff}}
=
\sum_iw_i. R eff = i ∑ w i . 因此：
R e f f ≠ R . R_{\mathrm{eff}}
\neq
R. R eff = R . 41. WOM Reproduction
一則 review 也可能促使：
定義：
R W O M = E [ new effective WOM artifacts caused by one WOM artifact ] . \mathcal R_{\mathrm{WOM}}
=
E[
\text{new effective WOM artifacts caused by one WOM artifact}
]. R WOM = E [ new effective WOM artifacts caused by one WOM artifact ] . 若：
R W O M > 1 \mathcal R_{\mathrm{WOM}}>1 R WOM > 1 在指定近似模型中成立，WOM 本身可以暫時自我再生。
這與 Series I 的：
R e x t \mathcal R_{\mathrm{ext}} R ext 同構，但對象是 artifact-level WOM。
42. Adoption Reproduction Number
定義：
R A = E [ new adoptions caused by one existing adopter through WOM ] . \mathcal R_A
=
E[
\text{new adoptions caused by one existing adopter through WOM}
]. R A = E [ new adoptions caused by one existing adopter through WOM ] . 在最簡 diffusion approximation 中：
R A \mathcal R_A R A 描述 organic adoption 的再生強度。
但它受到：
K A e f f − A t K_A^{\mathrm{eff}}-A_t K A eff − A t 剩餘市場限制。
43. Saturating WOM Diffusion
可寫：
Δ A t W O M = β A t ( 1 − A t K A e f f ) . \Delta A_t^{\mathrm{WOM}}
=
\beta
A_t
\left(
1-\frac{A_t}{K_A^{\mathrm{eff}}}
\right). Δ A t WOM = β A t ( 1 − K A eff A t ) . 這與有限市場 diffusion 思想一致。
當：
A t → K A e f f , A_t\rightarrow
K_A^{\mathrm{eff}}, A t → K A eff , 有：
Δ A t W O M → 0. \Delta A_t^{\mathrm{WOM}}
\rightarrow0. Δ A t WOM → 0. 因此：
strong WOM cannot exceed audience capacity indefinitely . \boxed{
\text{strong WOM cannot exceed audience capacity indefinitely}.
} strong WOM cannot exceed audience capacity indefinitely . 44. External vs Internal Adoption Pressure
可以分：
Δ A t = p t ( K − A t ) ⏟ external / promotion + q t A t K ( K − A t ) ⏟ WOM / imitation . \Delta A_t
=
\underbrace{
p_t
\left(
K-A_t
\right)
}_{\text{external / promotion}}
+
\underbrace{
q_t
\frac{A_t}{K}
\left(
K-A_t
\right)
}_{\text{WOM / imitation}}. Δ A t = external / promotion p t ( K − A t ) + WOM / imitation q t K A t ( K − A t ) . 此形式與 Bass-type innovation / imitation separation 同構。
但本文允許：
p t , q t p_t,
q_t p t , q t 隨時間與平台改變。
45. Nonuniform WOM
經典 diffusion extension 已指出 word-of-mouth coefficient 不必在整個 diffusion span 保持固定。
因此：
q t q_t q t 應視為：
q ( t ) . q(t). q ( t ) . 這與本文的動態 WOM state 完全一致。
46. WOM Quality
口碑不只要看量。
令：
Q W ( t ) = F ( V t R , H t R , G t R , credibility ) . Q_W(t)
=
F
(
V_t^{R},
H_t^{R},
G_t^{R},
\text{credibility}
). Q W ( t ) = F ( V t R , H t R , G t R , credibility ) . 則：
Δ A t + 1 \Delta A_{t+1} Δ A t + 1 可以依：
R t Q W ( t ) R_tQ_W(t) R t Q W ( t ) 而變。
因此 100 則極端負面評論與 100 則正面評論絕不等價。
47. Asymmetric Valence
既有實證顯示負面與正面 reviews 對 sales 的影響可以不對稱。
所以：
F ( V R ) F(V^R) F ( V R ) 不應預設線性。
可以：
∣ ∂ A ∂ V − ∣ > ∣ ∂ A ∂ V + ∣ . \left|
\frac{\partial A}{\partial V^-}
\right|
>
\left|
\frac{\partial A}{\partial V^+}
\right|. ∂ V − ∂ A > ∂ V + ∂ A . 48. Review Volume vs Valence
Meta-analysis 亦分別估計 volume 與 valence elasticity，且其效果受 context 調節。
所以：
更多評論 \boxed{
\text{更多評論}
} 更多評論 和：
更好評論 \boxed{
\text{更好評論}
} 更好評論 是不同 intervention。
49. Review Count as Social Proof
評論量本身也可以成為 popularity signal：
R t ↑ ⇒ P t ↑ . R_t\uparrow
\Rightarrow
P_t\uparrow. R t ↑⇒ P t ↑ . 因此 review count 不只被動記錄 sales，也可能主動改變 future discovery。
這加深：
A ↔ R A
\leftrightarrow
R A ↔ R 的 simultaneity。
50. Sales Information vs Review Information
有些平台同時展示：
sales count；
bestseller rank；
ratings；
reviews。
這些 market-generated signals 可能互相作用。
因此使用者不是只觀察：
R . R. R . 而是：
I t = ( R t , V t R , P t , S t d i s p l a y , … ) . \mathbf I_t
=
(
R_t,
V_t^R,
P_t,
S_t^{\mathrm{display}},
\ldots
). I t = ( R t , V t R , P t , S t display , … ) . 51. Dynamic System
本文提出最簡 WADCS：
A t + 1 = A t + F A ( D t , P t , W t , K A e f f − A t ) + ϵ t A , A_{t+1}
=
A_t
+
F_A
(
D_t,
P_t,
\mathbf W_t,
K_A^{\mathrm{eff}}-A_t
)
+
\epsilon_t^A, A t + 1 = A t + F A ( D t , P t , W t , K A eff − A t ) + ϵ t A , R t + 1 = R t + ρ t ( A t + 1 − A t ) + ϵ t R , R_{t+1}
=
R_t
+
\rho_t
\left(
A_{t+1}-A_t
\right)
+
\epsilon_t^R, R t + 1 = R t + ρ t ( A t + 1 − A t ) + ϵ t R , P t + 1 = ( 1 − δ P ) P t + α A Δ A t + α R R t + α W W t + ϵ t P . P_{t+1}
=
(1-\delta_P)P_t
+
\alpha_A\Delta A_t
+
\alpha_RR_t
+
\alpha_WW_t
+
\epsilon_t^P. P t + 1 = ( 1 − δ P ) P t + α A Δ A t + α R R t + α W W t + ϵ t P . 這是 phenomenological scaffold，不是唯一模型。
52. Fixed Point
若市場有限：
A t → K A e f f , A_t\rightarrow
K_A^{\mathrm{eff}}, A t → K A eff , 則新增 adoption：
Δ A t → 0. \Delta A_t\rightarrow0. Δ A t → 0. 若沒有額外 review-generation shock：
Δ R t → 0. \Delta R_t\rightarrow0. Δ R t → 0. 人氣若有衰減：
P t P_t P t 可以下降。
因此成熟 artifact 可以：
A t ≫ 0 A_t\gg0 A t ≫ 0 但：
P t ≪ 1. P_t\ll1. P t ≪ 1. 53. Old Hit State
定義：
A t ≫ 0 , A_t\gg0, A t ≫ 0 , R t ≫ 0 , R_t\gg0, R t ≫ 0 , 但：
P t ≪ 1. P_t\ll1. P t ≪ 1. 稱：
Legacy Adoption / Low Current Popularity State . \boxed{
\text{Legacy Adoption / Low Current Popularity State}.
} Legacy Adoption / Low Current Popularity State . 所以累積銷量大不等於現在仍熱門。
54. Viral Launch State
反過來可以：
P t ≫ 0 , P_t\gg0, P t ≫ 0 , R t ≫ 0 , R_t\gg0, R t ≫ 0 , 但：
A t A_t A t 仍然不高，尤其在 pre-order、demo、free exposure、controversy 情況。
所以：
Current Popularity ⇏ Cumulative Adoption . \boxed{
\text{Current Popularity}
\not\Rightarrow
\text{Cumulative Adoption}.
} Current Popularity ⇒ Cumulative Adoption . 55. High-Rating Low-Sales State
合法狀態：
V t R ≫ 0 , V_t^R\gg0, V t R ≫ 0 , 但：
R t ≪ 1 , R_t\ll1, R t ≪ 1 , A t ≪ 1. A_t\ll1. A t ≪ 1. 可能只代表少量高度匹配 early adopters。
所以：
High Average Rating ⇏ High Sales . \boxed{
\text{High Average Rating}
\not\Rightarrow
\text{High Sales}.
} High Average Rating ⇒ High Sales . 56. High-Reviews Low-Rating State
也可：
R t ≫ 0 , R_t\gg0, R t ≫ 0 , V t R ≪ 1. V_t^R\ll1. V t R ≪ 1. 表示高 public engagement，但可能是爭議／負面市場。
因此 review count 不能單獨解讀為正面 success。
57. Review Bomb / Shock
令：
η t R \eta_t^R η t R 為外生 review shock。
則：
Δ R t = ρ t Δ A t + η t R . \Delta R_t
=
\rho_t\Delta A_t
+
\eta_t^R. Δ R t = ρ t Δ A t + η t R . 若：
∣ η t R ∣ |\eta_t^R| ∣ η t R ∣ 很大，review count 更不能當作 sales 同期 proxy。
58. Time-Lag
Sales 產生 reviews 有 delay。
定義 kernel：
g ( τ ) . g(\tau). g ( τ ) . 則：
E [ Δ R t ] = ∑ τ ≥ 0 g ( τ ) ρ t − τ Δ A t − τ . E[\Delta R_t]
=
\sum_{\tau\ge0}
g(\tau)
\rho_{t-\tau}
\Delta A_{t-\tau}. E [ Δ R t ] = τ ≥ 0 ∑ g ( τ ) ρ t − τ Δ A t − τ . 所以某日 review count 與某日 sales 不必同步。
59. Distributed Lag
同樣 reviews 對 future sales 的影響可寫：
Δ A t R = ∑ τ ≥ 0 h ( τ ) Φ ( W t − τ ) . \Delta A_t^{R}
=
\sum_{\tau\ge0}
h(\tau)
\Phi(\mathbf W_{t-\tau}). Δ A t R = τ ≥ 0 ∑ h ( τ ) Φ ( W t − τ ) . 因此：
WOM effect has temporal memory . \boxed{
\text{WOM effect has temporal memory}.
} WOM effect has temporal memory . 60. Cross-Platform Reviews
artifact 可同時存在平台：
p = 1 , … , P . p=1,\ldots,P. p = 1 , … , P . 則：
R t = ∑ p R p , t . R_t
=
\sum_p
R_{p,t}. R t = p ∑ R p , t . 但不同平台 review propensity：
ρ p , t \rho_{p,t} ρ p , t 與 WOM effect：
β p , t \beta_{p,t} β p , t 可不同。
所以跨平台直接相加也可能失真。
61. Platform-Normalized Review Mass
可定義：
R n o r m = ∑ p w p R p ρ ^ p . R_{\mathrm{norm}}
=
\sum_p
w_p
\frac{
R_p
}{
\hat\rho_p
}. R norm = p ∑ w p ρ ^ p R p . 此量更接近 platform-corrected adoption proxy。
但 w p w_p w p
62. Duplicate Adopters
同一使用者可能在多平台：
u ∈ p 1 , p 2 . u\in p_1,p_2. u ∈ p 1 , p 2 . 因此：
∑ p A p \sum_pA_p p ∑ A p 不等於 unique adopters。
定義 overlap：
O p q . O_{pq}. O pq . 跨平台 adoption 必須做去重或 bounds。
63. Identification Ladder
從 review proxy 推 adoption，至少分四層：
Level 0
只知道：
R . R. R . 不可識別。
Level 1
知道：
ρ ∈ [ ρ min , ρ max ] . \rho\in[\rho_{\min},\rho_{\max}]. ρ ∈ [ ρ m i n , ρ m a x ] . 得到 interval。
Level 2
有 matched cohort：
ρ ^ ( p , g , t ) . \hat\rho(p,g,t). ρ ^ ( p , g , t ) . 得到 calibrated estimate。
Level 3
有 transaction / owner ground truth。
可直接驗證 multiplier。
所以：
proxy confidence depends on identification level . \boxed{
\text{proxy confidence depends on identification level}.
} proxy confidence depends on identification level . 64. AMNESS-WAD Benchmark
本文提出：
AMNESS Word-of-Mouth–Adoption Dynamics Benchmark（AMNESS-WAD）
每個 artifact 依時間窗記錄：
( A t , S t , R t , V t R , L t R , P t , D t , W t , K A e f f ) . (
A_t,
S_t,
R_t,
V_t^R,
L_t^R,
P_t,
D_t,
W_t,
K_A^{\mathrm{eff}}
). ( A t , S t , R t , V t R , L t R , P t , D t , W t , K A eff ) . 65. Artifact 類型
至少包含：
paid games；
free-to-play games；
books；
apps；
films；
software；
academic papers；
subscription services；
high-WOM niche products；
low-WOM mass products。
66. Ground-Truth Cohort
最好取得具有：
( A t , R t ) (A_t,R_t) ( A t , R t ) 真值的 artifact。
估計：
ρ A , t = Δ R t Δ A t . \rho_{A,t}
=
\frac{
\Delta R_t
}{
\Delta A_t
}. ρ A , t = Δ A t Δ R t . 再分析：
ρ \rho ρ 對 platform、genre、age 與 community 的變異。
67. Review Multiplier Distribution
對 cohort：
k i = A i R i . k_i
=
\frac{
A_i
}{
R_i
}. k i = R i A i . 不只報 mean。
應報：
median ( k ) , \operatorname{median}(k), median ( k ) , I Q R ( k ) , IQR(k), I QR ( k ) , Q 0.1 ( k ) , Q_{0.1}(k), Q 0.1 ( k ) , Q 0.9 ( k ) . Q_{0.9}(k). Q 0.9 ( k ) . 如此才能知道 heuristic 的不確定性。
68. Dynamic Multiplier Drift
定義：
k A ( t ) = A t R t + ϵ . k_A(t)
=
\frac{
A_t
}{
R_t+\epsilon
}. k A ( t ) = R t + ϵ A t . 若：
d k A d t ≠ 0 , \frac{dk_A}{dt}\neq0, d t d k A = 0 , 表示同一 artifact 的 multiplier 也隨生命周期漂移。
所以即使同作品，也不能保證早期 multiplier 可用於成熟期。
69. 可檢驗假說
H1：Multiplier Heterogeneity
Var ( k ∣ p , g , t ) \operatorname{Var}
(k\mid p,g,t) Var ( k ∣ p , g , t ) 雖可能下降，但跨 platform / genre 的：
Var ( k ) \operatorname{Var}(k) Var ( k ) 應顯著大於零。
H2：Review-Propensity Drift
同 artifact：
ρ t \rho_t ρ t 隨 lifecycle 顯著變動。
H3：WOM–Sales Simultaneity
加入 lagged sales 後仍能預測 future reviews；加入 lagged WOM 後仍能預測 future adoption。
H4：Effective Review Mass
R e f f R_{\mathrm{eff}} R eff 比 raw：
R R R 更能預測 future adoption。
H5：Popularity–Adoption Separation
即時：
P t P_t P t 與累積：
A t A_t A t 在成熟 artifact 中出現系統性解耦。
70. 與 Paper 04 的統一
Paper 04 給：
K A e f f K_A^{\mathrm{eff}} K A eff 作為 audience capacity。
Paper 05 的 adoption dynamics 必須滿足：
A t ≤ K A + A_t
\le
K_A^{+} A t ≤ K A + 在 unique adoption 模型中成立。
所以再強的 WOM feedback 也不能無限穿越 audience ceiling。
71. 與 Paper 03 的統一
Paper 03 的 routing 決定：
D t . D_t. D t . Paper 05 的 WOM 又會反過來改變未來：
P t P_t P t 與：
D t + 1 . D_{t+1}. D t + 1 . 所以：
Routing → Adoption → WOM → Future Routing Opportunity . \boxed{
\text{Routing}
\rightarrow
\text{Adoption}
\rightarrow
\text{WOM}
\rightarrow
\text{Future Routing Opportunity}.
} Routing → Adoption → WOM → Future Routing Opportunity . 形成完整 feedback loop。
72. 與 Series I 的接口
artifact reviews / WOM 若被第三方持久生成，也會增加 creator / brand 的：
X e x t X_{\mathrm{ext}} X ext 與 public prominence。
因此：
Artifact WOM → Creator Public Graph . \boxed{
\text{Artifact WOM}
\rightarrow
\text{Creator Public Graph}.
} Artifact WOM → Creator Public Graph . 反過來 creator fame 又可提高：
D 0 D_0 D 0 與初始：
P 0 . P_0. P 0 . 73. 理論邊界
本文不主張：
reviews 對 sales 一定為正；
所有 reviewer 都獨立；
review propensity 可精確知道；
sales 與 adoption 永遠相同；
平均 rating 等於 quality；
WOM 只來自 reviews；
review volume 永遠線性影響 sales；
fixed multiplier 完全沒有實務價值；
所有產品都遵循相同 diffusion curve；
popularity 與 sales 無關。
本文只主張：
Review Count Is a Conditional Proxy, Not a Universal Counter . \boxed{
\text{Review Count Is a Conditional Proxy, Not a Universal Counter}.
} Review Count Is a Conditional Proxy, Not a Universal Counter . 以及：
Reviews, WOM, Popularity, Sales, and Adoption form a dynamic coupled system . \boxed{
\text{Reviews, WOM, Popularity, Sales, and Adoption form a dynamic coupled system}.
} Reviews, WOM, Popularity, Sales, and Adoption form a dynamic coupled system . 74. 結論
本文把「評論數能不能估銷量」分成兩個問題。
第一：
評論是不是完全沒用？
不是。
在 calibration 良好的局部 cohort 中：
A ≈ k R A
\approx
kR A ≈ k R 可以是實務上有價值的 proxy。
第二：
是否存在跨產品、跨平台、跨時間的普遍固定 k k k
只要：
ρ \rho ρ 不是固定常數，答案就是：
不存在 . \boxed{
\text{不存在}.
} 不存在 . 本文證明：
E [ R ] = ρ A E[R]=\rho A E [ R ] = ρ A 且：
ρ 1 ≠ ρ 2 \rho_1\neq\rho_2 ρ 1 = ρ 2 時，不存在共同：
k k k 使：
A = k R A=kR A = k R 普遍成立。
更進一步，只知道：
R R R 時：
( A , ρ ) (A,\rho) ( A , ρ ) 不可識別。
所以最合理的 proxy 不是：
A = k R \boxed{
A=kR
} A = k R 而是：
A ∈ [ k min R , k max R ] \boxed{
A
\in
[k_{\min}R,k_{\max}R]
} A ∈ [ k m i n R , k m a x R ] 並明確標記平台、類型與時期條件。
更重要的是，reviews 並非 sales 的純被動影子。
市場形成：
Adoption → WOM → Popularity / Discovery → Future Adoption . \boxed{
\text{Adoption}
\rightarrow
\text{WOM}
\rightarrow
\text{Popularity / Discovery}
\rightarrow
\text{Future Adoption}.
} Adoption → WOM → Popularity / Discovery → Future Adoption . 因此：
Reviews ≠ Popularity ≠ Sales ≠ Adoption . \boxed{
\text{Reviews}
\neq
\text{Popularity}
\neq
\text{Sales}
\neq
\text{Adoption}.
} Reviews = Popularity = Sales = Adoption . Series II 到此已經把：
Q , D , Routing , K A e f f , W , P , A , S Q,
D,
\text{Routing},
K_A^{\mathrm{eff}},
W,
P,
A,
S Q , D , Routing , K A eff , W , P , A , S 全部拆開。
最後一篇將把所有狀態重新放進同一個相空間，研究：
品質—名氣—成功象限與非單調動力學 . \boxed{
\text{品質—名氣—成功象限與非單調動力學}.
} 品質 — 名氣 — 成功象限與非單調動力學 . 參考文獻
[1] Bass, F. M. (1969). A New Product Growth for Model Consumer Durables. Management Science , 15(5), 215–227. DOI: 10.1287/mnsc.15.5.215.
[2] Dodson, J. A., Jr., & Muller, E. (1978). Models of New Product Diffusion Through Advertising and Word-of-Mouth. Management Science , 24(15), 1568–1578. DOI: 10.1287/mnsc.24.15.1568.
[3] Easingwood, C. J., Mahajan, V., & Muller, E. (1983). A Nonuniform Influence Innovation Diffusion Model of New Product Acceptance. Marketing Science , 2(3), 273–295. DOI: 10.1287/mksc.2.3.273.
[4] Godes, D., & Mayzlin, D. (2004). Using Online Conversations to Study Word-of-Mouth Communication. Marketing Science , 23(4), 545–560. DOI: 10.1287/mksc.1040.0071.
[5] 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. DOI: 10.1509/jmkr.43.3.345.
[6] Duan, W., Gu, B., & Whinston, A. B. (2008). The Dynamics of Online Word-of-Mouth and Product Sales—An Empirical Investigation of the Movie Industry. Journal of Retailing , 84(2), 233–242.
[7] Chintagunta, P. K., Gopinath, S., & Venkataraman, S. (2010). The Effects of Online User Reviews on Movie Box Office Performance: Accounting for Sequential Rollout and Aggregation Across Local Markets. Marketing Science , 29(5), 944–957. DOI: 10.1287/mksc.1100.0572.
[8] You, Y., Vadakkepatt, G. G., & Joshi, A. M. (2015). A Meta-Analysis of Electronic Word-of-Mouth Elasticity. Journal of Marketing , 79(2), 19–39. DOI: 10.1509/jm.14.0169.
[9] Babić Rosario, A., Sotgiu, F., De Valck, K., & Bijmolt, T. H. A. (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). DOI: 10.1509/jmr.14.0380.
[10] Wang, Y., Goes, P., Wei, Z., & Zeng, D. (2019). Production of Online Word-of-Mouth: Peer Effects and the Moderation of User Characteristics. Production and Operations Management , 28(7). DOI: 10.1111/poms.13007.
[11] Lei, Z., Yin, D., Mitra, S., & Zhang, H. (2022). Swayed by the Reviews: Disentangling the Effects of Average Ratings and Individual Reviews in Online Word-of-Mouth. Production and Operations Management , 31(6). DOI: 10.1111/poms.13695.
[12] Yu, H., Yang, Y., Huang, L., & Tan, C.-H. (2023). Online Reviews, Customer Q&As, and Product Sales: A PVAR Approach. PLOS ONE , 18(11), e0290674. DOI: 10.1371/journal.pone.0290674.
[13] Karaman, H. (2025). The Asymmetric Effects of Posting an Online Review on Future Spending and the Dark Side of Solicitations. Management Science . DOI: 10.1287/mnsc.2023.01951.
Series II 位置
Paper 01：品質不推出成功：基本非等價理論
Paper 02：Discoverability：存在、可搜尋與被發現的區別
Paper 03：注意力路由與轉換場
Paper 04：窄域高品質與受眾上界
Paper 05：口碑、知名度、銷量與採用率的動態耦合 Paper 06：品質—名氣—成功象限與非單調動力學