# 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 $A_t$ 表示累積採用者數、 $R_t$ 表示累積有效評論數、 $\rho_t$ 表示採用者在時間 $t$ 產生評論的條件傾向、 $P_t$ 表示公共人氣／注意力、 $W_t$ 表示口碑狀態。最簡評論生成式為：

$$
E[\Delta R_t\mid\Delta A_t]
=
\rho_t\Delta A_t.
$$

因此：

$$
E[R_T]
=
\sum_{t=1}^{T}
\rho_t\Delta A_t.
$$

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 $\rho$，則不存在單一普遍常數 $k$ 使：

$$
A=kR
$$

對所有合法 artifact–market states 成立。進一步地，只觀察評論數 $R$ 時，採用量 $A$ 與評論傾向 $\rho$ 一般不可識別；對任何 $A\ge R>0$，皆可取：

$$
\rho=\frac{R}{A}
$$

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：

$$
\text{Adoption}
\rightarrow
\text{Reviews / WOM}
\rightarrow
\text{Future Exposure and Adoption}.
$$

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：

$$
\boxed{
\text{Reviews}
\neq
\text{Popularity}
\neq
\text{Sales}
\neq
\text{Adoption}
}
$$

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：

$$
Q\not\Rightarrow S,
$$

$$
\text{Existence}
\neq
\text{Discoverability},
$$

$$
\text{Same Exposure}
\not\Rightarrow
\text{Same Opportunity},
$$

以及：

$$
E[N_{\mathrm{adopt}}]
\le
K_A^{\mathrm{eff}}.
$$

現在進入時間動態。

假設我們看到一個 artifact：

$$
R=300
$$

則能不能推論：

$$
A\approx kR?
$$

答案是：

$$
\boxed{
\text{可以作局部 proxy，但不能當普遍固定關係。}
}
$$

原因不是評論無用，而是評論生成本身有另一個隱變數：

$$
\boxed{
\text{Review Propensity}.
}
$$

---

## 2. 基本狀態變數

對 artifact $A$，定義：

$$
A_t
$$

為截至時間 $t$ 的累積 unique adoption。

定義：

$$
S_t
$$

為銷售事件／交易量。

若一次採用對應一次購買：

$$
S_t\approx A_t.
$$

但免費產品、多人帳號、subscription、repeat purchase 或退款環境中：

$$
S_t
\neq
A_t.
$$

---

## 3. Review Count

定義：

$$
R_t
$$

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 $R_t$。

social buzz 另放入：

$$
W_t.
$$

---

## 4. Review Propensity

對第 $i$ 位 adopter，定義：

$$
Z_i
=
\mathbf 1
[
\text{adopter }i
\text{ writes an effective review}
].
$$

則：

$$
R
=
\sum_{i=1}^{A}Z_i.
$$

定義：

$$
\rho_i
=
P(Z_i=1).
$$

若簡化為同質 review propensity：

$$
\rho_i=\rho,
$$

則：

$$
E[R\mid A]
=
\rho A.
$$

---

## 5. 時變 Review Propensity

現實中：

$$
\rho_t
$$

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：

$$
E[\Delta R_t]
=
\rho_t
E[\Delta A_t].
$$

累積：

$$
E[R_T]
=
\sum_{t=1}^{T}
\rho_t
E[\Delta A_t].
$$

---

# 6. Effective Review Propensity

定義 sales/adoption-weighted 平均：

$$
\bar\rho_T
=
\frac{
\sum_{t=1}^{T}
\rho_t\Delta A_t
}{
A_T
}.
$$

則：

$$
E[R_T]
=
\bar\rho_TA_T.
$$

所以局部 review multiplier：

$$
k_T
=
\frac{A_T}{E[R_T]}
=
\frac{1}{\bar\rho_T}.
$$

真正變動的是：

$$
\boxed{
\bar\rho_T.
}
$$

---

# 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：

$$
(A_1,\rho_1),
\qquad
(A_2,\rho_2),
$$

且：

$$
\rho_1\neq\rho_2.
$$

若：

$$
E[R_i]
=
\rho_iA_i,
$$

則不存在一個普遍常數：

$$
k
$$

使：

$$
A_i
=
kE[R_i]
$$

對兩者同時成立。

### 證明

若存在：

$$
A_i=kE[R_i],
$$

則：

$$
A_i
=
k\rho_iA_i.
$$

對：

$$
A_i>0,
$$

有：

$$
k=\frac1{\rho_i}.
$$

因此同時必須：

$$
k=\frac1{\rho_1}
=
\frac1{\rho_2}.
$$

這要求：

$$
\rho_1=\rho_2,
$$

與前提矛盾。

所以不存在普遍固定 $k$。

$$
\boxed{\square}
$$

---

## 8. 定理的實際含義

因此：

$$
\boxed{
\text{Reviews}\times k
}
$$

若要有意義， $k$ 必須是：

$$
\boxed{
\text{platform-, genre-, period-, and community-conditioned}.
}
$$

不是全球固定常數。

---

# 9. Review–Adoption Non-Identifiability Theorem

### 定理 2

只觀察：

$$
R>0
$$

時，若未知：

$$
\rho,
$$

則 adoption：

$$
A
$$

一般不可識別。

### 證明

對任意：

$$
A\ge R,
$$

取：

$$
\rho
=
\frac{R}{A}.
$$

因：

$$
0<\rho\le1,
$$

皆為合法 review propensity。

且：

$$
\rho A
=
R.
$$

所以相同 $R$ 可以由無限多組：

$$
(A,\rho)
$$

生成。

故只由 $R$ 無法唯一恢復 $A$。

$$
\boxed{\square}
$$

---

## 10. Proxy Interval

若研究者知道：

$$
\rho
\in
[\rho_{\min},\rho_{\max}],
$$

則：

$$
E[R]=\rho A
$$

給出：

$$
\boxed{
\frac{R}{\rho_{\max}}
\le
A
\le
\frac{R}{\rho_{\min}}.
}
$$

所以 review multiplier 最合理的形式不是單點：

$$
A=kR,
$$

而是：

$$
\boxed{
A
\in
[k_{\min}R,k_{\max}R].
}
$$

其中：

$$
k_{\min}
=
\frac1{\rho_{\max}},
$$

$$
k_{\max}
=
\frac1{\rho_{\min}}.
$$

---

# 11. Review Multiplier Surface

進一步定義：

$$
k
=
k
(
p,g,r,\tau,c
),
$$

其中：

- $p$：platform；
- $g$：genre / product class；
- $r$：region；
- $\tau$：release age；
- $c$：community structure。

稱：

$$
\boxed{
\text{Review Multiplier Surface}.
}
$$

因此真正的估計問題是：

$$
\boxed{
\text{estimate }k(\cdot),
}
$$

而不是尋找一個宇宙常數。

---

## 12. Reviewer Composition

假設 adopter 有：

$$
G
$$

類。

每類比例：

$$
\alpha_g,
$$

review propensity：

$$
\rho_g.
$$

則：

$$
\bar\rho
=
\sum_{g=1}^{G}
\alpha_g\rho_g.
$$

如果 early adopters 與 late adopters 的：

$$
\alpha_g
$$

不同，

則：

$$
\bar\rho_t
$$

自然改變。

---

# 13. Selection Bias in Reviews

評論者不是 adopter 的隨機樣本。

即：

$$
P
(
u\text{ reviews}
\mid
u\text{ adopts}
)
$$

可能與 satisfaction、extremity、community engagement、identity、badge incentive 有關。

所以：

$$
\boxed{
\text{Reviewer Population}
\neq
\text{Adopter Population}.
}
$$

---

# 14. Rating Valence

令：

$$
V_t^{R}
$$

表示評論平均 valence。

但：

$$
V_t^{R}
$$

只是在 reviewers 條件下的平均：

$$
E[
\text{rating}
\mid
\text{review written}
].
$$

所以一般：

$$
V_t^{R}
\neq
E[
\text{satisfaction}
\mid
\text{all adopters}
].
$$

---

# 15. Rating 不等於 Quality

因此：

$$
\boxed{
\text{Average Rating}
\neq
\text{Artifact Quality}.
}
$$

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：

$$
R_t
=
\text{Volume},
$$

與：

$$
V_t^{R}
=
\text{Valence}.
$$

再加入：

$$
L_t^{R}
=
\text{Review Visibility},
$$

以及：

$$
H_t^{R}
=
\text{Review Helpfulness / Influence}.
$$

所以 eWOM 本身就是多維狀態。

---

# 17. WOM State Vector

本文定義：

$$
\boxed{
\mathbf W_t
=
(
R_t,
V_t^{R},
L_t^{R},
H_t^{R},
G_t^{R}
).
}
$$

其中：

$$
G_t^{R}
$$

表示 reviewer / network dispersion。

因此：

$$
W_t
$$

不能只用評論數表示。

---

# 18. Adoption Produces WOM

第一條動態：

$$
\boxed{
\text{Adoption}
\rightarrow
\text{WOM}.
}
$$

最簡：

$$
\Delta R_t
=
\rho_t\Delta A_t
+
\epsilon_t^{R}.
$$

銷量／採用越多，潛在 reviewer pool 通常越大。

---

# 19. WOM Produces Future Adoption

第二條：

$$
\boxed{
\text{WOM}
\rightarrow
\text{Future Adoption}.
}
$$

可以寫：

$$
\Delta A_{t+1}
=
F
(
D_t,
P_t,
\mathbf W_t,
Q,
K_A^{\mathrm{eff}},
\epsilon_t^A
).
$$

因此：

$$
A_t
$$

與：

$$
R_t
$$

存在雙向因果。

---

# 20. Dynamic Feedback Loop

核心結構：

$$
\boxed{
A_t
\rightarrow
R_t
\rightarrow
D_{t+1}
\rightarrow
A_{t+1}.
}
$$

更完整：

$$
A_t
\rightarrow
\mathbf W_t
\rightarrow
P_{t+1}
\rightarrow
D_{t+1}
\rightarrow
A_{t+1}.
$$

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：

$$
\boxed{
\text{reviews and sales should not be modeled as one-way variables by default}.
}
$$

---

# 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：

$$
\boxed{
\text{review valence}
}
$$

與：

$$
\boxed{
\text{review volume}
}
$$

也不能被當成同一信號。

---

# 23. Meta-Analytic Heterogeneity

eWOM meta-analysis 顯示：

$$
\text{eWOM effect on sales}
$$

會依：

- platform；
- product；
- metric；
- review-site characteristics

改變。

因此：

$$
\boxed{
\text{WOM elasticity is heterogeneous}.
}
$$

這與本文「不存在 universal multiplier」完全一致。

---

# 24. Sales-to-WOM Elasticity

定義：

$$
\varepsilon_{R,A}
=
\frac{
\partial\log R
}{
\partial\log A
}.
$$

若 review propensity 固定：

$$
R=\rho A,
$$

則：

$$
\varepsilon_{R,A}=1.
$$

但若：

$$
\rho=\rho(A,t),
$$

則：

$$
\varepsilon_{R,A}
=
1
+
\frac{
\partial\log\rho
}{
\partial\log A
}.
$$

所以評論不必與 adoption 成比例成長。

---

# 25. WOM-to-Sales Elasticity

定義：

$$
\varepsilon_{A,W}
=
\frac{
\partial\log A_{t+1}
}{
\partial\log W_t
}.
$$

此量可以依：

- product type；
- competition；
- platform；
- trialability；
- review credibility

變動。

因此：

$$
\varepsilon_{A,W}
$$

不能視為固定市場常數。

---

# 26. Review Saturation

當：

$$
R_t
$$

已很大，

新增一則評論的資訊價值可能下降。

可寫：

$$
I_R(R)
=
1-e^{-\alpha R}.
$$

則：

$$
I_R'(R)>0,
$$

$$
I_R''(R)<0.
$$

因此：

$$
\boxed{
\text{Review Volume}
}
$$

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：

$$
R_t
$$

與：

$$
V_t^{R}
$$

不只是當期狀態。

其初始條件：

$$
(R_0,V_0^R)
$$

可能改變整個後續軌跡。

---

# 28. Popularity

定義：

$$
P_t
$$

為 public attention / adoption salience。

它可以由：

- concurrent users；
- rank；
- views；
- mentions；
- wishlists；
- search interest

組合。

因此：

$$
\boxed{
P_t
\neq
A_t.
}
$$

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：

$$
P_{t+1}
=
(1-\delta_P)P_t
+
\alpha_A\Delta A_t
+
\alpha_WW_t
+
\xi_t.
$$

其中：

$$
\delta_P>0
$$

表示注意力衰減。

而：

$$
A_{t+1}
=
A_t+\Delta A_t.
$$

所以：

$$
\boxed{
\text{Popularity is a decaying attention state},
}
$$

$$
\boxed{
\text{Adoption is a cumulative stock}.
}
$$

---

# 30. Popularity–Sales Gap

定義：

$$
G_{PS}(t)
=
\frac{
P_t
}{
A_t+\epsilon
}.
$$

高：

$$
G_{PS}
$$

表示相對銷量／採用而言人氣很高。

低：

$$
G_{PS}
$$

表示採用很多，但即時 public buzz 不高。

所以：

$$
\boxed{
\text{high buzz}
\neq
\text{high installed base}.
}
$$

---

# 31. Sales vs Adoption

對一次性付費遊戲可能：

$$
S_t\approx A_t.
$$

對 subscription：

$$
S_t
$$

可以包含 repeat payments。

對 free-to-play：

$$
A_t\gg S_t
$$

若 $S_t$ 指付費交易。

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：

$$
Y_t
$$

為 revenue。

則：

$$
Y_t
=
\sum_{u}
p_{u,t}I_{u,t}.
$$

即使：

$$
A_t
$$

相同，不同 pricing／repeat spending 也可：

$$
Y_t^{(1)}
\neq
Y_t^{(2)}.
$$

所以：

$$
\boxed{
\text{Reviews}
\not\Rightarrow
\text{Revenue by a fixed multiplier}.
}
$$

---

# 33. Review-Corrected Adoption Estimator

若有估計：

$$
\hat\rho(A,p,g,t),
$$

則：

$$
\boxed{
\hat A
=
\frac{
R
}{
\hat\rho
}.
}
$$

但必須同時給 uncertainty：

$$
\operatorname{Var}(\hat A).
$$

若 $\rho$ 估計不穩，單一 sales estimate 應避免過度精確。

---

# 34. Bayesian Proxy Estimate

給 prior：

$$
p(\rho),
$$

觀察：

$$
R,
$$

可以估：

$$
p(A\mid R)
=
\int
p(A,\rho\mid R)
\,d\rho.
$$

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：

$$
\mathcal C
=
\{
(A_i,R_i)
\}_{i=1}^{n}.
$$

估：

$$
\hat k_{\mathcal C}
=
\operatorname{median}
\left(
\frac{A_i}{R_i}
\right).
$$

並報告：

$$
[
k_{0.1},
k_{0.9}
]
$$

等 quantile interval。

因此：

$$
\boxed{
\text{local empirical multiplier}
}
$$

可以實用，

但不等於普遍定律。

---

# 36. Proxy Transportability

若 multiplier 從 cohort：

$$
\mathcal C_1
$$

搬到：

$$
\mathcal C_2,
$$

需要：

$$
P(\rho\mid\mathcal C_1)
\approx
P(\rho\mid\mathcal C_2).
$$

否則：

$$
\boxed{
\text{proxy transport failure}.
}
$$

---

# 37. Review Solicitation

平台或企業主動要求 review，會直接改變：

$$
\rho.
$$

因此：

$$
R
$$

上升不一定來自：

$$
A
$$

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：

$$
\rho
=
\rho
(
u,
p,
t,
\text{incentives},
\text{peers}
).
$$

評論量是一個行為結果，不是自動 transaction counter。

---

# 39. Review Visibility

即使：

$$
R
$$

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：

$$
\boxed{
\text{visible effective WOM},
}
$$

而不是 raw count。

---

# 40. Effective Review Mass

定義每則 review $i$ 權重：

$$
w_i
=
v_i
h_i
c_i
r_i,
$$

其中：

- $v_i$：visibility；
- $h_i$：helpfulness；
- $c_i$：credibility；
- $r_i$：relevance。

定義：

$$
R_{\mathrm{eff}}
=
\sum_iw_i.
$$

因此：

$$
R_{\mathrm{eff}}
\neq
R.
$$

---

# 41. WOM Reproduction

一則 review 也可能促使：

- 新購買；
- 新評論；
- 新社群討論。

定義：

$$
\mathcal R_{\mathrm{WOM}}
=
E[
\text{new effective WOM artifacts caused by one WOM artifact}
].
$$

若：

$$
\mathcal R_{\mathrm{WOM}}>1
$$

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：

$$
\mathcal R_{\mathrm{ext}}
$$

同構，但對象是 artifact-level WOM。

---

# 42. Adoption Reproduction Number

定義：

$$
\mathcal R_A
=
E[
\text{new adoptions caused by one existing adopter through WOM}
].
$$

在最簡 diffusion approximation 中：

$$
\mathcal R_A
$$

描述 organic adoption 的再生強度。

但它受到：

$$
K_A^{\mathrm{eff}}-A_t
$$

剩餘市場限制。

---

# 43. Saturating WOM Diffusion

可寫：

$$
\Delta A_t^{\mathrm{WOM}}
=
\beta
A_t
\left(
1-\frac{A_t}{K_A^{\mathrm{eff}}}
\right).
$$

這與有限市場 diffusion 思想一致。

當：

$$
A_t\rightarrow
K_A^{\mathrm{eff}},
$$

有：

$$
\Delta A_t^{\mathrm{WOM}}
\rightarrow0.
$$

因此：

$$
\boxed{
\text{strong WOM cannot exceed audience capacity indefinitely}.
}
$$

---

# 44. External vs Internal Adoption Pressure

可以分：

$$
\Delta A_t
=
\underbrace{
p_t
\left(
K-A_t
\right)
}_{\text{external / promotion}}
+
\underbrace{
q_t
\frac{A_t}{K}
\left(
K-A_t
\right)
}_{\text{WOM / imitation}}.
$$

此形式與 Bass-type innovation / imitation separation 同構。

但本文允許：

$$
p_t,
q_t
$$

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：

$$
q_t
$$

應視為：

$$
q(t).
$$

這與本文的動態 WOM state 完全一致。

---

# 46. WOM Quality

口碑不只要看量。

令：

$$
Q_W(t)
=
F
(
V_t^{R},
H_t^{R},
G_t^{R},
\text{credibility}
).
$$

則：

$$
\Delta A_{t+1}
$$

可以依：

$$
R_tQ_W(t)
$$

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：

$$
F(V^R)
$$

不應預設線性。

可以：

$$
\left|
\frac{\partial A}{\partial V^-}
\right|
>
\left|
\frac{\partial A}{\partial V^+}
\right|.
$$

---

# 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：

$$
\boxed{
\text{更多評論}
}
$$

和：

$$
\boxed{
\text{更好評論}
}
$$

是不同 intervention。

---

# 49. Review Count as Social Proof

評論量本身也可以成為 popularity signal：

$$
R_t\uparrow
\Rightarrow
P_t\uparrow.
$$

因此 review count 不只被動記錄 sales，也可能主動改變 future discovery。

這加深：

$$
A
\leftrightarrow
R
$$

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：

$$
R.
$$

而是：

$$
\mathbf I_t
=
(
R_t,
V_t^R,
P_t,
S_t^{\mathrm{display}},
\ldots
).
$$

---

# 51. Dynamic System

本文提出最簡 WADCS：

$$
A_{t+1}
=
A_t
+
F_A
(
D_t,
P_t,
\mathbf W_t,
K_A^{\mathrm{eff}}-A_t
)
+
\epsilon_t^A,
$$

$$
R_{t+1}
=
R_t
+
\rho_t
\left(
A_{t+1}-A_t
\right)
+
\epsilon_t^R,
$$

$$
P_{t+1}
=
(1-\delta_P)P_t
+
\alpha_A\Delta A_t
+
\alpha_RR_t
+
\alpha_WW_t
+
\epsilon_t^P.
$$

這是 phenomenological scaffold，不是唯一模型。

---

# 52. Fixed Point

若市場有限：

$$
A_t\rightarrow
K_A^{\mathrm{eff}},
$$

則新增 adoption：

$$
\Delta A_t\rightarrow0.
$$

若沒有額外 review-generation shock：

$$
\Delta R_t\rightarrow0.
$$

人氣若有衰減：

$$
P_t
$$

可以下降。

因此成熟 artifact 可以：

$$
A_t\gg0
$$

但：

$$
P_t\ll1.
$$

---

# 53. Old Hit State

定義：

$$
A_t\gg0,
$$

$$
R_t\gg0,
$$

但：

$$
P_t\ll1.
$$

稱：

$$
\boxed{
\text{Legacy Adoption / Low Current Popularity State}.
}
$$

所以累積銷量大不等於現在仍熱門。

---

# 54. Viral Launch State

反過來可以：

$$
P_t\gg0,
$$

$$
R_t\gg0,
$$

但：

$$
A_t
$$

仍然不高，尤其在 pre-order、demo、free exposure、controversy 情況。

所以：

$$
\boxed{
\text{Current Popularity}
\not\Rightarrow
\text{Cumulative Adoption}.
}
$$

---

# 55. High-Rating Low-Sales State

合法狀態：

$$
V_t^R\gg0,
$$

但：

$$
R_t\ll1,
$$

$$
A_t\ll1.
$$

可能只代表少量高度匹配 early adopters。

所以：

$$
\boxed{
\text{High Average Rating}
\not\Rightarrow
\text{High Sales}.
}
$$

---

# 56. High-Reviews Low-Rating State

也可：

$$
R_t\gg0,
$$

$$
V_t^R\ll1.
$$

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：

$$
\eta_t^R
$$

為外生 review shock。

則：

$$
\Delta R_t
=
\rho_t\Delta A_t
+
\eta_t^R.
$$

若：

$$
|\eta_t^R|
$$

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：

$$
g(\tau).
$$

則：

$$
E[\Delta R_t]
=
\sum_{\tau\ge0}
g(\tau)
\rho_{t-\tau}
\Delta A_{t-\tau}.
$$

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：

$$
\Delta A_t^{R}
=
\sum_{\tau\ge0}
h(\tau)
\Phi(\mathbf W_{t-\tau}).
$$

因此：

$$
\boxed{
\text{WOM effect has temporal memory}.
}
$$

---

# 60. Cross-Platform Reviews

artifact 可同時存在平台：

$$
p=1,\ldots,P.
$$

則：

$$
R_t
=
\sum_p
R_{p,t}.
$$

但不同平台 review propensity：

$$
\rho_{p,t}
$$

與 WOM effect：

$$
\beta_{p,t}
$$

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：

$$
R_{\mathrm{norm}}
=
\sum_p
w_p
\frac{
R_p
}{
\hat\rho_p
}.
$$

此量更接近 platform-corrected adoption proxy。

但 $w_p$ 仍需處理重疊 owners / users。

---

# 62. Duplicate Adopters

同一使用者可能在多平台：

$$
u\in p_1,p_2.
$$

因此：

$$
\sum_pA_p
$$

不等於 unique adopters。

定義 overlap：

$$
O_{pq}.
$$

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：

$$
R.
$$

不可識別。

### Level 1

知道：

$$
\rho\in[\rho_{\min},\rho_{\max}].
$$

得到 interval。

### Level 2

有 matched cohort：

$$
\hat\rho(p,g,t).
$$

得到 calibrated estimate。

### Level 3

有 transaction / owner ground truth。

可直接驗證 multiplier。

所以：

$$
\boxed{
\text{proxy confidence depends on identification level}.
}
$$

---

# 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：

$$
(
A_t,
S_t,
R_t,
V_t^R,
L_t^R,
P_t,
D_t,
W_t,
K_A^{\mathrm{eff}}
).
$$

---

# 65. Artifact 類型

至少包含：

1. paid games；
2. free-to-play games；
3. books；
4. apps；
5. films；
6. software；
7. academic papers；
8. subscription services；
9. high-WOM niche products；
10. low-WOM mass products。

---

# 66. Ground-Truth Cohort

最好取得具有：

$$
(A_t,R_t)
$$

真值的 artifact。

估計：

$$
\rho_{A,t}
=
\frac{
\Delta R_t
}{
\Delta A_t
}.
$$

再分析：

$$
\rho
$$

對 platform、genre、age 與 community 的變異。

---

# 67. Review Multiplier Distribution

對 cohort：

$$
k_i
=
\frac{
A_i
}{
R_i
}.
$$

不只報 mean。

應報：

$$
\operatorname{median}(k),
$$

$$
IQR(k),
$$

$$
Q_{0.1}(k),
$$

$$
Q_{0.9}(k).
$$

如此才能知道 heuristic 的不確定性。

---

# 68. Dynamic Multiplier Drift

定義：

$$
k_A(t)
=
\frac{
A_t
}{
R_t+\epsilon
}.
$$

若：

$$
\frac{dk_A}{dt}\neq0,
$$

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

$$
\operatorname{Var}
(k\mid p,g,t)
$$

雖可能下降，但跨 platform / genre 的：

$$
\operatorname{Var}(k)
$$

應顯著大於零。

### H2：Review-Propensity Drift

同 artifact：

$$
\rho_t
$$

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

$$
R_{\mathrm{eff}}
$$

比 raw：

$$
R
$$

更能預測 future adoption。

### H5：Popularity–Adoption Separation

即時：

$$
P_t
$$

與累積：

$$
A_t
$$

在成熟 artifact 中出現系統性解耦。

---

# 70. 與 Paper 04 的統一

Paper 04 給：

$$
K_A^{\mathrm{eff}}
$$

作為 audience capacity。

Paper 05 的 adoption dynamics 必須滿足：

$$
A_t
\le
K_A^{+}
$$

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：

$$
D_t.
$$

Paper 05 的 WOM 又會反過來改變未來：

$$
P_t
$$

與：

$$
D_{t+1}.
$$

所以：

$$
\boxed{
\text{Routing}
\rightarrow
\text{Adoption}
\rightarrow
\text{WOM}
\rightarrow
\text{Future Routing Opportunity}.
}
$$

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：

$$
X_{\mathrm{ext}}
$$

與 public prominence。

因此：

$$
\boxed{
\text{Artifact WOM}
\rightarrow
\text{Creator Public Graph}.
}
$$

反過來 creator fame 又可提高：

$$
D_0
$$

與初始：

$$
P_0.
$$

---

# 73. 理論邊界

本文不主張：

1. reviews 對 sales 一定為正；
2. 所有 reviewer 都獨立；
3. review propensity 可精確知道；
4. sales 與 adoption 永遠相同；
5. 平均 rating 等於 quality；
6. WOM 只來自 reviews；
7. review volume 永遠線性影響 sales；
8. fixed multiplier 完全沒有實務價值；
9. 所有產品都遵循相同 diffusion curve；
10. popularity 與 sales 無關。

本文只主張：

$$
\boxed{
\text{Review Count Is a Conditional Proxy, Not a Universal Counter}.
}
$$

以及：

$$
\boxed{
\text{Reviews, WOM, Popularity, Sales, and Adoption form a dynamic coupled system}.
}
$$

---

# 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：

$$
A
\approx
kR
$$

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 $k$？

只要：

$$
\rho
$$

不是固定常數，答案就是：

$$
\boxed{
\text{不存在}.
}
$$

本文證明：

$$
E[R]=\rho A
$$

且：

$$
\rho_1\neq\rho_2
$$

時，不存在共同：

$$
k
$$

使：

$$
A=kR
$$

普遍成立。

更進一步，只知道：

$$
R
$$

時：

$$
(A,\rho)
$$

不可識別。

所以最合理的 proxy 不是：

$$
\boxed{
A=kR
}
$$

而是：

$$
\boxed{
A
\in
[k_{\min}R,k_{\max}R]
}
$$

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：

$$
\boxed{
\text{Adoption}
\rightarrow
\text{WOM}
\rightarrow
\text{Popularity / Discovery}
\rightarrow
\text{Future Adoption}.
}
$$

因此：

$$
\boxed{
\text{Reviews}
\neq
\text{Popularity}
\neq
\text{Sales}
\neq
\text{Adoption}.
}
$$

Series II 到此已經把：

$$
Q,
D,
\text{Routing},
K_A^{\mathrm{eff}},
W,
P,
A,
S
$$

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：

$$
\boxed{
\text{品質—名氣—成功象限與非單調動力學}.
}
$$

---

## 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

1. Paper 01：品質不推出成功：基本非等價理論  
2. Paper 02：Discoverability：存在、可搜尋與被發現的區別  
3. Paper 03：注意力路由與轉換場  
4. Paper 04：窄域高品質與受眾上界  
5. **Paper 05：口碑、知名度、銷量與採用率的動態耦合**  
6. Paper 06：品質—名氣—成功象限與非單調動力學