服务运营 | 怎样才能更开心？考虑心理效应的服务设计-CSDN博客

本文链接：https://blog.csdn.net/weixin_53463894/article/details/140303660

编者按：

互联网在很大程度上削弱了拥有奢侈品的排他性，“更具排他性的不是商品的积累，而是记忆的积累。”Mastercard的高管萨拉•昆兰(Sarah Quinlan)曾说到，未来消费者支出的增长将主要来自旅游和休闲等“体验”领域。在服务体验设计中，经常需要考虑人的心理过程，例如损失厌恶、记忆衰退、适应等。

下面我们选取了关于考虑心理效应的服务设计的三篇研究进行介绍，包括如何设计体验型服务的最优顺序、企业如何给工人安排工作和休息的时间以及视频平台如何动态更新内容以吸引顾客。

The Design of Experiential Services with Acclimation and Memory Decay: Optimal Sequence and Duration

Reference

Aparupa Das Gupta, Uday S. Karmarkar, Guillaume Roels (2015) The Design of Experiential Services with Acclimation and Memory Decay: Optimal Sequence and Duration. Management Science 62(5):1278-1296.

原文链接

https://doi.org/10.1287/mnsc.2015.2172

Problem

许多以消费者体验为中心的服务通过提供让客户难忘的体验来获得竞争优势。然而，关于如何科学有效地设计这些体验的研究却很少。本文重点解决了如何安排和设计服务体验中活动的顺序和持续时间，以在考虑客户适应过程(acclimation)和记忆衰减(memory decay)的情况下最大化客户的满意度。

Method

首先，作者引入了记忆衰减和适应过程两个概念。

记忆衰减的意思是客户对过去的体验会逐渐淡忘，而对最近的体验记忆更深刻。因此，瞬时效用（即时的愉悦或不愉悦）受时间加权，越接近服务结束的瞬时效用权重越大。这一记忆过程被称为“向后折扣”，并使用Ebbinghaus的指数遗忘模型来描述：

$S(i_1, \ldots, i_n | t) $：表示服务体验结束后的总体满意度。
$u_{i_k}(t)$ ：客户在时间 t 时的瞬时效用。
$T_k$ : 第 k 个活动结束时的时间点。
$w$ : 记忆衰减速率，决定了过去的效用在总体满意度中的权重。
适应过程描述了客户对持续状态的适应能力，通常情况下，客户对某种状态逐渐习惯后，获得的效用会下降。为了描述这一现象，作者引入了适应过程的微分方程：

$b (t)$ : 时间 t 时的参考水平(reference level )
$x (t)$ : 当前的服务水平
$\alpha$ : 适应速率，表示参考点改变的速度
解这个微分方程可以得到瞬时效用的表达式：

然后，作者将记忆衰减和适应过程结合起来，构建了一个综合的客户满意度模型

这个公式综合考虑了瞬时效用在时间上的加权（记忆衰减）和适应过程，表示了在给定活动顺序和时长下的总体满意度。

同时，作者提出了优化模型解决服务设计问题（SPDP），旨在通过控制活动的顺序和时长来最大化客户满意度。

$\tau_i \leq t_i \leq \bar{\tau}_i$ ：活动 i 的最小和最大时长约束。

最后，作者在不同的情境下分析了最优解决方案，包括：

活动顺序可变但时长固定（VSFD）
活动顺序固定但时长可变（FSVD）
活动顺序和时长均可变（VSVD）

每种情境下的分析详细阐述了如何根据记忆衰减和适应的速率来优化服务设计。

Main Results

单独考虑记忆衰减或适应过程时的最佳设计：

无论是只考虑记忆衰减还是只考虑适应过程，最佳的服务设计都是在服务结束时提供最高水平的服务，并延长这些高水平服务的持续时间。

同时考虑记忆衰减和适应过程时的最佳设计：

当记忆衰减和适应过程同时存在时，最佳的设计是将活动按U形排列：在开始和结束时提供高水平的服务，而中间部分提供较低的服务水平。这种设计可以确保在服务结束时达到最大的满意度提升。

短期和长期体验的不同策略：

对于短期体验（如一天的活动），活动应按递增顺序安排，并将时间主要分配给最高水平的服务。
对于长期体验（如一周的活动），活动应按U形排列，并将时间主要分配给最低水平的服务，以确保结束时有显著的满意度提升。

Why recommend

文章成功地将心理学中的适应过程和记忆衰减理论引入到服务设计的领域。这种跨学科的融合不仅拓展了服务设计的理论基础，也为理解和优化客户体验提供了新的视角。
文章不仅提供了理论模型，还提出了具体的服务设计建议，例如，短期服务体验应该安排成渐强的顺序，而长期服务体验则应采用U形顺序，并在结束时确保有陡峭的服务水平上升。这些建议为实际操作提供了明确的指导，具有很强的实践应用价值。

It Is Time to Get Some Rest

Reference

Manel Baucells, Lin Zhao (2019) It Is Time to Get Some Rest. Management Science 65(4):1717-1734.

原文链接

https://doi.org/10.1287/mnsc.2017.3018

Problem

疲劳（fatigue）被认为是影响工作成本和降低生产力的重要因素，它是一种随着持续努力（effort）而积累并在休息时消退的状态，影响着个人的表现和幸福感。

该文章探讨了连续时间框架内疲劳、努力和生产力之间的复杂关系。所要解决的核心问题是个人或系统应如何随着时间的推移最佳地分配他们的努力，以平衡疲劳的积累和休息的愿望，同时最大限度地提高生产力并最大限度地减少不适或负效用。

文章试图解决的问题有：

了解疲劳如何影响个人的时间偏好和有关努力分配的决策。
确定努力的最佳时间模式，以最大限度地减少疲劳的负效用，同时最大限度地提高生产力。
解决现有模型的局限性，特别是时间可分离偏好模型（未能解释过去努力对当前偏好和绩效的遗留影响）。

Method

作者使用连续时间模型来表述疲劳、努力和生产力之间的关系。他们为模型赋予了三个关键属性：单调和边际成本递增、连续性和条件平稳性。首先，他们给出了疲劳负效用模型（Fatigue Disutility Model），将疲劳概念形式化为状态变量：

其中，

$Y_0 ≥ 0$ 为疲劳状态初始值；
$\gamma > 0$ 为疲劳状态恢复率，其值越大意味着努力程度为零之后疲劳状态值衰减得越快；
在该公式下，疲劳被建模为受近期努力影响的存量，模型能够通过此捕捉过去的努力对当前偏好和表现的持续影响。

则疲劳负效用模型为：

其中 $\delta$ 为折扣率（discount rates）， $g (Y)$ 为成本函数， $Y (t)$ 即为之前给出的状态变量。

接着，文章利用以下公式来衡量在某努力值 $k$ 和时间点 $t$ 下，个人稍微推迟努力的相对意愿，从而在模型中引入时间偏好（time preference）：

利用这些模型以及对它们进行数学上的适当变换，作者接下来：

探讨了当努力可以连续变化（Rate）和以离散量（Impulse）出现时，随时间最优分配努力的方式；
在努力率有界（bounded rates）的情况下（即在任何给定时间可以应用的努力有一个最大限制），确定了在这约束条件下的最优努力配置，并揭示出一个分段（最大努力期、休息期和最后的高努力阶段）恒定的努力率；
检查了当努力必须以开/关方式（on/off manner）应用时的最优努力安排，即要么全力以赴要么完全不努力（适用于需要持续专注的任务）。

Main Results

该模型预测了遵循高-低-高模式（High-Low-High Pattern）的最佳努力时间曲线。这意味着努力在任务开始时应该很高，在中间阶段降低到较低水平，然后在结束时再次增加。这种模式是疲劳动态的直接结果，最初的高努力会导致疲劳积累，需要一段时间减少努力以恢复，然后最后努力完成任务。同时结果表明，最佳努力分配取决于初始疲劳程度和所需的总努力量。对于总努力要求较低的任务，最好将努力推迟到疲劳消退之后；而对于要求更高的任务，最好从最初的爆发式努力开始，然后持续努力，最后增加努力率。
该模型表明疲劳会对生产力产生负面影响，生产力函数会随着疲劳的增加而下降。这种关系强化了H-L-H模式的重要性，因为它允许休息一段时间，有助于保持生产力。并且，努力的边际瞬时负效用会随着疲劳程度的增加而增加。高努力阶段的负效用增加会激励人们减少努力和休息，从而导致低努力阶段。此外，最小化负效用的最佳努力曲线在结构上与最大化生产力或最大化扣除负效用后的生产力曲线相同。这表明，减少疲劳和不适的努力也会提高生产力。
最佳休息安排对于减少疲劳和提高生产力至关重要：更频繁的短暂休息有利于消除疲劳，使个人能够更接近最佳的H-L-H努力模式。

a.最佳休息次数并不固定，取决于所需的总努力量和个人的初始疲劳程度。

b.整个工作期间的最佳休息安排并不统一。休息应有策略性地安排以最大限度地发挥其恢复效益，例如在工作结束时延长休息时间以恢复积累的疲劳，以及在整个工作期间缩短休息时间，增加休息频率以防止疲劳加剧。

c.休息时间应根据疲劳动态进行优化。疲劳程度高时，较长的休息时间更有益，可实现更显著的恢复。然而，过长的休息也会扰乱工作节奏，在疲劳程度低时可能没有必要。

d.最后的休息对于让个人在工作结束时从高强度工作阶段积累的疲劳中恢复至关重要。
该模型还提供了对疲劳影响下的时间偏好的洞察。它解释了在时间偏好实验中观察到的异常现象，例如过度折扣（excessive discounting）、幅度效应（magnitude effects）、不耐烦减少（decreasing impatience）和高反应变异性（high response variability），这些都可以归因于疲劳对推迟任务意愿的影响。

a.过度折扣：解释了为什么个人在疲劳时可能会对未来奖励表现出更高的折扣率。当当前疲劳程度较高时，推迟任务的愿望会增加，因为个人预计休息将降低完成任务的未来成本。这导致了一种称为过度折扣的现象，由于疲劳的影响，未来奖励的价值相对于即时奖励较低。

b.幅度效应：未来任务或奖励的幅度/大小会影响其折扣程度。较大的任务或奖励可能会推迟得更少，因为它们的整体负效用较高，初始疲劳对总成本的影响相对较小。

c.不耐烦减少：随着疲劳的积累，该模型预测个人的不耐烦（希望尽早而不是推迟获得奖励）可能会减少。这是因为疲劳的增加使未来的任务更加繁重，从而降低了现在完成任务的紧迫性。在涉及延迟满足和推迟不愉快任务的实验中观察到了这种不耐烦减少的模式。

d.高反应变异性：如果疲劳程度随时间或个人而变化，预计折扣率也会变化。这意味着，为了获得更稳定的折扣率，实验者需要控制疲劳程度或确保参与者得到充分休息。

Why recommend

文章提供了一个理论框架，通过结合过去努力对当前偏好的影响解决了现有经济模型（特别是时间可分离模型）的局限性，并分析模型给出了政策建议，即鼓励采用H-L-H模式，例如设计内置休息时间的工作时间表、安排任务以允许最初付出大量努力然后恢复，以及提高疲劳管理意识。
该研究跨越了运营研究、行为经济学和心理学等多个学科，为不同领域的研究者提供了有价值的见解，并且，在快节奏和高压力的工作环境下，理解并管理疲劳对于维持个人的生产力和福祉也至关重要。

Intertemporal Content Variation with Customer Learning

Reference

Fernando Bernstein, Soudipta Chakraborty, Robert Swinney (2022) Intertemporal Content Variation with Customer Learning. Manufacturing & Service Operations Management 24(3):1664-1680.

原文链接

https://doi.org/10.1287/msom.2021.1025

Problem

现如今，存在一种固定价格、改变内容的重复购买商业模式。比如 Netflix、Apple TV+和Disney+等平台，为顾客提供内容（电影、电视剧)，每月收取固定的订阅费，且会定期更新视频资源。因此，顾客每次以固定价格重复购买产品（每月的会员），企业提供的内容（视频）是不断变化的。

这篇文章研究了企业如何在面对顾客重复购买的情况下，通过跨时间的内容变化来最大化收入的问题。

与动态定价（在每个时间段以变化的价格销售同一产品）不同，文章考虑的是跨时间内容变化（intertemporal content variation），即在每个时间段以相同的价格销售不同内容的产品。

顾客通过购买体验学习自己的效用，并决定是否在后续时间段再次购买。

那么，本研究主要解决的问题是，在考虑顾客心理和顾客学习的情况下，企业如何在有限的总内容预算下，将内容分配到不同的时间段，以吸引新顾客并保留现有顾客？

Method

首先，需要建模顾客的总效用：
$u_{it}=\theta_i+v_t+\epsilon_{it}-p$

$\theta_i$ 是顾客i的固定服务效用（该效用与企业本身的特性相关，不会随着内容的改变而改变），服从正态分布（异质顾客）。顾客在第一次使用服务后，能够准确了解服务效用 $\theta_i$ ；如果顾客之前没有使用过服务，只能基于服务的分布来估计潜在的效用。
$v_t$ 是时刻t的内容价值，由服务提供商选择，影响顾客的购买决策。
$\epsilon_{it}$ 是顾客i在时刻t对内容的特定偏好，服从正态分布。
$p$ 是内容的价格（给定）。

企业在决策各时刻的内容价值时，需要遵循如下的预算约束：
$\sum_{t=1}^Tv_t= V$
随后，文章基于“当效用 $u_{it}$ 为正时，顾客会进行购买”的假设，对总需求函数进行了建模：

$\alpha$ 是在规划期开始时已经使用过服务的顾客比例。
$\mu$ 是服务效用的均值。
$\sigma_\epsilon$ 是内容效用随机变量的标准差。
$\sigma_\theta$ 是服务效用随机变量的标准差。
$\Phi$ 和 $\bar{\Phi}$ 分别是标准正态分布的累积分布函数（CDF）和其互补函数。

需求函数的第一项是重复顾客的需求，为在规划期开始时的老顾客比例老顾客购买服务的概率的每个时期的加和；第二项是新顾客的需求，为在规划期开始时的新顾客比例在整个规划期内至少购买一次服务的新顾客的累积概率；第三项是新顾客在后续时间段的重复购买需求，为在时间t之前没有购买的新顾客在时间段t购买服务的概率。

这个需求函数结合了新顾客和老顾客的购买概率，以及他们对服务效用的学习过程，从而为服务提供商提供了一个量化工具，用以评估不同内容分配策略对总需求的影响。一旦顾客了解了企业提供的的服务效用，他们将基于已实现的服务效用、内容价值 $v_t$ 和购买价格 $p$ 来做出是否再次购买的决策。这种基于经验的决策过程体现了顾客学习对购买行为的影响。

在这个模型中，新顾客和老顾客的购买概率的计算方式是不同的。新顾客的购买概率取决于他们对服务效用的预期，而老顾客的购买概率则基于他们已知的服务效用。服务提供商在制定内容分配策略时，需要考虑到顾客通过学习获得的服务效用知识。这影响了服务提供商如何平衡吸引新顾客和保留现有顾客的策略。
本文的优化问题如下：