汪 蕾，杨一恺，郑杰慧,*，王小毅

基于消费者神经科学视角预测消费者行为：现状、挑战与未来

汪 蕾1,2，杨一恺1,2，郑杰慧1,2,*，王小毅1,2

（1.浙江大学 管理学院，浙江 杭州 310058；2.浙江大学 神经管理实验室，浙江 杭州 310027）

消费者神经科学自出现至今已不再局限于探索与消费者行为相关的神经机制，采用神经科学技术理解并预测消费者行为已成为消费者神经科学领域的一大研究热点，正在推动消费决策研究范式的转变。本文首先简要回顾了消费者神经科学的发展历程，然后围绕产品选择、体验偏好和广告效果这三个主题，着重评述了将功能性磁共振成像、脑电和眼动追踪技术应用于消费者行为预测的最新研究成果，最后提出了该领域发展的局限性以及未来需要突破的方向。本文有助于加深广大学者对国内外利用神经科学技术预测消费者行为研究的全面了解，从而拓展消费者行为学研究的深度和广度。

消费者神经科学；预测；消费者行为；消费者决策

0 引言

从亚当·斯密到泰勒，管理学研究迈出了从经验传授到“科学管理”的重要一步。由于研究范式和研究工具的局限性，仅仅依靠假设、建模、验证的实证研究并没能实现真正的科学有效[1]。大数据时代的到来，拓展了数据种类和数据来源，但数据客观与否依然受到质疑。21世纪是神经科学的时代，在管理学研究中引入对大脑的探索是科技发展和管理进步的必然趋势[2]，将助力管理学研究从主观走向客观。

管理就是决策[3]，对决策的研究一直是管理科学关注的焦点。长期以来，包括管理学、经济学和心理学等领域的学者们致力于消费者行为学的研究[4,5]，他们大多采用观察调研、因果模型、实验研究以及新兴的大数据智能方法展开[6]，其中实验研究已成为绝对的主导方法[7]。尤其是随着认知神经科学的快速发展，大量的脑活动测量仪器出现在人们的视野，这些工具可以直接测量消费者潜在的、无意识的神经活动，对于打开消费者大脑中的“黑匣子”有重要的意义。于是，越来越多的学者开始采用行为实验与神经科学技术相结合的方式来挖掘消费者行为背后的机理[8,9]，推动了神经科学技术与消费者决策研究的融合，促进了消费者决策研究范式的转变。由此，一个新的跨学科领域应运而生，通常称其消费者神经科学(Consumer Neuroscience[10]。作为神经经济学(Neuroeconomics)和神经管理学(Neuromangement)的一个分支[11]，消费者神经科学关注的是消费者决策过程的大脑机制及行为后果，是决策神经科学(Decision Neuroscience)领域广泛研究的一部分[12]。

随着学科的发展，消费者神经科学的研究方法在管理决策领域被逐步接纳和应用，消费者行为与神经科学融合的研究成果逐渐发表在营销学顶级期刊[13-15]。在过去的十几年中，相关研究集中于探索与消费者行为关联的脑区及神经机制，为消费者神经科学的发展奠定了坚实的基础[16-18]。近年来，由于神经科学方法可以相对准确客观地追踪消费者行为的相关数据，使得国内外学者开始结合神经科学数据将现有理论和模型应用于消费者行为的预测，从而将消费者神经科学的发展推向新高度[19-23]。

我国学者马庆国教授在2006年提出神经管理学的概念[11,24]，梳理了神经管理学的重要分支，并围绕消费者神经科学、神经决策学、神经营销学等方面做了简要综述，指出利用神经科学工具，从客观的角度解释消费者的决策行为具有重要价值。采用神经科学工具预测消费者行为是未来研究的重要领域之一[25-27]。部分学者不仅从认知神经科学的视角解读消费者决策行为[28-31]，也开始引入神经科学的数据对消费者行为进行预测。已有国内学者结合大脑的功能连接数据对消费者的经济决策行为进行预测[32]，利用脑电数据预测消费者在众筹市场中的行为变化[33]、预测消费者对产品的偏好[34,35]；利用眼动数据和脑电数据建立用户情感预测模型[36]等。然而，国内学者运用神经科学工具预测消费者行为的研究仍处于起步阶段，结合多维数据对消费者行为的预测还存在广阔的研究空间。因此，通过系统性梳理神经科学视角下的消费者行为预测研究将有助于加深广大学者对国内外相关研究的全面了解，从而拓展消费者行为学研究的深度和广度。

基于此，本文将重点讨论基于消费者神经科学的视角如何预测消费者行为。首先，本文简要回顾消费者神经科学的产生与发展，阐述结合认知神经科学技术来预测消费者行为的必要性。其次，本文系统性比较常规方法和神经科学方法在预测消费者行为中的差异，重点介绍功能性核磁共振成像(functional magnetic resonance imaging, fMRI)、脑电图(electroencephalography, EEG)、眼动追踪(eye tracking)、功能性近红外光谱(functional near-infrared spectroscopy, fNIRS)以及皮肤电反应、心率、呼吸频率等生理工具在预测消费者行为研究中的最新成果。之后，本文概括了当前研究的挑战和未来需要突破的方向。最后，本文总结了神经科学视角下预测消费者行为的研究对营销学乃至管理学研究的重要意义。

1 消费者神经科学的产生与发展

2002年，Ale Smidts教授首次提出在市场营销领域使用神经科学工具以更好地理解消费者行为，从而改善营销策略[37]。一直以来，神经科学应用于消费者研究领域涉及两个概念，神经营销学(Neuromarketing)[38-40]和消费者神经科学(Consumer Neuroscience)[5,10,41]。2008年，Hubert和Kenning对消费者神经科学和神经营销学的概念进行了区分[41]，他们认为，消费者神经科学或神经营销学是利用大脑研究的方法解决与营销相关的问题。消费者神经科学注重科学研究的过程，而神经营销学指消费者神经科学的发现在管理实践中的应用。Plassmann等人2015年在上发表的消费者神经科学研究综述中评论到，消费者神经科学更多强调使用神经科学理论和方法来丰富消费者心理和行为的研究。而今，消费者神经科学已开始为消费者行为的预测研究助力[5]。

作为最早将神经科学与消费者决策结合的研究之一，McClure等人发现了品牌的秘密。他们的研究结果表明消费者在未观察到可乐的品牌商标时，品尝百事可乐时奖赏相关的脑区激活程度为品尝可口可乐的5倍。然而在观察到品牌商标时，与记忆过程相关的特定区域——海马体(hippocampus)和背外侧前额叶皮质(dorsolateral prefrontal cortex; dlPFC)的神经活动在品尝可口可乐时更强，但在品尝百事可乐时却未发现相关活动[16]。此研究从认知科学的视角解释了品牌对消费者购买产品的影响，这也促使学者们开始使用神经科学技术研究营销活动，开辟了消费者神经科学的大门。

消费者神经科学早期的研究集中于探索与消费者行为相关的神经关联[42]，如表1所示。大量研究发现，纹状体(striatum)、伏隔核(nucleus accumbens; NAcc)与“奖赏”相关[43-46]，前额叶皮质(prefrontal cortex; PFC)与“主观价值”相关[47-51]。除此之外，研究还发现中脑边缘系统与个体价值感知密切相关[13,52]。上述研究揭示了消费者行为背后的脑机制，为神经科学与消费者行为融合发展奠定了坚实的基础。一直以来，社会心理学家认为消费者的偏好是无意识形成的[53]，而神经科学方法对这一观点做了强有力的支撑。已有fMRI实验表明，当被试不知道或不在意是否需要做决定时，其偏好已经在大脑中形成，且可以预测其后续的决策[54,55]。Knutson等人率先使用认知科学数据来对消费者后续行为进行预测，研究发现产品偏好与伏隔核(NAcc)有关，产品价格与脑岛(insula)和内侧前额叶皮质(medial prefrontal cortex; MPFC)相关，这些神经回路的激活预测了随后的消费者购买选择[45]。相较于以往的自我报告数据，神经科学工具可以实时动态地跟踪消费者决策过程，为研究提供多维度较难观测的精细数据，因此可以更准确地用以预测消费者的行为[55-59]，甚至使用实验室中被试的认知活动便可以预测一个较大人群或市场的行为[20,21,60-62]。

神经科学方法在消费者决策现存概念和研究主题方面的发展经历了近20年，一方面找到了与消费者行为相关的认知指标，帮助我们更加精确地解读和剖析消费者行为，丰富了现有的消费行为研究和决策理论；另一方面，还揭示了神经数据具有直接预测消费者个人及市场行为的能力，使得现有的理论研究更好地运用于实践当中，提高社会的经济效益。

表1 与消费者行为相关的大脑区域

资料来源：Karmarkar和Plassmann，2019

2 预测消费者行为的方法

预测是消费者行为研究的重要课题之一，精准预测消费者行为可以带来巨大的经济效益。然而，前期研究发现，由于缺乏对消费者偏好的感知和预测，新产品的销量通常达不到预期效果，面临着经济和名誉的双重损失[63,64]。为改变这一困境，研究者们采用多种方法预测消费者行为，以期解决上述问题。如：以访谈法和焦点小组为代表的定性研究方法，以问卷调研、实验研究、大数据智能方法为代表的定量研究方法。近年来，作为传统研究方法的补充，神经科学方法逐渐兴起，在预测消费者行为方面展现出巨大优势，仅使用实验室样本便可达到预测整体市场消费的效果，引起了学者们的广泛关注[5,10]。

2.1 传统方法

访谈法作为定性研究的方法，可以帮助研究者发现新问题，对于理解消费者行为提供新见解，但由于其无法提供准确的定量资料，在预测消费者行为时存在不足。焦点小组虽然可以同时访问多个被调查者，但研究者的主观判断会对结果产生影响[65]，与此同时，作为定性研究技术，其在预测行为时同样无法提供定量解释。

通过问卷调查消费者喜好，进而评估产品或营销策略是普遍采用的方法之一。研究者大多运用统计学、计量经济学、数据挖掘等方法建模，来预测消费者行为。如：Chong等人采用问卷的方式找到了影响马来西亚和中国消费者使用移动商务(mobile commerce)的预测因子[66]；申相德等人通过问卷调查的实证研究，提出并验证了电子商务临界交易期内客户交易决策行为的预测模型[67]。事实上，采用问卷调查具有方便、快速、成本低、可覆盖面广等多个优点[68]。尽管问卷的设计耗时耗力，但经过不断完善且效度良好的问卷可以准确地发掘消费者真实的偏好。然而，有研究发现，通过问卷或自我报告的方式测量出来的被试态度与其实际行为之间的一致性较低[69]，即消费者态度对其行为的预测效果不佳。

通过实验室行为实验的方法预测消费者行为同样是一种有效的途径，但也有研究表明通过消费者在实验室中的假设选择来预测其在实际情景下的真实选择会存在较大偏差[70]。同时，实验室的小样本数据能否推广到市场中解读大样本的行为规律也还受到挑战[5]。此外，有研究采用大数据智能方法预测消费者行为，如：Bag等人基于消费者在亚马逊平台的实时搜索和评论的大数据，预测了消费者对耐用品的购买偏好[71]。王炼等人的研究发现，网络搜索数据能够预测汽车销量和市场份额[72]。大数据技术通过精准捕捉消费者搜索记录和全方位实时分析消费者行为，可以达到“让消费者自己告诉你”的目标[6]，对消费者行为的预测研究有重要价值。然而，对于没有搜索和销售记录的新产品，大数据技术难以实现上述目的。

2.2 神经科学新视角

为了解决上述研究方法的弊端，一种新兴的方法是测量消费者在假设选择时的神经指标，并使用这些认知指标来预测实际行为[73]。研究者们希望借助功能性磁共振成像(fMRI)、脑电图(EEG)、功能性近红外光谱(fNIRS)、眼动追踪(eye tracking)及一些生理信号和生物学特征，如皮肤电反应、心率、呼吸频率等更加准确客观的测量技术来预测实验室内甚至市场上的消费者行为[21]。其中，fMRI和fNIRS可以定位与特定功能相关的脑区，而EEG记录的是大脑从事特定任务时的皮层电位，眼动追踪技术主要用来记录视觉信息的眼动轨迹，皮肤电反应、心率、呼吸频率等生理指标能够反应情绪情感等心理活动水平。表2展示了不同研究工具的原理、优缺点及应用场景。

引入神经科学的数据，可以提高对消费行为的预测精度[19,56,62]。有研究希望通过预测消费者偏好以帮助商家选择销售消费者喜欢的产品从而提高利润，该研究同时采用问卷和神经科学的方法预测消费者行为。结果表明，结合EEG数据比问卷调查的数据更准确地预测了消费者的偏好，商家据此调整销售品类，从而售出了更多消费者喜爱的产品。与未进行预测相比，基于自我报告数据预测的产品销售带来了12.1%的利润增长，而基于EEG数据的预测则使利润增长了36.4%[74]。在Falk、Berns和Moore以及Kühn等的研究中[19,56,62]，同样证实了神经数据比自我报告数据能更好地预测消费者行为。

表2 不同研究工具的原理、优缺点及应用场景

3 消费者神经科学视角下预测消费者行为的研究现状

消费者神经科学逐步从认知活动与决策行为的相关性研究跨度到使用认知指标来预测消费者即将发生的决策行为。近年来，大量的学者在此新兴领域进行耕耘，产生了一系列有趣且实用的研究成果。

本文分析了2002年至2019年，消费者神经科学以及消费者神经科学视角下预测消费者行为的研究发展趋势。在Web of Science数据库中以消费者神经科学(consumer neuroscience)、消费者行为预测(consumer behavior prediction/forecast)等为关键词，共检索到消费者神经科学相关文献437篇，其中，消费者神经科学视角下预测消费者行为的相关文献65篇（见图1）。从图2展示的发展趋势图可以看出，在消费者神经科学研究快速发展的趋势下，预测消费者行为的相关研究在近十年开始出现并呈现波动式增长，已经成为消费者神经科学关注的前沿领域。

对上述65篇论文中发表在Q1区的36篇论文进行了统计分析，发现：

（1）功能性磁共振成像（fMRI）、脑电图(EEG)和眼动追踪(eye tracking)是研究者最广泛使用的3个工具，其中使用fMRI的研究有17篇、使用EEG的研究有11篇、使用眼动追踪的研究有9篇（注：Venkatraman等的研究中同时使用了上述3个工具）；

（2）根据盛峰和徐菁[25]的研究，可将预测消费者行为的研究分为产品、体验和广告，这些主题是当今消费者行为的重要研究领域。本文所检索的文献中涉及产品选择的有21篇，广告效果6篇，体验偏好6篇，其他3篇；

（3）相关成果发表在以Proceedings of the National Academy of Sciences (PNAS)、Nature Communications为代表的综合类期刊、以Journal of Consumer Research (JCR)、Journal of Marketing Research (JMR)为代表的营销类期刊、以Journal of Neuroscience、NeuroImage为代表的神经科学期刊、以Psychological Science为代表的心理学期刊等。为了进一步厘清神经科学视角下预测消费者行为的研究现状，本文从研究工具、研究主题、测量指标、发表期刊等维度将18篇代表性文献进行归纳分析，具体内容如表3所示。

以下，本文将以研究工具为分类视角，详细阐述消费者神经科学视角下预测消费者行为的研究现状。

图1 消费者神经科学视角下预测消费者行为研究的期刊论文分区统计

Figure 1 Statistics of journal papers on consumer behavior prediction based on consumer neuroscience perspective

图2 消费者神经科学以及消费者神经科学视角下预测消费者行为的研究发展趋势

Figure 2 Research Trends of consumer neuroscience and consumer behavior prediction based on the consumer neuroscience perspective

表3 代表性文献（发表在领域内顶级期刊）的研究梳理

表3 （续） 代表性文献（发表在领域内顶级期刊）的研究梳理

3.1 使用fMRI预测消费者行为

fMRI作为预测消费者行为最常用的神经科学工具之一，最大优势是其较高的空间分辨率，可以准确定位脑区。研究者大多采用前额叶皮质、纹状体、伏隔核、脑岛等区域作为特征性预测指标。已有研究利用fMRI技术，从体验偏好、产品选择与广告效果等方面对消费者行为进行预测，这些研究不仅预测了实验室小样本的行为，而且对市场上的大样本行为预测进行了探讨。

Berns和Moore采用fMRI技术用小样本成功预测了音乐的市场表现[19]。在研究中，他们记录了27名被试聆听20首音乐片段时的大脑活动，并让其报告对每一首音乐的喜爱程度。结果发现，与奖励相关的大脑区域——伏隔核的神经信号是该音乐三年下载量的重要预测指标，而被试对音乐喜爱程度的主观评分却无法对下载量进行准确预测。该研究一方面体现了大脑数据在预测消费者偏好的独特贡献，另一方面肯定了小样本预测市场反应的能力。另一项2020年最新发表在PNAS上的研究也成功预测了实验室个体水平和整体市场水平的视频偏好[81]。研究者采用伏隔核和内侧前额叶皮质作为正向预测指标，采用前脑岛作为负向预测指标预测了个体观看视频的时间分配。此外，伏隔核的正向活动和前脑岛的负向活动还预测了互联网(Youtube)该视频的观看频率和持续时长，而行为实验数据则无法完成以上预测。

Lawrence等人使用fMRI数据预测健康女性对健康食品的选择行为。该研究发现，食物线索诱发的伏隔核活动可以预测消费者后期的零食消费行为[57]。除此之外，斯坦福大学的Genevsky和Knutson在预测互联网贷款能否成功时，也显示出神经科学数据的独特优势[61]。在实验室研究(N=28)中，他们使用fMRI记录了被试观看贷款者请求信息时的神经活动，并让被试选择是否投资该项目。结果表明，伏隔核的激活程度不仅可以预测被试在实验室中的贷款产品选择行为，还可以预测这些贷款项目在互联网市场中真实的获贷情况。

除了预测消费者对产品的偏好及选择，fMRI还可以预测广告对消费者决策的影响。在一项最新研究中，Gearhardt等人让171名被试观看快餐广告并获取fMRI数据作为神经反应指标，随后让被试在模拟的快餐餐厅用餐。结果发现，在观看不健康食品的广告时，与奖赏相关脑区（伏隔核和尾状核）的神经活动增强，并可以预测消费者随后的食物摄入量[82]。而另外两项研究则进一步完成了广告效果在市场上的检验。Falk等人采集了30位吸烟者在观看不同控烟广告时前额叶皮质的神经活动，并让被试报告广告的劝诫效果[60]。研究表明，与自我报告结果相比，前额叶皮质的激活程度很好地预测了控烟广告的市场反应，即让被试前额叶皮质激活程度越高的控烟广告，其控烟热线咨询的通话量越高；相比之下，被试对戒烟广告劝诫效果的自我报告数据则无法预测控烟热线的通话量。另一项研究用18名被试观看同款巧克力的6种不同宣传海报时的fMRI数据成功预测了该巧克力的市场反应。研究者选取了消费者观察海报时多个脑区的活动作为预测指标，他们假设伏隔核、眶额内侧皮质、杏仁核、海马体、额下回、背内侧前额叶皮质的激活程度可对销量有正性预测，而背外侧前额叶皮质和脑岛的激活程度则对销量有负性预测，并建立模型预测消费者购买行为。结果发现，该模型成功预测了60000多家超市中不同海报对应巧克力购买率的排名，而被试对这6种海报喜爱程度排序的自我报告却无法预测其所对应销量的排名[62]。

fMRI凭借其高空间分辨率的优点，深受研究者的青睐，自2009年至今，每年都有相关研究成果发表。通过特定脑区指标可以更加准确地预测消费者在实验室以及现实市场的效应，比如伏隔核活动可以预测体验偏好[19,81]、产品选择[57,61]、广告效果[62,82]，前额叶皮质活动可以预测广告效果[60,62]。

3.2 使用EEG预测消费者行为

EEG具有较高的时间分辨率，能够预测消费者在体验偏好和产品选择上的行为。近年来，很多研究者应用脑电指标预测了市场层面的电影或电视节目偏好。不仅是单一的脑电信号，双人以及多人脑电信号的一致性的方法均证明了神经科学指标的纳入可以提高对市场上消费者行为的预测精度。Boksem 和Smidts发表在JMR的研究中，在被试观看了多个电影预告片的同时记录其脑电活动，并在观看结束后，让被试报告对不同电影预告片的喜好程度。在数据分析时，他们选取了特征性脑电频谱——β波和γ波作为预测指标，结果发现，β波可以很好地预测个体对于不同电影的偏好，而加入γ波的行为预测模型提高了对市场上电影真实票房的预测效度[20]。其次，Dmochowski等人使用被试间相关性(inter-subject correlation; ISC) 的测量方法预测了电视节目偏好的市场效应[76]。ISC的测量方法用于分析两个被试在接受视听刺激时神经数据的相似性[83]。该研究让被试同时观看某节目片段，并记录被试的脑电活动，同时，研究者还收集了该节目在播放期间社交媒体Twitter上与之相关的发帖数，以及该节目播放期间的实时收视率。结果发现，诱发脑电反应的ISC水平可以预测以上两个市场反应。此外，另一种类似于ISC的测量方法为跨脑关联(cross-brain correlation; CBC)，即基于多个大脑数据的一致性来研究组间对复杂刺激（如电影或广告）的反应[84]。与ISC相比，其更强调多个大脑间的神经数据关联。一项发表在JCR的研究采用了田野实验的方法，他们使用便携式EEG记录了电影院58位观众的大脑活动，并分析计算了13部电影预告片中观众的CBC相对水平。结果发现，电影预告片引发不同观众的脑活动相似程度越高，电影的票房收入越高。且CBC指标对电影的市场收入要显著好于观众自我报告的对电影的喜爱程度和支付意愿[22]。

除了预测消费者对电影、电视节目等的喜爱，研究者还采用脑电指标预测了消费者对产品的选择。如：Ravaja等人采用前额叶皮质的脑电不对称性预测了消费者的购买选择[85]。在该研究中，被试需要完成对14种产品的购买选择实验，结果发现，左额叶皮质的激活可以预测消费者购买行为。Wang 等人利用脑电实验对消费者在众筹市场上对产品投资意愿的改变进行了预测，研究发现，消费者在观察到社会信息时的P300振幅可以很好地预测随后的从众行为[33]。还有研究基于EEG综合分析了消费者对产品、广告、品牌等的反应，提出了一种基于深度学习方法的消费者对产品的偏好预测系统。该研究采用短时傅里叶变换与双调和样条插值，从多通道脑电信号中得到了5个不同频带的EEG 形图视频，结合三维卷积神经网络与多层长短期记忆神经网络构建了消费者偏好预测模型。之后，研究者使用EEG数据集评估了该预测模型的性能，该预测模型的性能在消费者依赖模式和消费者独立模式下的平均正确度约为80%[34,35]。

综上，研究者可以采用单一的特征性脑电成分或波段预测消费者行为[20,33]，也开始使用多指标联合提高预测效度[22,34,35,76]。EEG对于动态刺激物具有较高的适用性，成本较低且可以进行大规模的现场实验。尤其适用于预测电影、电视节目的体验偏好及视频类广告等对消费者行为的影响，对于电影制片公司、视频剪辑行业具有较大的商业价值。

3.3 使用眼动追踪预测消费者行为

眼动追踪可以记录消费者的注意力分配，刻画消费者的视觉信息加工过程，同样是预测消费者行为的重要工具。研究者大多集中于探索首次注视点、总注视时长、最后注视点、瞳孔大小等指标对消费者产品选择的预测。如：Jantathai等人研究了消费者选择食物的眼动指标。在该研究中，被试观看完三种食物后需要做出选择，结果发现，注视次数和注视时长均与最终选择之间存在显著的正相关关系，该研究为注视次数和注视时长可以用来预测消费者行为的可能性提供了重要参考[86]。Goyal等人同样使用眼动技术记录了被试观看不同食物时的相关数据，并着重分析了注视次数和总注视时长与被试选择食物之间的关系，结果发现，这两个指标与被试的选择行为高度相关，可以作为消费者决策的预测因子[87]。该研究的缺陷在于研究者只分析了12名被试的眼动指标与其在实验室中的产品选择之间的关系，缺乏市场拓展效度。以上两个研究均选取了比较常见的眼动指标来分析其与消费者选择之间的关系，也有研究者分析了其他预测指标。如：Ramsoy等人采用高分辨率眼动追踪仪，将瞳孔大小和身体姿势作为预测消费者行为的重要因素。在研究中，他们通过被试与屏幕之间的距离及倾角确定身体姿势。结果表明，身体姿势和瞳孔扩张的程度可以独立作为预测消费者选择行为的指标，若将二者结合共同作为预测指标，则有更好的预测效力[88]。

上述研究仅分析了眼动指标与消费者行为之间的相关性，有研究者将决策过程的眼动指标纳入预测模型，从而实现更好的预测效度。Krajbich等人长期致力于收集视觉注意力等信息，以更好地构建预测消费者行为的模型，其成果发表在Nature Neuroscience、PNAS等期刊[78,79]。他们提出了注意力漂移扩散模型(attentional drift-diffusion model; aDDM)，将眼动指标纳入模型后，预测的准确度有所提高，证实了注视时间和注视次序是预测消费者行为的关键因子。在此基础上，Towal等人提出，纳入视觉显著性和价值计算这两个指标可以改进上述预测模型的预测效度[80]。Cavanagh等人证实了消费者的眼动数据可以预测其决策过程中的行为选择偏差。他们将注视时长、瞳孔大小纳入DDM模型，发现注视时长可以预测特定选项的漂移率(drift-rate)，瞳孔放大可以预测决策冲突时决策阈值(decision-threshold)的增加[89]。

综上，若要预测视觉注意力对消费者行为的影响，首选工具是眼动追踪。当前，采用眼动指标预测消费者行为已从单纯的相关性研究拓展至与决策模型（以DDM为代表）的结合，但相关研究多为实验室内个人行为的预测，缺乏外部有效性的检验。未来，便携式眼动追踪将发挥更大优势，对于理解并预测现实情境下的消费者行为有较大帮助。

3.4 使用其他工具预测消费者行为

除了被广泛使用的功能性磁共振成像(fMRI)、脑电图(EEG)和眼动追踪(eye tracking)之外，其他工具也能够预测消费者行为。如：有研究表明，fNIRS可用于监测消费者购买决策过程中前额叶皮质的活动，并可作为预测消费者行为的有效工具，准确率达71%-85%[90]。此外，也有研究使用fNIRS工具预测了品牌忠诚的顾客对奢侈品和有吸引力的产品更敏感，具体表现为内额叶皮质(medial frontal cortex; MFC)中相对较大的信号变化[91]。这两项研究采用fNIRS工具预测了消费者的产品选择行为，但仅仅只进行了样本内预测。采用皮肤电反应、心率、呼吸频率等生理测量工具同样可以预测消费者行为，但其效果不及上述其他工具。一项发表在JMR的研究采用了包含生理测量工具、fMRI、EEG、眼动追踪等在内的多个研究工具进行了广告效果的预测。结果表明，皮肤电反应、心跳、呼吸频率均不能作为预测指标，相反，fMRI在该研究中被证明是预测广告效果的最优工具[21]。

综合现有的消费者神经科学视角下的消费者行为预测研究，不难发现，研究者们在预测消费者行为时，有些仅预测了相同被试在实验任务中的行为选择，而有些还预测了大规模人群的消费行为或整个市场反应，这两种方法分别为样本内(within-sample)预测和样本外(out-of-sample)预测[73]。样本内预测即研究者通过提取、记录被试的数据，分析预测被试之后的选择。而样本外预测则指研究者提取、记录的被试数据可以预测市场消费的整体水平，如实际销售额、广告阅读量、音乐下载量等。二者的区别在于，样本内预测可以更好地理解影响选择的决定因素和神经机制，是从更底层理解消费者行为；而样本外预测更强调应用价值，可以协助企业设计更符合消费者内心期望的产品，帮助商家增强营销有效性、改善品牌形象等。

4 挑战与未来

神经管理学是神经科学与社会科学交叉的新兴领域，催生了包括消费者神经科学、神经营销学、神经信息系统、神经组织学等在内的多个前沿跨学科领域的纵深发展，推动管理学研究从主观走向客观。为了更好地理解消费者行为，更有效地帮助企业设计产品并制定营销策略，越来越多的研究者开始采用行为实验与神经科学技术相结合的方式来挖掘消费者行为背后的机理以更好地预测消费者行为，推动揭开消费者行为背后的“黑箱”，促进了消费者行为研究范式的转变，取得了显著的进展。

消费者神经科学不仅推动了学术研究的发展，还重构了营销行业的格局。基于神经科学的方法吸引了国内外主流营销研究行业的关注。益普索(Ipsos)在全球成立的全新机构——Ipsos GSO，从神经科学、行为科学和数据科学三个方面为客户提供解决方案①https://www.ipsos.com/zh-cn/ipsos；尼尔森(Nielsen)分别于2011年和2015年收购Neurofocus和Innerscope Research，成立相关部门专门从事神经营销研究，取得了显著的商业效益。2017年，尼尔森帮助唯品会提升了30秒视频广告的效果。在尼尔森消费者神经科学全球广告评估数据库中，唯品会2017年的广告整体有效性表现优于其中80%的广告②https://www.digitaling.com/articles/45856.html；北京视友科技的“脑电波电影测评系统”为电影上映前的市场调研、剪辑优化以及市场预测提供了可靠的实证依据，对神经营销在战略决策中的应用和普及具有引领意义③http://www.cusoft.com.cn/neuromarketing.html。

4.1 研究发展的局限性

尽管神经科学方法在消费行为理论和应用的发展中产生了较大价值，鉴于不同神经科学工具的特点及应用场景的差异，该领域的研究仍然存在以下的局限性。

首先，部分认知神经科学研究的反向推理问题可能会被一些学者质疑。即一个认知过程可能涉及多个脑区的活动，一个特定的脑区也可能被多种认知活动激活。那么，在一些研究中，消费行为与特定的神经信号便不能完全形成一对一的关系，某个特定脑区可能与多种消费行为有关，某种行为也可能涉及多个脑区活动。因此在研究中，我们发现脑区A的激活与某行为相关，但不能盲目地认为脑区A的激活便可以预测该行为的发生。从发现与消费者行为的神经关联到预测消费者行为的发生，还需要不断重复并完善实验，综合多种认知指标、考虑其他神经信号的中间机制，进而更精准地预测消费者行为。

其次，现有的研究样本较少且集中于实验室研究。鉴于部分工具价格昂贵，设备维护费用较高，有较高的使用成本，故样本量较少。此外，大多数神经科学工具无法带至现场，很难开展田野研究，因此多数研究采用了实验室研究的方法。虽然实验室少量样本可以预测市场反应，但其效度仍然存在质疑[26]，即实验环境与现实环境存在差异。尽管Kang等人证实了，在假设情景和真实情景下大脑激活区域是一致的，但他们也发现，真实情景下的脑区激活程度要高于假设情景[92]。因此，获取被试在真实消费环境中的认知数据，捕捉被试真实的消费决策过程，将有助于我们更好地理解及预测消费者的行为。

尽管现有研究表明，神经科学方法可以获取消费者客观的神经生理指标，能够提高预测消费者行为的精准度，然而该过程能否被消费者接受有待进一步探讨。研究者借助影响个体行为倾向的认知神经指标，制定消费者易于接受的广告营销策略，这可能存在消费者思想行为被控制的问题[93]。因而，在使用神经科学工具研究消费者行为时，保护被试的隐私、消费意志以及消费自主性都是未来值得深究的伦理问题。

此外，我国使用神经科学工具预测消费者行为的相关研究还处于起步阶段。鉴于不同文化背景下的消费者行为存在差异，是否可以将国外的研究结论应用于我国营销市场尚有待检验。近年来，国内电子商务市场迅速发展，催生了一大批新兴的消费场景，如直播营销、网红带货等聚集了大批量消费者的消费环境。数字经济时代，在我国开展利用神经科学技术预测消费者行为的研究还有很大空间。

4.2 未来的研究方向

4.2.1 结合多模态数据，丰富预测消费者行为的特征性指标

神经科学工具测量提供了更多实时动态的数据，利用多模态生理-心理-行为等信号数据的组合作为预测指标，可观察消费者决策行为各阶段的相关数据，从而更好地刻画消费者的行为模式。此外，多种研究方法的结合和多个认知指标的引入可提高对消费者行为的预测效度。如：Chan Hang-Yee等人将行为数据与神经指标结合提高了模型的预测性能[75]；Kühn采用多个脑区的激活程度作为预测指标，显著地预测了巧克力的市场销量[62]；Shestyuk等人采用EEG预测电视节目收视率时，将α/β不对称性、α/θ波、θ/γ波作为混合预测指标，取得了显著的预测效力[94]。多个认知指标的综合使用，将有助于我们在个体和市场水平上更准确地预测消费者的特异性行为。尤其是在消费方式不断升级优化的环境下，消费群体越来越多样化，面对庞大且差异化的消费者，可以借助神经科学方法更好地理解消费者行为的个体差异，从而为预测消费者行为提供新思路。

4.2.2 以现实需求为导向，从消费者购买决策的多阶段预测消费者行为

数字经济的发展使得消费方式不断改变，从电商到新零售再到直播营销，线上购物愈加普及，如何更好地预测消费者行为从而为消费者带来更优体验、为商家带来更多收益，是未来消费决策研究的挑战。相较于模拟线下购物的假设情境，对于线上的网络购物，在实验室开展的研究能更好地贴合虚拟的购物环境，神经生理工具可在这一领域研究中发挥重要价值。以直播营销为例，作为动态刺激物，其与普通视频广告的区别在于直播者与消费者的线上互动，线上互动对消费者购买决策不同阶段如何影响，这一影响是否带来消费行为的改变，未来可以采用EEG预测直播营销对消费者购买行为、再购买行为以及推荐他人购买行为的影响；又如新零售背景下的线上线下营销，无论是消费者走进实体店购买产品还是在线上浏览网页进行购买甚至是虚拟体验的购物，未来研究均可以采用神经生理工具对消费者进行追踪观察，收集消费者购买决策的全阶段信息，预测其消费行为，促进商家消费服务、营销模式的不断升级。

4.2.3 优化数据采集及分析方法，提高预测消费者行为的外部有效性

为提高实验研究的真实性，研究应充分发挥便捷式研究工具（如：便携式眼动追踪仪、fNIRS等）的特点，走进现实情境，开展田野实验。一方面，友好且人性化的研究工具，可以更准确地跟踪消费者真实状态，确保数据的准确性。另一方面，成本的降低可以使研究容量提升，促使实验设计更加合理化，增加实验的可信度。

此外，提高数据分析方法的效率也是提高预测精度的有效方法之一。当前，研究者们在预测消费者行为时，多采用两种数据分析方法。一种是将实验室所测数据与后期消费者行为数据进行相关分析，报告相关系数及显著性；另一种是运用人工智能、机器学习等算法进行数据建模，通过测试集进行预测。相比之下，后者的分析方法更加实用且具有说服力。有研究将机器学习技术与眼动追踪数据结合来预测学生在MOOC平台学习时的行为表现，此方法对学生成绩的预测误差小于5%[95]。尽管该研究并未着眼于消费行为，但未来可以通过机器学习的方法构建消费行为的预测模型，从而为新产品、新广告在消费市场的表现提供预测。在研究初期，研究者可以采用样本内预测的方法，以更好地理解消费者行为的影响因素和神经机制，为预测消费者行为的市场反应奠定好基础，后期采用样本外预测的方法，拓展研究的应用价值，以更好地解决基于神经科学实验测量的外部有效性问题。随着社会科学与脑科学、计算机科学的不断融合，如何将fMRI、EEG、眼动追踪甚至生理心理数据与行为数据结合，建立数据驱动的消费者决策计算模型，也是未来研究的重要方向与挑战。

4.2.4 开展跨文化研究，揭示本国情境下的消费预测

在不同文化背景和不同选择情境下，消费者的决策行为和认知机制存在差异。Wang等人比较了电商情境下中美两国消费者视觉加工机制的差异，研究发现模特的直视目光与微笑表情增强了消费者的唤醒度，与美国消费者相比，这一效应在中国消费者中表现得更强烈。此研究还发现了中美两国消费者在品牌加工方面的显著差异[96]。因此，未来研究应进一步探索在不同文化背景下，消费者行为的认知神经指标异同，为预测消费者的决策行为提供证据支撑。当前，运用神经科学工具预测消费者行为的研究在欧美国家大量兴起，但国内研究相对薄弱。为更好地了解国内消费者需求，促进国内营销行业的健康发展，应着眼于探究在国内消费情境下，如何运用神经科学指标预测消费者行为。此外，在开展相关研究时，应增加对伦理问题的关注。鉴于国内研究仍处于起步阶段，应及早开展调研，了解消费者对使用神经科学方法来观察他们行为的接受意愿、风险感知、隐私考虑等问题；更重要的是建立完备的实验伦理审查机制，规范神经科学工具的使用，在符合法律和伦理的条件下促使研究成果的效用最大化。

5 结语

自消费者神经科学发展至今，我们可以清楚地看到其从探索与消费者行为的神经关联，到借助神经科学工具寻找消费者行为的影响因素，延伸至借助神经科学工具预测消费者行为、拓展神经科学预测消费者行为的外部有效性……消费者神经科学的发展过程，不仅仅表明了学科交叉融合发展带来的研究视角、工具、范式的变化，更意味着一个新兴领域的形成和开启。

消费者神经科学的时代已经到来，它为研究人员提供了更加客观的途径研究消费者行为，对前期存在争议的研究问题进行了补充解答，为后期开拓研究领域提供了无限可能。其发展还远不止于此，我们可以借助神经科学工具了解更多消费者有趣的行为：如何抓住消费者的内心，从而实现精准营销；怎样提高消费者购买健康食品的意识，为国民健康保驾护航等等。

未来，消费者神经科学将与大数据、人工智能、机器学习等新兴学科紧密结合，发展更丰富的研究领域、吸纳更专业的研究人员、应用更人性化的研究工具，在消费升级、市场变革的营销行业浪潮中蓬勃发展，为消费者行为研究提供更加具有现实意义的理论价值和商业价值。

[1] 潘煜, 万岩, 陈国青, et al. 神经信息系统研究: 现状与展望[J]. 管理科学学报, 2018,21(05):1-21.

Pan Y, Wan Y, Chen G Q, et al. Current situation and prospects of neuro information systems[J]. Journal of Management Sciences in China, 2018,21(05):1-21.

[2] 李浩, 马庆国, 董欣. 神经组织学: 概念解析, 理论发展和研究展望[J]. 管理世界, 2016(08):164-173.

Li H, Ma Q G, Dong X. Organizational neuroscience: Conceptual analysis, theoretical development and research prospects[J]. Management World, 2016(08):164-173.

[3] Simon HA. The New Science of Management Decision[M]. New Jersey: Prentice Hall PTR, 1977.

[4] Yoon C, Gonzalez R, Bechara A, et al. Decision neuroscience and consumer decision making[J]. Marketing Letters, 2012,23(2):473-485.

[5] Plassmann H, Venkatraman V, Huettel S, et al. Consumer Neuroscience: Applications, Challenges, and Possible Solutions[J]. Journal of Marketing Research, 2015,52(4):427-435.

[6] 卢泰宏. 消费者行为学50年:演化与颠覆[J]. 外国经济与管理, 2017,39(06):23-38.

Lu T H. 50 Years of Consumer Behavior: Evolution and Overthrow[J]. Foreign Economics & Management, 2017,39(06):23-38.

[7] Wang X, Bendle N T, Mai F, et al. The Journal of Consumer Research at 40: A Historical Analysis[J]. Journal of Consumer Research, 2015,42(1):5-18.

[8] Plassmann H, Ramsoy T Z, Milosavljevic M. Branding the brain: A critical review and outlook[J]. Journal of Consumer Psychology, 2012,22(1):18-36.

[9] Venkatraman V, Clithero J A, Fitzsimons G J, et al. New scanner data for brand marketers: How neuroscience can help better understand differences in brand preferences[J]. Journal of Consumer Psychology, 2012,22(1):143-153.

[10] Smidts A, Hsu M, Sanfey A G, et al. Advancing consumer neuroscience[J]. Marketing Letters, 2014,25(3):257-267.

[11] 马庆国, 王小毅. 认知神经科学、神经经济学与神经管理学[J]. 管理世界, 2006(10):147-157.

Ma Q G, Wang X Y. Cognitive neuroscience, neuroeconomics and neuromanagement[J]. Management World, 2006(10):147-157.

[12] Reimann M, Schilke O, Weber B, et al. Functional Magnetic Resonance Imaging in Consumer Research: A Review and Application[J]. Psychology & Marketing, 2011,28(6):608-637.

[13] Reimann M, Zaichkowsky J, Neuhaus C, et al. Aesthetic package design: A behavioral, neural, and psychological investigation[J]. Journal of Consumer Psychology, 2010,20(4):431-441.

[14] Plassmann H, Weber B. Individual Differences in Marketing Placebo Effects: Evidence from Brain Imaging and Behavioral Experiments[J]. Journal of Marketing Research, 2015,52(4):493-510.

[15] Karmarkar U R, Shiv B, Knutson B. Cost Conscious? The Neural and Behavioral Impact of Price Primacy on Decision Making[J]. Journal of Marketing Research, 2015,52(4):467-481.

[16] McClure SM, L J, Tomlin D, et al. Neural correlates of behavioral preference for culturally familiar drinks[J]. Neuron, 2004,44(2): 379-387.

[17] Plassmann H, O'Doherty J, Shiv B, et al. Marketing actions can modulate neural representations of experienced pleasantness[J]. Proceedings of the National Academy of Sciences, 2008,105(3): 1050-1054.

[18] Esch F R, Moell T, Schmitt B, et al. Brands on the brain: Do consumers use declarative information or experienced emotions to evaluate brands?[J]. Journal of Consumer Psychology, 2012,22(1): 75-85.

[19] Berns G S, Moore S E. A neural predictor of cultural popularity[J]. Journal of Consumer Psychology, 2012,22(1):154-160.

[20] Boksem MAS, Smidts A. Brain Responses to Movie Trailers Predict Individual Preferences for Movies and Their Population-Wide Commercial Success[J]. Journal of Marketing Research, 2015,52(4): 482-492.

[21] Venkatraman V, Dimoka A, Pavlou P A, et al. Predicting Advertising Success Beyond Traditional Measures: New Insights from Neurophysiological Methods and Market Response Modeling[J]. Journal of Marketing Research, 2015,52(4):436-452.

[22] Barnett S B, Cerf M. A Ticket for Your Thoughts: Method for Predicting Content Recall and Sales Using Neural Similarity of Moviegoers[J]. Journal of Consumer Research, 2017,44(1):160-181.

[23] 黄建平, 赵平, 宛小昂. 静息态功能连接预测虚拟购物下色味一致性效应: 第二十二届全国心理学学术会议摘要集[C].中国心理学会: 中国心理学会,2019:85.

Huang J P, Zhao P, Wan X A. Resting-state functional connectivity predict color-flavor congruency effect in virtual shopping: Proceedings of the 22nd national conference on psychology[C]. Chinese Psychological Society: Chinese Psychological Society, 2019:85.

[24] 马庆国, 王小毅. 从神经经济学和神经营销学到神经管理学[J]. 管理工程学报, 2006,20(3):129-132.

Ma Q G, Wang X Y. From Neuroeconomics and Neuromarketing to Neuromanagement[J]. Journal of Industrial Engineering and Engineering Management, 2006,20(3):129-132.

[25] 盛峰, 徐菁. 神经营销:解密消费者的大脑[J]. 营销科学学报, 2013,9(01):1-17.

Sheng F, Xu J. Neuromarketing: Decode Consumer’s Brain. Journal of Marketing Science, 2013,9(01):1-17.

[26] 颜立. 神经营销学研究现状探析[J]. 外国经济与管理, 2011,33(5):25-32.

Yan L. An Analysis of the Current Research Situation of Neuromarketing[J]. Foreign Economics&Management, 2011,33(5): 25-32.

[27] 艾春娣, 汪宇, 孟现鑫, et al. 消费者心理神经科学研究简介[J]. 心理科学进展, 2013,21(11):2006-2015.

Ai C D, Wang Y, Meng X X, et al. A Brief Introduction about Consumer Psychology Neuroscience[J]. Advances in Psychological Science, 2013,21(11):2006-2015.

[28] 汪蕾, 陆强, 沈翔宇. 情绪唤醒度如何影响不确定性决策——基于决策偏好的视角[J]. 管理工程学报, 2013,27(04):16-21.

Wang L, Lu Q, Shen X Y. How Can Emotional Arousal Affect Decisions under Uncertainty? From the Perspective of Decision Preferences[J]. Journal of Industrial Engineering and Engineering Management, 2013,27(04):16-21.

[29] 王求真, 姚倩, 叶盈. 网络团购情景下价格折扣与购买人数对消费者冲动购买意愿的影响机制研究[J]. 管理工程学报, 2014,28(04):37-47.

Wang Q Z, Yao Q, Ye Y. The Influence of Price Discount and Sales Volume on Impulse Purchase Intention of Online Group-buying[J]. Journal of Industrial Engineering and Engineering Management, 2014,28(04):37-47.

[30] 郑杰慧, 汪蕾, 陆强, et al. 信息过滤与不确定决策:基于认知加工视角[J]. 管理工程学报, 2016,30(01):205-211.

Zheng J H, Wang L, Lu Q, et al. Information Filtering and Decision-making: in the View of Cognitive Processing[J]. Journal of Industrial Engineering and Engineering Management, 2016,30(01): 205-211.

[31] 叶许红, 韩芳芳, 翁挺婷. 网购平台产品图片视觉特征的影响作用研究[J]. 管理工程学报, 2019,33(02):84-91.

Ye X H, Han F F, Weng T T. The effects of product pictures’ visual features in the context of online purchasing[J]. Journal of Industrial Engineering and Engineering Management, 2019,33(02):84-91.

[32] Li N, Ma N, Liu Y, et al. Resting-State Functional Connectivity Predicts Impulsivity in Economic Decision-Making[J]. Journal of Neuroscience, 2013,33(11):4886-4895.

[33] Wang L, Li L, Shen Q, et al. To run with the herd or not: Electrophysiological dynamics are associated with preference change in crowdfunding[J]. Neuropsychologia, 2019,134.

[34] 金忠星, 李东. 消费者偏好预测的深度学习神经网络模型[J]. 计算机应用, 2019,39(7):1888-1893.

Kim C S, Li D. Deep learning neural network model for consumer preference prediction[J]. Journal of Computer Applications, 2019, 39(7): 1888-1893.

[35] 金忠星. 神经营销的消费者偏好预测系统研究, 哈尔滨工业大学; 2019.

Kim C S. Research on the consumer preference prediction system in neuromarketing, Harbin Institute of Technology; 2019.

[36] 李森, 李明明, 郭伏, et al. 基于眼动追踪和脑电技术的多维设计特征产品外观的用户情感预测模型[J]. 人类工效学, 2019,25(05): 26-33.

Li S, Li M M, Guo F, et al. The Prediction Model of Users’ Emotion toward Product Appearance with Multiple Design Features based on Eye-Tracking and EEG Technologies[J]. Chinese Journal of Ergonomics, 2019,25(05):26-33.

[37] Smidts A. Kijken in het brein: Over de mogelijkheden van neuromarketing[M]. Netherlands: Erasmus University Rotterdam, 2002.

[38] Lee N, Broderick A J, Chamberlain L. What is ‘neuromarketing’? A discussion and agenda for future research[J]. International Journal of Psychophysiology, 2007,63(2):199-204.

[39] Fisher C E, Chin L, Klitzman R. Defining neuromarketing: Practices and professional challenges[J]. Harvard review of psychiatry, 2010, 18(4):230-237.

[40] Hsu M. Neuromarketing: inside the mind of the consumer[J]. California Management Review, 2017,59(4):5-22.

[41] Hubert M, Kenning P. A current overview of consumer neuroscience[J]. Journal of Consumer Behaviour, 2008,7(4‐5):272- 292.

[42] Karmarkar U R, Plassmann H. Consumer Neuroscience: Past, Present, and Future[J]. Organizational Research Methods, 2019,22(1):174-195.

[43] Erk S, Spitzer M, Wunderlich AP, et al. Cultural objects modulate reward circuitry[J]. Neuroreport, 2002,13(18):2499-2503.

[44] Pagnoni G, Zink C F, Montague P R, et al. Activity in human ventral striatum locked to errors of reward prediction[J]. Nature neuroscience, 2002,5(2):97-98.

[45] Knutson B, Rick S, Wirnmer G E, et al. Neural predictors of purchases[J]. Neuron, 2007,53(1):147-156.

[46] Carlson J M, Foti D, Mujica-Parodi L R, et al. Ventral striatal and medial prefrontal BOLD activation is correlated with reward-related electrocortical activity: a combined ERP and fMRI study[J]. NeuroImage, 2011,57(4):1608-1616.

[47] Deppe M, Schwindt W, Kugel H, et al. Nonlinear responses within the medial prefrontal cortex reveal when specific implicit information influences economic decision making[J]. Journal of Neuroimaging, 2005,15(2):171-182.

[48] Plassmann H, O'Doherty J, Rangel A. Orbitofrontal cortex encodes willingness to pay in everyday economic transactions[J]. Journal of Neuroscience, 2007,27(37):9984-9988.

[49] Hare T A, Camerer C F, Rangel A. Self-control in decision-making involves modulation of the vmPFC valuation system[J]. Science, 2009,324(5927):646-648.

[50] Plassmann H, O'Doherty J P, Rangel A. Appetitive and Aversive Goal Values Are Encoded in the Medial Orbitofrontal Cortex at the Time of Decision Making[J]. Journal of Neuroscience, 2010,30(32):10799- 10808.

[51] Basten U, Biele G, Heekeren H R, et al. How the brain integrates costs and benefits during decision making[J]. Proceedings of the National Academy of Sciences, 2010,107(50):21767-21772.

[52] Schaefer M, Rotte M. Favorite brands as cultural objects modulate reward circuit[J]. Neuroreport, 2007,18(2):141-145.

[53] Duckworth K L, Bargh J A, Garcia M, et al. The automatic evaluation of novel stimuli[J]. Psychological Science, 2002,13(6):513-519.

[54] Lebreton M, Jorge S, Michel V, et al. An Automatic Valuation System in the Human Brain: Evidence from Functional Neuroimaging[J]. Neuron, 2009,64(3):431-439.

[55] Tusche A, Bode S, Haynes J-D. Neural Responses to Unattended Products Predict Later Consumer Choices[J]. Journal of Neuroscience, 2010,30(23):8024-8031.

[56] Falk E B, Berkman E T, Mann T, et al. Predicting Persuasion-Induced Behavior Change from the Brain[J]. Journal of Neuroscience, 2010,30(25):8421-8424.

[57] Lawrence N S, Hinton E C, Parkinson JA, et al. Nucleus accumbens response to food cues predicts subsequent snack consumption in women and increased body mass index in those with reduced self-control[J]. NeuroImage, 2012,63(1):415-422.

[58] Mehta S, Melhorn S J, Smeraglio A, et al. Regional brain response to visual food cues is a marker of satiety that predicts food choice[J]. American Journal of Clinical Nutrition, 2012,96(5):989-999.

[59] Telpaz A, Webb R, Levy D J. Using EEG to Predict Consumers' Future Choices[J]. Journal of Marketing Research, 2015,52(4): 511-529.

[60] Falk E B, Berkman E T, Lieberman M D. From Neural Responses to Population Behavior: Neural Focus Group Predicts Population-Level Media Effects[J]. Psychological Science, 2012,23(5):439-445.

[61] Genevsky A, Knutson B. Neural Affective Mechanisms Predict Market-Level Microlending[J]. Psychological Science, 2015,26(9): 1411-1422.

[62] Kühn S, Strelow E, Gallinat J. Multiple “buy buttons” in the brain: Forecasting chocolate sales at point-of-sale based on functional brain activation using fMRI[J]. NeuroImage, 2016,136:122-128.

[63] Castellion G, Markham S K. Perspective: New Product Failure Rates: Influence of Argumentum ad Populum and Self-Interest[J]. Journal of Product Innovation Management, 2013,30(5):976-979.

[64] Heidenreich S, Spieth P. Why innovations fail—The case of passive and active innovation resistance[J]. International Journal of Innovation Management, 2013,17(5):1350021.

[65] Smithson, Janet. Using and analysing focus groups: Limitations and possibilities[J]. International Journal of Social Research Methodology, 2000,3(2):103-119.

[66] Chong AY-L, Chan F T, Ooi K-B. Predicting consumer decisions to adopt mobile commerce: Cross country empirical examination between China and Malaysia[J]. Decision support systems, 2012, 53(1):34-43.

[67] 申相德, 卢致杰, 卢致烽. 电子商务中的临界交易决策行为预测研究[J]. 管理工程学报, 2006(01):94-98.

Shen X D, Lu Z J, Lu Z F. The Research of Decision-Behavior Predicting on Critical Trade-off of E-Commerce[J]. Journal of Industrial Engineering and Engineering Management, 2006(01):94-98.

[68] Birmingham P, Wilkinson D. Using research instruments: A guide for researchers[M]. London: Routledge, 2003.

[69] Hofmann W, Gawronski B, Gschwendner T, et al. A meta-analysis on the correlation between the Implicit Association Test and explicit self-report measures[J]. Personality and Social Psychology Bulletin, 2005,31(10):1369-1385.

[70] Mai T, Kang M J, Camerer C F. When the eyes say buy: visual fixations during hypothetical consumer choice improve prediction of actual purchases[J]. Journal of the Economic Science Association-Jesa, 2019,5(1):112-122.

[71] Bag S, Tiwari M K, Chan FTS. Predicting the consumer's purchase intention of durable goods: An attribute-level analysis[J]. Journal of Business Research, 2019,94:408-419.

[72] 王炼, 宁一鉴, 贾建民. 基于网络搜索的销量与市场份额预测:来自中国汽车市场的证据[J]. 管理工程学报, 2015,29(04):56-64.

Wang L, Ning Y J, Jia J M. Predicting Sales and Market Share with Online Search: Evidence from Chinese Automobile Market[J]. Journal of Industrial Engineering and Engineering Management, 2015,29(04):56-64.

[73] Hakim A, Levy D J. A gateway to consumers' minds: Achievements, caveats, and prospects of electroencephalography-based prediction in neuromarketing[J]. Wiley Interdisciplinary Reviews: Cognitive Science, 2019,10(2):e1485.

[74] Baldo D, Parikh H, Piu Y, et al. Brain waves predict success of new fashion products: a practical application for the footwear retailing industry[J]. Journal of Creating Value, 2015,1(1):61-71.

[75] Chan H-Y, Smidts A, Schoots V C, et al. Neural similarity at temporal lobe and cerebellum predicts out-of-sample preference and recall for video stimuli[J]. NeuroImage, 2019,197:391-401.

[76] Dmochowski J P, Bezdek M A, Abelson B P, et al. Audience preferences are predicted by temporal reliability of neural processing[J]. Nature Communications, 2014,5:1-9.

[77] Koelstra S, Muhl C, Soleymani M, et al. DEAP: A Database for Emotion Analysis Using Physiological Signals[J]. IEEE Transactions on Affective Computing, 2012,3(1):18-31.

[78] Krajbich I, Armel C, Rangel A. Visual fixations and the computation and comparison of value in simple choice[J]. Nature neuroscience, 2010,13(10):1292-1298.

[79] Krajbich I, Rangel A. Multialternative drift-diffusion model predicts the relationship between visual fixations and choice in value-based decisions[J]. Proceedings of the National Academy of Sciences, 2011,108(33):13852-13857.

[80] Towal R B, Mormann M, Koch C. Simultaneous modeling of visual saliency and value computation improves predictions of economic choice[J]. Proceedings of the National Academy of Sciences, 2013,110(40):E3858-E3867.

[81] Tong L C, Acikalin M Y, Genevsky A, et al. Brain activity forecasts video engagement in an internet attention market[J]. Proceedings of the National Academy of Sciences, 2020,117(12):6936-6941.

[82] Gearhardt A N, Yokum S, Harris J L, et al. Neural response to fast food commercials in adolescents predicts intake[J]. The American Journal of Clinical Nutrition, 2020,111(3):493-502.

[83] Hasson U, Nir Y, Levy I, et al. Intersubject synchronization of cortical activity during natural vision[J]. Science, 2004,303(5664):1634-1640.

[84] Barnett S B, Cerf M. Connecting on movie night? Neural measures of engagement differ by gender[J]. ACR North American Advances, 2015.

[85] Ravaja N, Somervuori O, Salminen M. Predicting Purchase Decision: The Role of Hemispheric Asymmetry Over the Frontal Cortex[J]. Journal of Neuroscience Psychology and Economics, 2013,6(1):1-13.

[86] Jantathai S, Danner L, Joechl M, et al. Gazing behavior, choice and color of food: Does gazing behavior predict choice?[J]. Food Research International, 2013,54(2):1621-1626.

[87] Goyal S, Miyapuram KP, Lahiri U. Predicting consumer's behavior using eye tracking data: 2015 Second International Conference on Soft Computing and Machine Intelligence (ISCMI)[C]. NW Washington, DC: IEEE Computer Society, 2015.

[88] Ramsoy TZ, Jacobsen C, Friis-Olivarius M, et al. Predictive Value of Body Posture and Pupil Dilation in Assessing Consumer Preference and Choice[J]. Journal of Neuroscience Psychology and Economics, 2017,10(2-3):95-110.

[89] Cavanagh J F, Wiecki T V, Kochar A, et al. Eye tracking and pupillometry are indicators of dissociable latent decision processes[J]. Journal of Experimental Psychology: General, 2014,143(4): 1476-1488.

[90] Cakir M P, Çakar T, Girisken Y, et al. An investigation of the neural correlates of purchase behavior through fNIRS[J]. European Journal of Marketing, 2018,52(1-2):224-243.

[91] Lin C H, Tuan H P, Chiu Y C. Medial frontal activity in brand-loyal consumers: A behavior and near-infrared ray study[J]. Journal of Neuroscience, Psychology, and Economics, 2010,3(2):59-73.

[92] Kang M J, Rangel A, Camus M, et al. Hypothetical and Real Choice Differentially Activate Common Valuation Areas[J]. Journal of Neuroscience, 2011,31(2):461-468.

[93] 林玲, 张新庆, 黄小茹. 神经科学数据应用引发的隐私问题探讨[J]. 中国医学伦理学, 2020,33(03):294-303.

Lin L, Zhang X Q, Huang X R. The Discussion of Privacy Issues in the Application of Neuroscience Data[J]. Chinese Medical Ethics, 2020,33(03):294-303.

[94] Shestyuk A Y, Kasinathan K, Karapoondinott V, et al. Individual EEG measures of attention, memory, and motivation predict population level TV viewership and Twitter engagement[J]. PloS one, 2019, 14(3):e0214507.

[95] Sharma K, Giannakos M, Dillenbourg P. Eye-tracking and artificial intelligence to enhance motivation and learning[J]. Smart Learning Environments, 2020,7:13.

[96] Wang Q Z, Wedelb M, Huang L Q, et al. Effects of model eye gaze direction on consumer visual processing: Evidence from China and America[J]. Information & Management, 2018,55(5):588-597.

Predicting consumer behavior in the perspective of consumer neuroscience: Status, challenge, and future

WANG Lei1,2, YANG Yikai1,2, ZHENG Jiehui1,2*, WANG Xiaoyi1,2

(1. School of Management, Zhejiang University, Hangzhou 310058, China; 2.Neuromanagement Laboratory, Zhejiang University, Hangzhou 310027, China)

Neuromanagement is an emerging interdisciplinary subject that intersects neuroscience and social science. It has spawned new insights in multiple cutting-edge fields, such as consumer neuroscience, neuromarketing, neuroIS, and organizational neuroscience, thereby promoting the paradigm of management science from subjective to objective. Among these fields, consumer neuroscience can better understand consumer behavior and the motivations behind it. This article reviews the latest progresses pertaining to consumer behavior prediction in the perspective of consumer neuroscience. Specifically, it summarizes how neuroscience can be implemented in forecasting consumer behavior, as well as limitations and future research potentials.

The article sets out from a brief introduction of the theoretically basis of consumer behavior prediction – the discovery of neural correlates that relates to consumer behavior. For example, the striatum and nucleus accumbens (NAcc) are related to “reward”; the prefrontal cortex (PFC) is related to “subjective value”; and the mesencephalic limbic system is closely related to individual value perception. These findings unveil the neural “black box” behind consumer behavior, thereby laying a solid foundation for consumer behavior prediction. Consequently, they shed lights on the neural indicators that relate to consumer behavior, which help to interpret consumer behavior more accurately. Moreover, they also reveal that neural data can be the viable predictor for consumers’ individual and market behaviors. Thus, consumer neuroscience not only enriches the decision theory, but also promotes the application of theory.

Next, the article moves on to illustrate the methods in consumer behavior prediction with traditional methods and neuroscience tools. Traditional methods include qualitative methods like interviews and focus groups, quantitative methods like surveys, experimental studies, big data and artificial intelligence. Neuroscience tools include functional magnetic resonance imaging (fMRI), electroencephalography (EEG), functional near-infrared spectroscopy (fNIRS), eye tracking, and some physiological and biological metrics like skin electrical response, heart rate, respiratory rate, etc. Among them, fMRI and fNIRS can locate brain regions related to specific functions; EEG records cortical potential when engaged in specific tasks; eye tracking is mainly used to record the eye movement; skin electrical response, heart rate, and respiratory rate can reflect the level of affect and emotion. Compared with traditional methods, neuroscience tools complement their alternatives such as predicting with laboratory behavioral data and show superiority to predict the overall market consumption.

Then, this article demonstrates the recent trends of consumer behavior prediction research based on consumer neuroscience perspective. With the rapid development of consumer neuroscience, the research trend of consumer behavior prediction emerged and fluctuated in the last decade. Currently, it pioneers in consumer neuroscience. We summarize 18 representative researches regarding to their research tools, topics, measurement indicators, published journals, and then detail the research status of predicting consumer behavior. In related researches, fMRI predicts for consumer behavior at individual and market level in terms of experience preference, product selection and advertising performance. It usually applies to occasions where the brain area has been clearly associated with specific behaviors; EEG is mostly used to predict consumer behavior at individual and market level in terms of experience preference and product selection. It applies to occasions where the stimuli is time-dynamic (e.g., video ads, movies, TV programs, etc.); eye tracking is mostly used to predict product selection behavior when studying consumer behavior related to visual attention; and other neuroscience tools for consumer behavior predication is also introduced.

Lastly, this article points out the limitations in this vein of research based on the summary of previous studies. It states that a lack of specific cognitive indicators to predict consumer behavior, rare measure in real scenes, ethical issues need further discussion. In particular, domestic research is in its infancy and still has a large space for development. Then we put forward the directions that need to be broken in the future based on the current bottlenecks. (1) Combine multi-modal data to enrich unique indicators for predicting consumer behavior; (2) Predict consumer behavior from multiple stages of purchase decisions based on real-life needs; (3) Optimize data collection and analysis methods to improve the external validity; (4) Conduct cross-cultural research to reveal consumption forecast in domestic context.

The rapid growth of neuroscience tools ushers in an era of consumer neuroscience. Consumer neuroscience researches are then equipped with more objective metrics to advance research in marketing researches. It supplements the earlier controversial researches and provides unlimited possibilities for the future development. In the future, the strand of consumer neuroscience will be closely integrated with emerging disciplines such as big data, artificial intelligence, and machine learning to develop richer research fields, attract more professional researchers, and apply more humane research tools, thereby providing more theoretical and pragmatic values for consumer behavior research.

Consumer neuroscience; Prediction; Consumer behavior; Consumer decision-making

F273；B845

A

1004-6062(2020)06-0001-012

10.13587/j.cnki.jieem.2020.06.001

2020-03-04

2020-06-30

Supported by the National Natural Science Foundation of China(71871199, 71572176), the Ministry of Education of Humanities and Social Science Foundation (20YJC630228) and the Philosophy and Social Science Planning Project of ZheJiang Province (16ZJQN030YB)

2020-03-04

2020-06-30

国家自然科学基金资助项目（71871199、71572176）；教育部人文社会科学基金资助青年项目（20YJC630228）；浙江省哲学社会科学基金资助项目（16ZJQN030YB）

郑杰慧（1991—），女，江西玉山人；浙江大学管理学院助理研究员，博士；研究方向：消费者神经科学和决策科学。

中文编辑：杜 健；英文编辑：Boping Yan