“普通影响者”完胜“金·卡戴珊”
对于上述结论，很多人可能马上会说，这完全是计算机模拟的结果。我前面也说过，这些模拟是现实的高度简化，并且做了大量假设，其中任何一个假设都可能出错。不过，计算机模拟非常有用，它能给我们提供全新的见解。但计算机模拟终究更像思想实验，而不是真正的实验，所以更适合用来提出新问题，而不是解答之前的问题。因此，如果我们真的想弄清楚个体是否能够引发想法、信息和影响的传播，以及如果有影响者存在，如何将他们与普通人区分开来，就需要在现实世界中进行实验。然而，若想研究现实世界中个人影响力与群体影响力之间的关系，则说起来容易做起来难。
实验面临的首要问题是需要大量数据，而且这些数据大多难以收集。仅仅证明一个人影响了另一个人就已经很难了，如果你想研究他们是如何影响了更大的群体，以及如何建立起联系，就需要收集整个影响链的信息。在影响链中，一个人会影响另一个人，另一个人又会影响下一个人，以此类推。很快你就会发现，仅仅是为了追踪一条信息的传播，就需要考虑数千甚至数百万条关系。在理想的情况下，你需要研究很多这样的例子。这样的话，若想检验“是否有些人比其他人更重要”这种相对简单的论点，就需要海量的数据，而且无法绕开。这也解释了传播研究在这么长时间里都没有取得进展的原因：当无法证明某些事情时，每个人都可以提出自己认为合理的设想，但我们没办法判断它们的对错。
然而，随着“音乐实验室”等类似实验的开展，互联网开始以重要的方式改变这一局面。近期一些研究人员开始在社交网络上探究信息传播的问题，网络传播规模之大，10年前的我们根本无法想象。博文会通过博主进行网络传播；粉丝效应可以通过Facebook好友进行网络传播；“手势”（即特殊能力）可以在网络游戏《第二人生》的玩家之间传播……23受到这些研究的启发，我与雅虎公司的同事杰克·霍夫曼（Jake Hofman）和温特·梅森，以及密歇根大学的一位优秀研究生艾唐·巴克什（Eytan Bakshy）决定在Twitter（目前我们能使用的最大通信网络）中研究信息的传播。在这个过程中，我们将寻找那些影响者。24
从很多方面来看，Twitter是实现这一目标的理想选择。
首先，在Facebook中，人们以各种各样的原因相互连接，而Twitter不同，它旨在向你的“粉丝”（也就是那些明确表示想要从你这里得到消息的人）传播信息。因此，让人们关注你，或者说你影响他人，就是Twitter的全部意义所在。
其次，Twitter非常多元化。很多用户都是普通人，他们的粉丝大多是对他们感兴趣的朋友。但Twitter上最受关注的还是公众人物，包括博主、记者、名人［如影星阿什顿·库彻（Ashton Kutcher）、沙奎尔·奥尼尔（Shaquille O’Neal）、奥普拉·温弗瑞］、美国有线电视新闻网等媒体机构，甚至包括政府机构和非营利性组织（如美国政府、唐宁街10号、世界经济论坛）等。这种多元性可以让我们以常用的方法比较各种各样的潜在影响者产生的影响，从普通人到奥普拉、阿什顿等。
最后，尽管很多推文都是平淡无奇的更新，比如“在百老汇的星巴克喝咖啡，真是美好的一天”，但其中仍有不少推文涉及了其他网络内容（如突发性新闻或有趣的视频），或者其他事物（如书籍、电影等），Twitter用户想要就此发表自己的观点；而且，由于Twitter的格式要求每条推文长度不超过140个字符，所以用户经常使用“网址缩略服务”来代替原来复杂冗长的网址，比如，bit.ly网址缩略服务可以让原始网址缩略成http://bit.ly/beRKJo等类似的格式。缩略网址服务可以有效地为Twitter上的每条内容分配一个唯一的编号。这样，当用户想要“转发”某条推文时，就可以看到这条信息最初来自谁，进而追踪到信息在转发者之间的传播路径。
反常识案例
为什么专注于少数“特殊”个体的营销策略不可取
2009年年底的两个月，我们总共追踪了由160多万名用户发起的超过7 400万条传播链。我们计算了每条推文的URL被转发的次数，首先是“种子”用户的直接粉丝转发，随后是直接粉丝的粉丝，以及他们粉丝的粉丝等，进而追踪到每条原始推文引发的整条传播链。如图3-1所示，其中一些传播链宽而浅，有的窄而深。还存在一些结构复杂的庞大传播链，它们开始时很小，增长缓慢，之后在网络的某个地方开始加速增长。最重要的是，我们发现绝大多数（约占总数的98%）尝试传播信息的传播链其实根本没有扩散开来。
图3-1 Twitter上的传播链
这一结果很重要，因为如果你想了解为什么有些信息会诱发“病毒式传播”，比如那些意外吸引了数百万次下载量的YouTube视频，或是通过电子邮件或Facebook疯狂传播的搞笑信息，仅考虑少数几个成功的例子是行不通的，这一点我将在第4章中详细讨论。然而，在大多数情况下，人们只会研究“成功”的例子，原因很简单，没有人会费神去追踪失败的案例，它们往往会变得非常不起眼。但是，在Twitter上，我们可以追踪每个事件，无论它有多不起眼。这样我们就能了解到谁是影响者，他们的影响力比普通人大多少，以及能否以一种可行的方式来区分个体之间的差异。
我们进行实验的方法是模拟一个假想的营销人员可能会做的事，也就是利用所有已知的100万余人的特点和以往的表现，预测每个人未来的影响力。基于这些预测，营销人员可以“赞助”某些人，让他们在Twitter上发布要传播的信息，从而引发一系列传播链。营销人员对于任何特定个体所引发的传播链规模预测得越准确，就越能高效地分配预算给受赞助的推文。实际上，在现实中进行这样的实验仍然非常困难，所以我们只能利用收集的数据尽可能地去估计。具体来讲，首先，我们把数据分成了两部分，并人为地将实验期间的第一个月设定为“历史”数据，后一个月为“未来”数据。然后，我们将所有“历史”数据，包括每个用户的粉丝数、关注数、转发频率、注册时间，以及在这段时间内触发传播链的成功率全部录入到一个统计模型中。最后，我们使用这个模型去“预测”每个用户在我们的“未来”数据中会产生多大的影响力，并根据实际发生的情况检验模型的性能。简单来说，我们发现，个体层面的预测非常复杂。虽然平均看来，如果过去有众多粉丝的人成功地触发了传播链，他们在未来更有可能取得成功，但是，个别情况下的结果会大幅随机波动。和《蒙娜丽莎》的案例一样，对于每一个表现出成功影响者特性的人来说，其背后还有着很多没有成功的人，他们也有着几乎无异的特性。这种不确定性的出现，也不仅仅是因为我们无法衡量或准确识别成功的特性，事实上，我们拥有的数据比任何营销人员都多。但问题在于，成功的传播取决于个人无法控制的因素，就像上述模拟一样。换句话说，这个结果表明，专注于少数“特殊”个体的营销策略注定是不可取的。因此，营销人员应该像财务管理者一样，采用“组合投资”策略，关注大量潜在影响者，利用他们的平均影响效果，从而有效地降低个体层面的随机性。
尽管组合策略在理论上颇为可行，但它也带来新的问题——成本效益。为了说明这一点，我们不妨看一下《纽约时报》的一篇报道。该报道称，电视真人秀女星金·卡戴珊在Twitter上发表一条赞助商产品的推文，就能收到一万美元的报酬。卡戴珊当时的粉丝数量超过百万，所以比起只有几百个粉丝的普通人来说，付钱给卡戴珊这样的人可以吸引到更多关注，这个观点似乎很有道理。但他们是如何得出这个数字的呢？普通人可能会以远低于一万美元的价格发布广告推文。因此，我们假设影响力显著之人的“成本”比不那么显著的人要高，那么营销人员应该把注意力放在小部分更具影响力、报价昂贵的人身上，还是放在大量影响力较低、价格低廉的人身上呢？进一步说，如何才能达到两者之间的最优平衡呢？25
最终，这一问题的答案将取决于不同的Twitter用户会向营销人员收取多少广告费，如果他们确实同意这么做的话。另外，作为一种预测实验，我们还测试了一系列看似合理的假设，其中每个都对应一种不同的“影响者”的营销策略，并使用了与之前相同的统计模型来计算他们的投资回报。结果让我们都感到惊讶：尽管世界上的“金·卡戴珊们”确实比一般人更有影响力，但他们的要价要高得多，所以他们并没有很好地发挥这笔钱的价值。相反，成本效益最佳的信息传播方式往往是通过那些我们所说的“普通影响者”，即影响力处于平均水平甚至在平均水平以下的人。