Efeitos dos argumentos de prova social em Sistemas de Recomendação por filtragem colaborativa

Fábio Roberto Ferreira Borges; Ricardo Teixeira Veiga

doi:10.5585/2025.30087

Autores

Fábio Roberto Ferreira Borges Universidade Federal de Minas Gerais (UFMG), Departamento de Ciências Administrativas (DCAD), Faculdade de Ciências Econômicas (FACE), Belo Horizonte, MG, Brasil https://orcid.org/0000-0003-2588-4730
Ricardo Teixeira Veiga Universidade Federal de Minas Gerais (UFMG), Departamento de Ciências Administrativas (DCAD), Faculdade de Ciências Econômicas (FACE), Belo Horizonte, MG, Brasil https://orcid.org/0000-0001-5467-0972

DOI:

https://doi.org/10.5585/2025.30087

Palavras-chave:

sistemas de recomendação, filtragem colaborativa, prova social, e-commerce

Resumo

Objetivo: A influência social no ambiente de e-commerce assumiu um papel fundamental no processo de compra, por meio de avaliações de clientes, classificações agregadas, presença social e outros elementos. As empresas de e-commerce fazem uso extensivo de Sistemas de Recomendação, que identificam os padrões de comportamento da comunidade de usuários para extrair informações úteis e transformá-las em recomendações. Este estudo tem como objetivo analisar os efeitos das recomendações baseadas em similaridade comportamental (por exemplo, "A maioria das pessoas que gostou do filme A também gostou do filme B", portanto, os filmes A e B são muito semelhantes no gosto do usuário) (níveis alto e baixo) e dos argumentos de prova social (ausentes e presentes) na avaliação da recomendação e na intenção de compra. Adicionalmente, investiga se a prova social modera o impacto das recomendações baseadas em similaridade em ambientes de e-commerce.

Metodologia/Abordagem: Uma série de três experimentos foi conduzida usando um design fatorial 2 x 2, manipulando a similaridade comportamental e a prova social como variáveis independentes. As variáveis dependentes incluíram a avaliação da recomendação e a intenção de compra. Os tamanhos das amostras para os experimentos foram de 128, 120 e 136 participantes, respectivamente.

Principais Resultados: Os resultados confirmaram os efeitos de interação dos fatores manipulados nas variáveis dependentes nos dois primeiros estudos. O Estudo 1 testou o efeito do argumento de prova social, variando sua presença e ausência, com uma recomendação baseada em similaridade alta e baixa, bem como seus efeitos na intenção de compra e na avaliação da recomendação. Os resultados do Estudo 1 mostraram interações significativas para Avaliação da Recomendação e Intenção de Compra. O Estudo 2 foi uma variação do Estudo 1, alterando o ambiente, agora não usando uma peça de e-mail marketing, mas a tela de um dispositivo móvel. O Estudo 2 também encontrou efeitos significativos na Avaliação da Recomendação e na Intenção de Compra. No entanto, no Estudo 3, onde a prova social foi representada por uma fonte de validação externa (classificação do IMDb), não foram observados efeitos de interação na Avaliação da Recomendação e na Intenção de Compra.

Contribuições Teóricas/Metodológicas: Este estudo contribui para a literatura ao demonstrar que a prova social modera os efeitos das recomendações baseadas em similaridade, embora sua influência dependa do tipo de prova social utilizada. Ele destaca o papel complexo da validação externa na formação das percepções dos consumidores sobre os sistemas de recomendação.

Originalidade/Relevância: A pesquisa aborda uma lacuna teórica na compreensão de como os mecanismos de influência social, especificamente a similaridade comportamental e os argumentos de prova social, interagem para impactar a tomada de decisão do consumidor no e-commerce. Sublinha a necessidade de alinhar estratégias de recomendação com pistas sociais para aumentar o engajamento do consumidor.

Contribuições Sociais/Gerenciais: Os resultados oferecem insights práticos para empresas de e-commerce que buscam otimizar seus sistemas de recomendação. Ao alavancar estrategicamente a similaridade comportamental e selecionar cuidadosamente os argumentos de prova social, as empresas podem influenciar mais eficazmente o comportamento do consumidor e as decisões de compra.

Objetivos de Desenvolvimento Sustentável (ODS): consumo e produção responsáveis, inovação e infraestrutura para mercados digitais, crescimento econômico sustentável através de escolhas informadas do consumidor.

Downloads

Não há dados estatísticos.

Tradução

Este artigo é uma tradução em Português (Brasil) do artigo: Effects of social proof arguments on collaborative filtering recommender systems

Biografia do Autor

Fábio Roberto Ferreira Borges, Universidade Federal de Minas Gerais (UFMG), Departamento de Ciências Administrativas (DCAD), Faculdade de Ciências Econômicas (FACE), Belo Horizonte, MG, Brasil

Doutor em Administração (Área Mercadologia e Administração Estratégica) - pela Universidade Federal de Minas Gerais. Mestre em Administração (Área Mercadologia e Administração Estratégica) pela Universidade Federal de Minas Gerais. Graduado em Administração pela Universidade Federal de Minas Gerais. Atua como Professor Adjunto no Departamento de Ciências Administrativas da UFMG, na área de Marketing e Marketing Digital. É autor na temática de Transformação Digital e também realiza pesquisa em assuntos como Comportamento do Consumidor, Estratégia e Transhumanismo. Tem atuado, nos últimos anos, como coordenador em projetos de extensão na empresa Localiza Rent a Car SA, visando aumentar a competitividade da empresa a partir da implementação de metodologias científicas para informar a tomada de decisão em Marketing e Estratégia.

Ricardo Teixeira Veiga, Universidade Federal de Minas Gerais (UFMG), Departamento de Ciências Administrativas (DCAD), Faculdade de Ciências Econômicas (FACE), Belo Horizonte, MG, Brasil

Bacharel em Ciência da Computação, Especialista em Estatística, Mestre e Doutor em Administração - todos os cursos feitos na UFMG. A linha de pesquisa é Mercadologia, Estratégia e Operações. Áreas principais de interesse: teoria de marketing, ética, estética, comportamento do consumidor, pesquisa de mercado e estatística multivariada. Professor Titular do Departamento de Ciências Administrativas da UFMG / FACE e Membro do Corpo Docente Permanente do CEPEAD (PPGA da Administração). Líder do Tema Marketing de Serviços e Serviços Emergentes, da divisão de Marketing da ANPAD (Associação Nacional de Pós-Graduação e Pesquisa em Administração). Orientou 13 teses de doutorado, 28 dissertações de mestrado, 20 trabalhos finais de curso de especialização, 16 trabalhos de conclusão de curso de graduação e 15 projetos de iniciação científica. No momento, orienta um doutorando, três mestrandos e uma bolsista de IC. Publicou 54 artigos completos em periódicos, 72 trabalhos em anais de eventos, três livros e oito capítulos de livros. Atua como consultor ad hoc do CNPq e Capes, revisor de periódicos de alto impacto nacionais e internacionais e membro do conselho editorial de dois periódicos nacionais.

Referências

Amblee, N.; Bui, T. (2012). Value proposition and social proof in online deals: An exploratory study of Groupon.com. In Proceedings of the 14th Annual International Conference on Electronic Commerce (ICEC ’12) (pp. 294–300). Association for Computing Machinery. https://doi.org/10.1145/2346536.2346596

Asch, S. E. (1956). Studies of independence and conformity: A majority of one against a unanimous majority. Psychological Monographs, 9, 70–79. https://doi.org/10.1037/h0093718

Ballel, T. R. H. (2012). Legal Aspects of Recommender Systems in the Web 2.0: Trust, Liability and Social Networking IN: Arias, J. P.; Vilas, A. F.; Redondo, R. P. D. (Orgs). Recommender systems for the social web. New York: Springer.

Bedi, Punam; Sharma, Ravish. (2012). Trust based recommender system using ant colony for trust computation. Expert Systems with Applications, 39, 1183-1190. https://doi.org/10.1016/j.eswa.2011.07.124

Bobadilla, Jesus; Ortega, Fernando; Hernando, Antonio; Alcalá, Javier. (2011). Improving collaborative filtering recommender system results and performance using genetic algorithms. Knowledge-Based Systems, 24, 1310-1316. https://doi.org/10.1016/j.knosys.2011.06.005

Bosnjak, M., Ajzen, I., & Schmidt, P. (2020). The Theory of Planned Behavior: Selected Recent Advances and Applications. Europe’s Journal of Psychology, 16(3), 352-356. https://doi.org/10.5964/ejop.v16i3.3107

Brodie, R. J.; Hollebeek, L. D.; Juric, B.; Ilic, A. (2011). Customer engagement: conceptual domain, fundamental propositions, and implications for research. Journal of Service Research, 14, 3, 252-271. https://doi.org/10.1177/109467051141170

Bruner, G. C., II. (2003). Combating scale proliferation. Journal of Targeting, Measurement, and Analysis for Marketing, 11(4), 362–372. https://doi.org/10.1057/palgrave.jt.5740091

Chen, J.-S., Ching, R., Luo, M., & Liu, C.-C. (2008). Virtual experiential marketing on online customer intentions and loyalty. In Proceedings of the 41st Hawaii International Conference on System Sciences (HICSS 2008) (p. 271). IEEE Computer Society. https://doi.org/10.1109/HICSS.2008.495

Cialdini, R. (2001) Influence, science and practice. Boston: Allyn & Bacon.

Clark, W. R.; Kemp, K. J. (2008). Using the six principles of influence to increase student involvement in professional organizations: a relationship marketing approach. Journal for Advancement of Marketing Education, 12(1), 43–51. https://doi.org/10.63963/001c.150468

David, P. and Rundle-Thiele, S. (2018). Social marketing theory measurement precision: a theory of planned behaviour illustration. Journal of Social Marketing, 8(1), 82–102. https://doi.org/10.1108/JSOCM-12-2016-0087

Deshpande, M.; Karypis, G. (2004). Item-based top-n recommendation algorithms. ACM Transactions on Information Systems, 22(1), 143–177. https://doi.org/10.1145/963770.963776

Distefano, C.; Zhu, M.; Mîndrilă, D. (2009). Understanding and Using Factor Scores: Considerations for the Applied Researcher. Practical Assessment, Research & Evaluation, 14, 20, 1-11. https://doi.org/10.7275/DA8T-4G52

Dobele, A.; Lindgreen, A.; Beverland, M.; Vanhamme, J.; Van Wijk, R. (2007). Why pass on viral messages? Because they connect emotionally. Business Horizons, 50, 291-304. https://doi.org/10.1016/j.bushor.2007.01.004

Faraone, M. F.; Gorgoglione, M.; Palmisano, C.; Panniello, U. (2012) Using context to improve the effectiveness of segmentation and targeting in e-commerce. Expert Systems with Applications, 39, 8440-8451. https://doi.org/10.1016/j.eswa.2012.01.174

Figueiredo, L. F. de, Rocha, A. A. de A., & Paes, A. (2025). Tell me why: How explanation can affect recommender systems. In Proceedings of the 2025 ACM International Conference on Interactive Media Experiences (IMX '25) (pp. 492–493). https://doi.org/10.1145/3706370.3731933

Filieri, Raffaele. (2015). What makes online reviews helpful? A diagnosticity-adoption framework to explain informational and normative influences in e-WOM. Journal of Business Research, 68, 6 (June), 1261-1270. https://doi.org/10.1016/j.jbusres.2014.11.006

Gkika, Sofia; Lekakos, George. (2014). Investigating the Effectiveness of Persuasion Strategies on Recommender Systems. 9th International Workshop on Semantic and Social Media Adaptation and Personalization, November, Corfu, Greece. https://doi.org/10.1109/SMAP.2014.37

Hasan, E., Rahman, M., Dengo, C., Huang, J., & Raza, S. (2025). Review-based recommender systems: A survey of approaches, challenges and future perspectives. ACM Computing Surveys. https://doi.org/10.48550/arXiv.2405.05562

Jannach, D.; Zanker, M.; Felfernig, A.; Friedrich, G. (2011). Recommender systems: an introduction. New York: Cambridge University Press.

Kaptein, Maurits; Halteren, Aart van. (2013). Adaptive persuasive messaging to increase service retention: using persuasion profiles to increase the effectiveness of email reminders. Personal and Ubiquitous Computing, 17(6), 1173–1185. https://doi.org/10.1007/s00779-012-0585-3

Klaus, P. (2013) The case of Amazon.com: towards a conceptual framework of online customer service experience (OCSE) using the emerging consensus technique (ECT). Journal of Services Marketing, 27, 443-457. https://doi.org/10.1108/JSM-02-2012-0030

Konstan, Joseph; Ekstrand, Michael. (2015) Introduction to Recommender Systems: by University of Minnesota. 2015. https://www.coursera.org/learn/recommender-systems/.

Kitchen, P. J., Kerr, G., E. Schultz, D., McColl, R. and Pals, H. (2014). The elaboration likelihood model: review, critique and research agenda. European Journal of Marketing, Vol. 48 No. 11/12, pp. 2033-2050. https://doi.org/10.1108/EJM-12-2011-0776

Lansman, L., Mokryn, O., Guo, L., Iqbal, M., & Knijnenburg, B. (2025). Using emotion diversification based on movie reviews to improve the user experience of movie recommender systems. ACM Transactions on Interactive Intelligent Systems, 15(3), Article 16. https://doi.org/10.1145/3743147

Li, Yung-Ming; Wu, Chun-Te; Lai, Cheng-Yang. (2013). A social recommender mechanism for e-commerce: Combining similarity, trust, and relationship. Decision Support Systems, 55, 3 (June), 740-752. https://doi.org/10.1016/j.dss.2013.02.009

Lin, Zhijie. (2014) An empirical investigation of user and system recommendations in e-commerce, Decision Support Systems, 68 (December), 111-124. https://doi.org/10.1016/j.dss.2014.10.003

Linden, G.; Smith, B.; York, J. (2003) Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, 7(1), 76–80. https://doi.org/10.1109/MIC.2003.1167344

Ludwig, S.; Ruyter, K. de; Friedman, M.; Brüggen, E. C.; Wetzels, M.; Mayers, Andrews. (2013) Statistics and SPSS in Psychology. Edinburgh Gate: Pearson.

Ludwig, S.; Ruyter, K. de; Friedman, M.; Brüggen, E. C.; Wetzels, M.; Pfann, G. (2013) More than words: the influence of affective content and linguistic style matches in online reviews on conversion rates. Journal of Marketing, 77, 1, 87-103. https://doi.org/10.1509/jm.11.0560

Manganari, Emmanouela E.; Siomkos, George J.; Vrechopoulos, Adam P. (2009) Store atmosphere in web retailing. European Journal of Marketing, 43, 9/10, 1140-1153. https://doi.org/10.1108/03090560910976401

Min, Hye-Jin; Park, J. C. (2012) Identifying helpful reviews based on customer’s mentions about experiences. Expert Systems with Applications, 39, 11830–11838. https://doi.org/10.1016/j.eswa.2012.01.116

Mollen, A.; Wilson, H. (2010) Engagement, telepresence and interactivity in online consumer experience: reconciling scholastic and managerial perspectives. Journal of Business Research, 63, 919-925. https://doi.org/10.1016/j.jbusres.2009.05.014

Neumann, A. W. (2009) Recommender systems for information providers: designing customer centric paths to information. Karlsruhe: Springer. https://doi.org/10.1007/978-3-7908-2134-5

Qiu, Lingyun; Pang, Jun; Lim, Kai H. (2012) Effects of conflicting aggregated rating on eWOM review credibility and diagnosticity: The moderating role of review valence. Decision Support Systems, 54, 1 (December), 631-643. https://doi.org/10.1016/j.dss.2012.08.020

Ricci, F.; Rokach, L.; Shapira, B. (2010) Introduction to recommender systems handbook. IN: RICCI, F.; Rockach, L.; Shapira, B.; Kantor, B (Orgs.). Recommender systems handbook. New York: Springer. https://doi.org/10.1007/978-0-387-85820-3_1

Sarwar, Badrul; Karypis, George; Konstan, Joseph; Riedl, John. (2000) Application of Dimensionality Reduction in Recommender System – A Case Study. Department of Computer Science and Engineering. University of Minnesota. https://doi.org/10.21236/ADA439541

Schindler, R. M.; Bickart, B. (2012) Perceived helpfulness of online consumer reviews: the role of message content and style. Journal of Consumer Behaviour, 11, 234–243. https://doi.org/10.1002/cb.1372

Srivastava, M. and Saini, G.K. (2022), A bibliometric analysis of the elaboration likelihood model (ELM). Journal of Consumer Marketing, Vol. 39 No. 7, pp. 726-743. https://doi.org/10.1108/JCM-12-2021-5049

Smyth, B. (2025). People who liked this also liked ... A publication analysis of three decades of recommender systems research. ACM Transactions on Recommender Systems, 4(2), Article 28. https://doi.org/10.1145/3742442

Ström, Roger; Vendel, Martin; Bredican, John. (2012) Mobile marketing: A literature review on its value for consumers and retailers. Journal of Retailing and Consumer Services, Volume 21, Issue 6 (November), 1001-1012. https://doi.org/10.1016/j.jretconser.2013.12.003

Zhou, C., Li, H., Leng, M., & Yu, J. (2025). To adopt an online recommender system? A manufacturer’s strategic choice in a dual-channel setting. International Journal of Production Economics, 287, 109677. https://doi.org/10.1016/j.ijpe.2025.109677