語義效應;三個溝通模型,幫你運籌帷幄,決勝千裡!(深度乾貨)

2020-12-03 周少創業指南

我們經常說:說話是一門藝術,但在藝術之前它首先是門技術,一門關於語義的技術。

語義?對,就是語義效應!

什麼意思呢?先來看這兩個故事;

有個基督徒問神父:神父,請問禱告的時候,可以吸菸嗎?神父痛斥他:當然不可以。禱告的時候必須非常虔誠,怎麼能吸菸呢。這個基督徒想了想,換了一種問法:那請問神父,吸菸的時候,可以禱告嗎?神父說:當然可以,孩子,在任何時候,你都可以禱告。

有意思。同一件事情,不同的問法,截然不同的答案。為什麼?因為這「同一件事情,不同的問法」所表達的「語義」,是不一樣的。

禱告是好事,吸菸是壞事。在禱告時吸菸,好事既成事實,你要做壞事,這怎麼行!吸菸時禱告呢?壞事既成事實,你想做好事?那必須可以啊!

「在禱告時吸菸」的語義是「失」,「在吸菸時禱告」是「得」。受「損失規避」心理的影響,神父只接受「得」,不接受「失」;而這個基督徒,則利用了「語義效應」,左右了神父的答案。

看懂了嗎?我們再來看一個故事;

小明跟女朋友說,我可以在想你的時候打遊戲嗎,女朋友回答:當然不行,你怎麼能三心二意,連想我都沒誠意!隨後呢,小明換了一種說法:那我可以在打遊戲的時候想你嗎?這時候女朋友說,當然可以,你可以在任何時候想我啊。

你看,說話方式不同,結果就不同,為什麼?

在女朋友看來,想我是好事,玩遊戲則是壞事。在想我的時候玩遊戲,好事既成事實,你要做壞事,這怎麼行!那在玩遊戲的時候想我呢?壞事既成事實,你想做好事?那必須可以啊!

「對女朋友來說,想她的時候玩遊戲是「失」,「玩遊戲的時候想她」是「得」。還是受「損失規避」心理的影響,女朋友只接受「得」,不接受「失」;而小明也同樣可以利用語義效應,來左右女朋友的答案。

那到底什麼是語義效應?因為損失規避,讓人們非常厭惡「失」,而期待「得」。這就導致,通過調整敘訴方式中「得失感」,影響語義,可以使人做出截然不同的決策。這就是語義效應。語義效應,也就是我們常說的「話術」。

那現實的生活中我們該如何用好「語義效應」這個武器呢?

我們常用的語義效應有三類:

第一;跳過"做不做、選與不選」,

而是直接問"怎麼做 做多少"?直接給用戶建議,直接幫他做選擇,因為用戶都會有選擇困難症。

例如;我有個朋友做了一家民宿,每當客人過來看完所有的房間的時候,他就問;您滿意嗎?您住不住?您考慮的怎麼樣呢?結果他發現,這種問法得到的回饋就是,客人比較猶豫,經常會跑到別家再去看。後來他換另外一種方式;當客人看房間的時候呢,就特別留意他最感興趣的那一間,例如叫A房間,然後就問客人,您是住A房間還是住另外一間房?

結果第二種表達方式成交率比第一種高很多!那為什麼會這樣?因為人性中,都有一個叫「選擇困難症」的東西,而我們的大腦則有個省力的潛意識,你如果讓它費力的在眾多選擇中去選一個,它會糾結猶豫,甚至是崩潰。所以,這就如同別人經常問你中午吃什麼?晚上吃什麼?是一個道理,最有效的方式就是幫助他去做選擇,解決他的猶豫,潛意識給他一個確定的結果。

還可以怎麼用?

例如我以前做房地產銷售業務的時候,公司會給我們很多電話號碼,我們的工作就是不斷打電話,將電話那頭的客戶約出來看房。但是有個現象,很多人接到推銷電話的時候都是說;「我現在很忙,改天過來看」之類的話,多數業務員聽到客戶這樣回應就接著再打下個電話,試圖將下一個客戶約出來。而我當時怎麼做呢?客戶一旦這樣回應,我便立即追問;李總哪您大概什麼時候忙完呢?等您不忙的時候我再打給你!隨後客戶說,那我下個星期過來看,我便再追問;您下個星期幾呢?大概幾點呢?通過這種確定式的詢問方式,讓客戶潛意識確實時間,再作出承諾,畢竟是自己說過的話,只要不是特殊原因基本都不願意爽約。其結果呢,我的帶客約看率比同事高了很多,成交率也高了,業績自然比同事高。

我們再來看看第二種語義效應運用的方式;

第二;突出顧客錯過後所承擔的機會成本(損失規避心理)。

例如;

電商平臺經常推出優惠券,放在很顯眼的位置,用戶看到一般都會去領,有時用戶領了會把這事給忘了。電商平臺在優惠券過期前1天會發消息提醒用戶:「您有x張優惠券即將過期,某某品牌的商品正在限時優惠搶購,過了今天就漲價,僅剩最後20件!不要錯過喔!然後每件貨品均顯示距離下架的時間讓客戶看到時間的流逝和商品的減少,同時提出七天無理由退貨!你看,是不是讓我們感覺今天不買就虧了,同時因為7天無理由退貨讓我們付款無後顧之憂呢?

」這正是利用用戶的損失規避心理,提高用戶的購買率。

再例如;宜家的家居最早是送貨另外加50-80元,客戶感覺很不好,付了貨款,運回去還要出錢,感覺虧了。

後來改成如果客戶自己運回家,則可以節省50-80元。很多用戶為了規避運費損失,主動自己開車運回去,客戶滿意度也得到提升。

再例如;賣保險的會跟你說;如果不買保險的話,以後一旦發生意外你就會付出很大一筆費用,但是你買之後,多少年後還能全額退款。其實是在強調你不會"失去"這筆錢,不僅不會"失去",還能"得到"有效保障,就當給自己存錢~既然不會失去,又能得到保障,所以很多人買了保險。

最後,我們來講一下第三種方式。

第三;先給出低期望,後不斷加碼。

有一家公司福利很好,每一年都發年終獎,員工人均不會低於1萬。但是某一年公司的效益斷崖式下跌,照這個情況看,人均1萬的年終獎肯定是發不了了,但是如果不發,又擔心員工有情緒,怎麼辦?老闆左右為難!隨後老闆想了一下,就放出消息說公司「效益不好,要實施裁員計劃」,員工知道後都人心惶惶,很擔心被裁。但是過了幾天後,老闆又公布消息「公司決定:無論多大虧損都不裁員,只是需要大家共度難關,不過就沒有年終獎了」,員工們普遍表示可以接受。結果到了年底,老闆垂淚言道:「兄弟們辛苦了一年,怎麼能沒有表示呢?這樣吧,我來把股權抵押貸款,大家每人拿5千年終獎」。所有的員工歡呼雀躍,都一致認為來到了一個好公司,有個好老闆。

看到了嗎?

這就是語義效應的威力,有時候情況可能對我們不利,但是只要我們調整敘述方式,在同樣的事情上,用不同的說話方式,就能左右事情的結果!

最後再呢跟大家重複這句話:說話是一門藝術,但是在藝術之前它首先是門技術!一門關於語義的技術!

看懂了的你,能例舉幾個身邊的案例嗎?

相關焦點

  • 從八字看你是運籌帷幄、決勝千裡,還是勤勤懇懇、披星戴月
    慵懶並不會影響事業,因為日坐正、偏印的人,思想勤快,生活工作會事半功倍,運籌帷幄、決勝千裡。
  • 谷歌開源語義圖像分割模型:該領域當前最優模型
    GitHub 地址:https://github.com/tensorflow/models/tree/master/research/deeplab語義圖像分割任務是指將語義標籤(例如「道路」、「天空」、「人」、「狗」)分配給圖像中的每一個像素,這種技術有很多新應用,例如,Pixel 2 和 Pixel 2 XL 智慧型手機中肖像模式的合成淺景深效應,以及行動裝置的實時語義分割等
  • 迪士尼研發深度語義面部模型,讓表情更豐富
    近期,迪士尼和麻省理工學院的研究人員合作研發了一種基於深度神經網絡的語義面部模型,用於快速製造多個具有細節特徵的人物頭像,該論文《深度語義面部模型(Semantic Deep Face Models)》發表至3D視覺國際會議。
  • 2019 語義分割指南
    用於語義圖像分割的深度神經網絡弱和半監督學習(ICCV,2015)這篇文章提出了一種解決方法,用於面對深度卷積網絡中處理弱標記數據的難題、以及處理良好標記與未適當標記數據結合。本文應用了一個深度CNNs與全連接條件隨機場的組合。
  • 微軟IJCAI2016演講PPT:深度學習在語義理解上不再難有用武之地
    我們將PPT的文字翻譯直接放在了幻燈片內,有興趣的讀者可以點開大圖查看,不過大家也可以直接觀看我們在每張圖後寫下的註解,一樣能幫你理解微軟的意思。
  • 是家長方法錯了,「語義啟動效應」來幫你
    這裡我們要說到一個名詞叫做:"語義啟動效應",這與孩子讀書認字具有極大的關係,它是孩子識記的基礎,它能使用語境式的方法來教孩子對識字形成長時記憶和思維,在生活、閱讀中自然地獲得識字的認知。"語義啟動效應"1、何為"語義啟動效應""啟動效應"是指一個先快速呈現的刺激 對緊接著出現的第二個刺激的加工產生的或正或負的影響。通俗易懂的說就是在某一信息前出現了刺激,讓你對這一信息更加容易接受。
  • 王海峰出席CCHI2018 深度解析「多模態深度語義理解」
    百度大腦的演進,從基礎技術積累,到建立完整的技術體系,再到核心技術進入多模態深度語義理解階段,同時伴隨著百度多年的業務實踐和AI能力的全面開放。百度大腦新階段:多模態深度語義理解 「多模態深度語義理解」是指對文字、聲音、圖片、視頻等多模態的數據和信息進行深層次多維度的語義理解,包括數據語義、知識語義、視覺語義、語音語義一體化和自然語言理解等多方面的語義理解技術。
  • 深度圖像識別-深層網絡的隱式語義數據擴增 ISDA 方法
    與我們的方法類似,具有邊緣化損壞特徵的學習[13]可以看作是一種隱式數據擴增技術,但它僅限於簡單的線性模型。另一方面,最近的研究表明,將類標識保持轉換(如改變對象背景或改變視角)應用於訓練數據的語義數據擴增技術也是有效的[14,15,6,8]。這通常是通過生成具有特殊深度結構的額外語義轉換訓練樣本來實現的,如 DAGAN[8]、域適應網絡[15]或其他基於 GAN 的生成器[14,6]。
  • 語義幹擾效應40年研究的貝葉斯元分析
    下面的論述或者有助於幫助你理解。納入元分析的研究依靠統計顯著性來確定是否存在語義幹擾效應,以及其存在是否取決於實驗條件。可以在此框架中進行頻率派元分析(frequentist meta-analysis),以確定在考慮所有以前發表的有關這種效應的研究時,感興趣的效應(這裡是語義幹擾效應)是否顯著。或者,可以在貝葉斯框架中進行這種元分析。
  • 圖像分割系列<->語義分割
    Segnet的模型框架和思路比較簡單,應用了當年很火的VGG16框架,去掉全連接層,搭建對稱模型,在2014年當時還沒有興起框架,基於Caffe實現端到端的像素級別網絡模型是很難的,之後在MATLAB2016中,Sgenet成為內置的用於語義分割的深度學習算法。
  • CVPR 2018:新型語義分割模型:動態結構化語義傳播網絡DSSPN
    近日,來自 CMU、Petuum 等機構的研究者提出一種新型語義分割模型動態結構化語義傳播網絡 DSSPN,通過將語義概念層次明確地結合到網絡中來構建語義神經元圖。實驗證明 DSSPN 優於當前最優的分割模型。
  • 前沿|通用句子語義編碼器,谷歌在語義文本相似性上的探索
    近年來,基於神經網絡的自然語言理解研究取得了快速發展(尤其是學習語義文本表示),這些深度方法給人們帶來了全新的應用,且還可以幫助提高各種小數據集自然語言任務的性能。本文討論了兩篇關於谷歌語義表示最新進展的論文,以及兩種可在 TensorFlow Hub 上下載的新模型。
  • 地圖中的語義理解 | 雷鋒網公開課
    語義理解的三個層次從大的範疇來講,我會把語義理解劃分為三個層次。▎ 中英文混合語義的解析Q:如何解決中英文混合語句的語義分析問題(比如,「幫我呼叫Stephen William Hawking」)?中英文區分的難點在哪?
  • 從全卷積網絡到大型卷積核:深度學習的語義分割全指南
    By路雪 2017年7月14日  語義分割一直是計算機視覺中十分重要的領域,隨著深度學習的流行,語義分割任務也得到了大量的進步。本文首先闡釋何為語義分割,然後再從論文出發概述多種解決方案。本文由淺層模型到深度模型,簡要介紹了語義分割各種技術,雖然本文並沒有深入講解語義分割的具體實現,但本文簡要地概述了每一篇重要論文的精要和亮點,希望能給讀者一些指南。
  • SLAM的動態地圖和語義問題
    下面是四個算法的概略:12.Exploiting Rigid Body Motion for SLAM in Dynamic Environments基於factor graph處理SLAM的動態物體的運動幹擾。下面三個圖都是SLAM的factor graph。
  • 47個三維地質模型,直觀有深度 | 建員乾貨
    3D模型圖可以幫助我們更直觀地了解地下布局。今天整理了構造地質學及地質力學、推覆構造、沉積巖構造、普通地質學等多方面的三維模型,供大家欣賞和學習。
  • 一個簡單的深度學習模型,帶你深度了解背後原理
    全文共4431字,預計學習時長9分鐘深度學習是目前在實際數據科學應用中最流行的模型之一。從圖像到文本,再到語音/音樂等領域,它都是一個有效的模型。隨著使用量的上升,快速且可擴展地實現深度學習變得至關重要。Tensorflow等深度學習平臺的興起可以幫助簡化開發人員的實現方式。
  • 語義分割中的深度學習方法全解:從FCN、SegNet到各版本DeepLab
    原標題:語義分割中的深度學習方法全解:從FCN、SegNet到各版本DeepLab 王小新 編譯自 Qure.ai Blog 量子位 出品 | 公眾號 QbitAI 圖像語義分割就是機器自動從圖像中分割出對象區域,並識別其中的內容
  • 「計算機視覺必讀乾貨」圖像分類、檢測,語義分割等方法梳理
    隨著網絡深度的進行,圖像的空間大小將越來越小,而通道數會越來越大。針對你的任務,如何設計網絡? 當面對你的實際任務時,如果你的目標是解決該任務而不是發明新算法,那麼不要試圖自己設計全新的網絡結構,也不要試圖從零復現現有的網絡結構。找已經公開的實現和預訓練模型進行微調。