Veel imago-onderzoeken maken gebruik van surveys om inzicht te krijgen in specifieke merkpercepties zoals milieuvriendelijk, luxueus, voedzaam, stoer et cetera. Deze onderzoeksmethode is veelal tijdrovend en duur, saai voor de respondent die de survey invult en daarbovenop zijn de resultaten vaak snel verouderd.
Een nieuwe methode brengt hier verandering in. Het voert kostenefficiënt, geautomatiseerd en effectief imago-onderzoek uit. Deze data-mining methode analyseert gegevens in het sociale netwerk van het merk volgens een bepaald algoritme. Input voor het algoritme is de merknaam en de door het merk beoogde merkpercepties. De output van het algoritme is een waarde die aangeeft hoe sterk de associatie is tussen de perceptie en het merk. Voor deze studie werd gebruikgemaakt van Twitter. De data waarop het algoritme wordt toegepast, zijn het twitteraccount van het merk en de twitteraccounts van individuen of organisaties die de beoogde merkpercepties vertegenwoordigen. Dit zijn zogenaamde examplar-accounts. Een voorbeeld: De mate van gelijkenis tussen het Smart-account (merkaccount) en het Greenpeace-account (exemplar-account) geeft mogelijk aan in hoeverre Smart als milieuvriendelijk wordt gepercipieerd.
De uitvoering van deze methode gebeurt gefaseerd. Eerst wordt er een merk en een specifieke merkperceptie (of ook wel merkattribuut) geselecteerd en aan de hand van Twitter Lists een lijst gemaakt van relevante zoektermen. Vervolgens identificeert het algoritme de relevante exemplar-accounts die de merkperceptie representeren. Tot slot berekent het algoritme een score van gelijkenis tussen de volgers van het merk (het merkaccount) en de volgers van het exemplar-account. Deze score wordt uitgedrukt als de Social Perception Score (SPS).
De kracht van deze methode is op meerdere manieren gecheckt. Wat blijkt? Allereerst leidt het gebruik van de eerste 50 resultaten van een Twitter Lists search en het gebruik van 50.000 volgers per exemplar-account tot accurate resultaten die niet verbeterd worden door het verhogen van deze aantallen. Ten tweede leidt ook het gebruik van één zoekterm voor de beoogde merkperceptie of het merkattribuut tot goede resultaten. Voor het verkrijgen van meer specifieke exemplar-accounts is het echter nuttig om combinaties van zoekwoorden te gebruiken. Ten slotte leiden handmatig geselecteerde exemplar-accounts en de geautomatiseerde selectie van examplar-accounts tot vergelijkbare resultaten.
Deze nieuwe data-mining methode is gevalideerd door de SPS-waarden te vergelijken met een surveyonderzoek. Aangezien de resultaten van beide methoden sterk samenhangen, laat deze studie zien dat de berekening van de Social Perception Score via Twitter een valide, efficiënt en bruikbaar instrument vormt voor het doen van imago-onderzoek.
Praktische implicaties
- De SPS-methode kan niet alleen merkpercepties monitoren maar ook de ontwikkeling van die percepties, wat helpt in de beoordeling van de effectiviteit van marketinginspanningen.
- Deze nieuwe methode die de samenhang tussen merk en percepties blootlegt door het merkaccount met examplar accounts te vergelijken, kan in de toekomst mogelijk ook gebruikt worden voor de vergelijking tussen merken. Dit maakt inzichtelijk hoe concurrerende partijen het ten opzichte van elkaar doen.
- Een andere toepassing van deze methode kan zijn om in plaats van merkpercepties en/of merken juist consumenten te clusteren. Dit kan van toegevoegde waarde zijn voor het segmenteren en personaliseren of targeten van producten en diensten.
Deze samenvatting is onderdeel van SWOCC Selectie 3 (2016). Deze kunt u hier downloaden.
Volledige literatuurverwijzing: Culotta, A., & Cutler, J. (2016). Mining Brand Perceptions from Twitter Social Networks. Marketing Science, 35(3), 343-362. U vindt dit artikel hier (betaald).