Onder het oppervlak van de enorme hoeveelheid social media content bevinden zich waardevolle klantinzichten. Via social media analyse (SMA) kunnen bedrijven deze boven water halen. Vaak blijft SMA echter beperkt tot metrics. Marketeers benutten de mogelijkheden om echte inzichten te verkrijgen nog lang niet volledig. Een gemiste kans om een voorsprong op de concurrentie te ontwikkelen. Welke mogelijkheden hebben bedrijven om hun klanten beter te leren begrijpen via buzz op social media?
“Klantinzicht negeren geen optie meer”. Zo opende Adformatie recent met een artikel over een onderzoek door SWOCC. Bij veel bedrijven ontbreekt het aan klantinzichten (of algemener: consumer insights). Cijfers zijn volop aanwezig in eigen CRM-systemen. Maar begrip van wat de klant echt beweegt, wat diens gewoontes, overtuigingen, emoties en (latente) behoeften zijn, is er vaak niet.
Dat is opvallend, want bedrijven zijn steeds meer genoodzaakt de klant centraal te stellen. Niet alleen omdat ze vaak in hyperconcurrerende markten opereren. Ook omdat de crisis duidelijk heeft gemaakt dat primair sturen op aandeelhouderswaarde op termijn een doodlopende weg is.
Gratis klantinzichten
Recent heeft SWOCC daarom een onderzoek gedaan naar klantinzicht. Een van de aanbevelingen van SWOCC in een ‘checklist klantinzicht’ is het combineren van verschillende informatiebronnen en onderzoeksmethoden.
Naast informatie in eigen databases kunnen organisaties via allerlei vormen van (kwalitatief en kwantitatief) onderzoek klantinzichten verkrijgen. Nieuwere methoden zoals klantsafari’s en accompanied shoppings kunnen van grote waarde zijn voor marketeers. Een niet recent, maar prachtig voorbeeld van zo’n insight is van Univé.
Buzz op social media
Een van de rijkste bronnen voor klantinzichten is gratis op internet te vinden: de conversaties in social media. Niet alleen de merkgerelateerde buzz, maar ook conversaties over de branche of over thema’s waaraan een organisatie zich wil verbinden. Denk aan de conversaties over gezond eten, die een voedingsmiddelenfabrikant input geven voor productontwikkeling. Of de buzz over televisieprogramma’s, die een televisieproducent helpt bij verbetering van programmaformats. Buzz over energiebesparing kan drempels aan het licht brengen waar een energieleverancier zijn voordeel mee kan doen.
‘Knowing why’ in plaats van ‘knowing what’
Steeds meer bedrijven maken gebruik van social media analyse (SMA). Niet alleen om hun online reputatie te managen, maar langzamerhand ook om klantinzichten en -feedback te verkrijgen.
Online sentiment
Met de juiste tools is het vrij eenvoudig om buzz te monitoren en te analyseren naar bijvoorbeeld herkomst, sentiment, topics, en dergelijke. De laatste tijd gaat er veel aandacht uit naar het meten van online sentiment. Niet helemaal terecht. Want in de eerste plaats kennen sentimentanalyses hun beperkingen. De betrouwbaarheid is niet optimaal. Een sentimentscore is soms zelfs misleidend. Zie ook dit artikel over een onderzoek van MarketResponse naar de buzz over banken.
Op de 2e plaats zegt een sentimentscore niet zo veel. Sentiment verschilt per branche, per kanaal en per influencer. Het geeft geen inzichten. Bij inzichten gaat het om knowing why in plaats van knowing what. Juist de motieven, emoties en betekenissen in berichten helpen om klanten te begrijpen. Ze bieden handvatten voor dienstverlening, productontwikkeling, communicatie, etcetera. In de praktijk wordt er echter opvallend weinig mee gedaan.
Klantinzichten via social media in 3 stappen
Structuur brengen in ongestructureerde teksten
De 1e stap bestaat uit textmining van de social media content. Taal is ongestructureerd, kent veel stijlfiguren en bevat patronen die alleen met de juiste technieken zijn te achterhalen. Textmining geeft richting en structuur aan het zoekproces. Voor het genoemde bankenonderzoek vonden we 130.000 berichten. Het is ondoenlijk om deze allemaal te gaan lezen en handmatig te analyseren. Textmining geeft inzicht in belangrijke topics en in hun onderlinge samenhang. Hierdoor kan gericht worden gezocht in teksten.
Dit vormt input voor stap 2, de inhoudsanalyse van de berichten. Teksten op social media kennen hun eigen structuren, stijlfiguren, afkortingen en tekens. Het lezen én begrijpen hiervan vergt ervaring en geduld, maar bovenal vraagt het veel kennis van de context van het bedrijf.
De waarde van klantinzicht via social media
De 3e stap is het combineren van de gevonden inzichten met andere klantinformatie, bv. uit kwalitatief of kwantitatief onderzoek. Deze combinatie van methoden en bronnen zorgt voor een betere interpretatie van de resultaten uit de social media analyse.
Juist het spontane karakter van de conversaties op social media vergroot de waarde ervan. Het gaat om ongevraagde meningen en gedachten. Het zegt iets over wat mensen belangrijk vinden, over wat ze bezighoudt.
Voorbeelden van bedrijven die op deze manier klantinzichten uit social media halen, zijn welkom! (zet ze in de reacties onderaan dit artikel).
Stappenplan effectief online reputatiemanagementIedereen kan op internet zijn mening kwijt over jouw organisatie. Al deze meningen zijn eenvoudig voor anderen te vinden. Een kans en een bedreiging tegelijkertijd voor je merk en bedrijfsreputatie. Hoe ga je hiermee om? En hoe kun je dit beïnvloeden? Leer op de Frankwatching training Effectief online reputatiemanagement van Berlinda Harkink hoe je in enkele stappen je online reputatiemanagement effectief organiseert. |
Shamier Coffie 
Remy Steijger 
Karin 
Bas 
jj 
Berlinda, leuk artikel, maar niet helemaal waar.
Je stelt dat sentimentanalyses onbetrouwbaar zijn en zelfs misleidend. Ook terugkomend op het artikel dat je aanhaalt hangt het er maar net vanaf hoe deze analyse tot stand komt. Automatische analyses, en het toekennen van sentiment, kan het betrouwbaarheidspercentage inderdaad drastisch laten afnemen. Wanneer je het sentiment echter handmatig toekent is de betrouwbaarheid wel degelijk aanwezig. Ook iets als cynisme wordt herkend, mits de context goed wordt bekeken. Deze context moet je echter wel afbakenen. Het tweede punt, dat de analyses niets zeggen is verre van waar. Uiteraard verschilt het sentiment per branche. Het is ook niet de bedoeling dat je als bank het eigen sentiment met een energieleverancier vergelijkt. Dit lijkt me meer dan vanzelfsprekend. Als bank A een negatiever sentiment kent dan bank B kunnen hier wel degelijk conclusies uit worden getrokken.
Je statement “Bij inzichten gaat het om knowing why in plaats van knowing what” bekt lekker. Maar hoe denk je de “why” te analyseren zonder de “what”?
Eindelijk een artikel waarin de overhypede (geautomatiseerde) sentimentanalyse in het juiste perspectief wordt geplaatst.
Natuurlijk heeft Yoshi (eerdere reactie) gelijk dat handmatige sentimentanalyse wel insight kan geven maar de meeste tools of leveranciers doen alleen of met name de geautomatiseerde analyse.
Overigens vind ik het wel opvallend dat je textmining noemt. Ik heb daar wisselende ervaringen mee. Minder goede ervaringen omdat het in wezen net zo werkt als automatische sentimentanalyse. Aan de andere kant kan het bij een goedwerkens monitoringsysteem wel orde scheppen in de chaos van de online buzz. Voor mij levert deze text mining meer “nice to know” dingen op dan dat het input is voor de inhoudelijke analyse. Daarin kom ik altijd dingen tegen die niet via textmining naar boven kwamen.
Ik ben benieuwd naar de tool die jullie gebruiken voor textmining, Berlinda. En wat het je precies oplevert (inhoudelijk)
Bedankt voor jullie reacties!
@Yoshi, ik doel inderdaad op de automatische sentimentanalyses die worden overhyped. Natuurlijk wordt een sentimentanalyse veel betrouwbaarder wanneer je dit handmatig doet. Ik stel overigens niet dat (automatisch bepaalde) sentimentscores altijd onbetrouwbaar en misleidend zijn, maar dat je hier alert op moet zijn en altijd dieper in de materie moet duiken om de inzichten boven water te krijgen.
Ik stel evenmin dat een sentimentscore niets zegt. Het geeft een (meer of minder betrouwbare) indicatie van de aard van de buzz, maar aan alleen sentiment heb je niet genoeg. Het is uiteraard aan te bevelen om bedrijven/merken binnen een branche met elkaar te vergelijken. Je moet buzz m.i. altijd in de context van de branche en het bedrijf zelf plaatsen.
@Harro: textmining is m.i. vooral waardevol om structuur in de chaos te brengen en richting te geven aan de inhoudsanalyse. Uit de inhoudsanalyse haal je idd veel meer informatie. Wij maken gebruik van een eigen tool, die ontwikkeld is met behulp van bestaande software componenten (o.a. van SAS).
Hoi Berlinda,
Leuk artikel! Ik ga graag in op je vraag om voorbeelden. Blauw Research biedt ook social media analyses aan. En wij zijn het helemaal met je eens dat het draait om wat je kan leren over ‘het waarom’ uit de berichten in plaats van alleen ‘wat en hoeveel’. Daar onderscheidt een social media monitoring tool zich van een analyse dienst.
Wel pakken wij het iets anders aan. Wij analyseren berichten wel handmatig. Zowel qua sentiment als qua inhoud. Wij hebben studenten opgeleid om de eerste classificering voor ons te doen. En doordat wij een gebruiksvriendelijke interface hebben ontwikkeld om dit te doen valt het ook wel mee hoeveel tijd en geld het kost om dit handmatig te doen. En je analyse wordt er zoveel krachtiger van! Vaak is de boodschap (inhoud en sentiment) namelijk heel lastig af te leiden van een enkele uiting. Zeker bij een korte tweet of WieWatWaar update. Wij pakken ook de andere berichten van de afzender er bij en ook de gehele conversatie (wanneer hier sprake van is). Juist uit de context en de dialoog begrijp je waarom iemand iets zegt. De relevante berichten, ontdaan van ruis en voorzien van een sentimentsaanduiding, zijn voor onde onderzoekers de basis voor verdere analyse.
In het ‘plat slaan’ van buzz tot geaggregeerde statistieken en geautomiseerde figuren gaat zoveel waardevolle informatie verloren! Doe dan liever een steekproef van je berichten heel goed in plaats van alles half. En het besef dat niet alle berichten even ‘belangrijk’ zijn kan hier ook helpen. Een bericht van iemand op Facebook met 10 vrienden is minder belangrijk dan een bericht op Twitter van iemand met 1000 volgers. Je mag best selecteren in de berichten die je analyseert. Het zijn nu eenmaal geen knikkers in een pot waarbij alle knikkers vergelijkbaar zijn.
Focus in eerste instantie op berichten met een uitgesproken sentiment over een bepaald onderwerp, uitgesproken door iemand met een groot bereik en veel invloed. En hierbij zijn mensen die over een bepaald onderwerp vaker iets zeggen weer belangrijker dan iemand die dat maar een keer doet. Zo heb je handvatten om te bepalen welke buzz je volste aandacht verdient en de meeste inzichten geeft.
Ook wij experimenteren met textmining. En met wisselend resultaat. Vaak ga je dan toch weer woorden tellen. En juist samenhang, dialoog en context leveren de echte inzichten. Wij gebruiken dan ook vaak mindmap technieken om toch scherpe inzichten te halen uit de soms overweldigende hoeveelheid (maar ook rijke en authentieke) berichten.
Wat een mooi vakgebied!
Groeten Ivo
Hoi Ivo, dank voor je uitgebreide reactie. Helemaal eens met je constatering dat je verschillend gewicht moet toekennen aan berichten en personen. En dat het een mooi vakgebied is!
@Berlinda, Sorry als ik je verkeerd heb begrepen maar de volgende stellingen
“Want in de eerste plaats kennen sentimentanalyses hun beperkingen. De betrouwbaarheid is niet optimaal. Een sentimentscore is soms zelfs misleidend. Op de 2e plaats zegt een sentimentscore niet zo veel. Sentiment verschilt per branche, per kanaal en per influencer. Het geeft geen inzichten. Bij inzichten gaat het om knowing why in plaats van knowing what.”
Deden mij de tekst toch anders interpreteren. Je uitleg in de reacties verduidelijkt alles maar had naar mijn mening toch direct in de tekst moeten staan :-).
@Ivo Een waarderingsstelsel op grond van het aantal volgers ? Je belangrijkste doelgroep kan 65+ zijn of de peuterleeftijd hebben! Buiten dat is een notoire klager met 1000 volgers mogelijk van minder belang dan een gegronde klacht of pluim van iemand met slechts 10 volgers? Een tweet van bijv. een Bieber wordt doorslaggevend en de berichten van klanten (met een selectief gekozen en beperkt aantal volgers) worden dan verwaarloosbaar?
@Petra, bij webcare als onderdeel van social media monitoring verdient het zeker niet de voorkeur om iemand belangrijker dan een ander te vinden op basis van zijn bereik (of invloed). Daar verdient eenieder met een gegronde klacht natuurlijk evenveel aandacht. Maar we hebben het hier niet over webcare, maar over social media analyse, d.w.z. het verkrijgen van inzichten door het bestuderen van berichten uit sociale media. Ook hier zou je het liefst alle berichten willen analyseren. Maar we hebben nu eenmaal in de praktijk vaak te maken met beperkingen opgelegd door tijd en budget. En dan richten wij ons in eerste instantie liever op de berichten die afkomstig zijn van mensen met een groter bereik, die het slecht of juist goed met je voor hebben en die dit niet één keer maar vaker doen.
Deze drie pijlers komen niet zomaar uit de lucht vallen. Ze komen voort uit het superpromoter gedachtegoed, waarbij het delen van enthousiasme en invloed hebben de superpromoter definiëren. En daarmee terugkomend op je reactie. Wij vinden juist dat enthousiaste geluiden van klanten (of burgers, of medewerkers) super belangrijk zijn! En veel belangrijker dan berichten van notaire klagers, mensen die ondanks jouw inspanningen toch negatief over je blijven. Dat is verspilde energie, terwijl je juist zo veel kan leren van wat je goed hebt gedaan!
Een vorm van social media waarbij het zeer gemakkelijk is om conversies te meten is locatiegebaseerde marketing. Maar ook om consumentengedrag te meten aan de hand van historisch koopgedrag en profiel.
Dit is hier nog niet genoemd.