2.4 Samenvatting van het theoretisch kader
In dit theoretisch kader is de literatuur besproken die ten grondslag ligt aan het onderzoek waar deze masterscriptie de verslaglegging van is. Allereerst is er ingegaan op de opkomst van sociale media, die nauw samenhangt met de mogelijkheden die Web 2.0 gebruikers biedt om zelf content te plaatsen en aan te passen op het internet. Het begrip webcare is nader toegelicht, waarbij werd besproken dat er voor bedrijven veel aan gelegen is om actief te reageren op feedback van consumenten, zodat ze eventuele negatieve eWord-of-Mouth kunnen tegengaan.
Vervolgens is het communicatiekanaal dat centraal staat in deze scriptie, de microblogsite Twitter, aan een nadere blik onderworpen. Algemene eigenschappen zoals de restrictie van het aantal tekens, de mogelijkheid tot het gebruik van hashtags en retweets en het fenomeen 'volgen' zijn voorbij gekomen, alvorens het kanaal geanalyseerd werd aan de hand van de mediumfactoren van Herring (2007; p.11). In de tweede paragraaf van dit theoretisch kader werd een definitie gegeven van de voor dit onderzoek cruciale term interactie, waarna de verschillende onderdelen die een rol spelen bij de analyse van deze interactie nader zijn toegelicht. Zo richten gespreksdeelnemers zich bij de organisatie van beurtwisseling op een minimalisering van gaten en overlap, en bepalen zij aan de hand van huidige-kiest-volgende- of zelfselectietechnieken wie de volgende beurt het woord neemt. Bij sequentieorganisatie is de aangrenzendpaarstructuur het basisprincipe: afgeronde basissequenties bestaan altijd uit twee paardelen, zoals een vraag en het bijbehorende antwoord, en kunnen ervoor, ertussenin of erna worden uitgebreid via pre-, insertie-, en postexpansies. Bij topic-organisatie gaat het met name over hoe gespreksdeelnemers het onderwerp in de lopende interactie kunnen veranderen: stapsgewijs en geleidelijk (geprefereerd) of juist afgebakend (niet-geprefereerd).
In het laatste gedeelte van dit hoofdstuk is allereerst de taalhandelingstheorie van Austin (1962) uitgelegd. Hierin staat de illocutionaire strekking, dus het communicatieve doel dat de spreker heeft met zijn taaluiting, centraal. Door gebruik te maken van de performatieve formule, kan men achterhalen welke taalhandelingen er door gespreksdeelnemers toegepast worden. Taalhandelingen kunnen soms ook worden herkend aan de hand van andere illocutionary force indicating devices (IFID's), zoals leestekens en emoticons.
Na de uiteenzetting van de taalhandelingstheorie zijn de taalhandelingscategorieën van Searle (1979) besproken en aan de hand van voorbeelden uitgelegd. Deze vijf categorieën zijn: assertieven,
directieven, expressieven, commissieven en declaratieven. Op basis van Achterberg (2013; p.20) is
vervolgens ook een zesde categorie taalhandelingen aan bod gekomen, de ironische taalhandeling, waarna er is besproken welke set of continuation options hoorders hebben na een door de spreker geuite taalhandeling. Soms kunnen deze kiezen uit een drietal vervolgzetten in de vorm van een
positieve, negatieve of neutrale reactie, terwijl in andere gevallen er maar één geschikte
25
3. Methode
In dit hoofdstuk wordt de methode van dit kwalitatieve onderzoek besproken. De centrale vraag van deze masterscriptie is:
Hoe verloopt de interactie tussen consumenten en organisaties tijdens webcare op Twitter en zijn er patronen te ontdekken binnen deze interacties?
In de eerste paragraaf wordt ingegaan op het verkrijgen van de dataset: welke data er geselecteerd zijn, hoe deze data verzameld zijn, en hoe de interacties op zodanige wijze zijn 'opgeschoond' dat deze bruikbaar zijn voor het beantwoorden van de centrale vraag. Vervolgens wordt in paragraaf 3.2 de werkwijze uitgelegd, met daarin het proces van labelen en de andere analytische instrumenten, zoals de conversatieanalyse en de taalhandelingsanalyse. In paragraaf 3.3 wordt deze werkwijze overzichtelijk in een analyseschema weergegeven, waarna in paragraaf 3.4 de betrouwbaarheid van het onderzoek aan bod komt.
3.1 Dataset
De dataset van dit onderzoek bestaat uit interacties van het sociale medium Twitter, oftewel: berichtenwisselingen tussen gebruikers van Twitter waarin minimaal één keer van beurt wordt gewisseld. De verzamelde interacties zijn afkomstig van de Twitteraccounts van KLM en Vodafone. Er is voor deze organisaties gekozen omdat beide organisaties een actief webcarebeleid hanteren. Dat maakt ze uitermate geschikt voor onderzoek naar juist die webcare. Vragen en verzoeken en andere berichten van consumenten worden immers actief en snel beantwoord door een team van speciaal daarvoor aangestelde medewerkers, waardoor er veel digitale berichtenwisselingen tussen consumenten en organisaties op deze kanalen plaatsvinden.
3.1.1 Dataverzameling
De voor dit onderzoek gebruikte interacties zijn verzameld aan de hand van de publieke Twitteraccounts van KLM en Vodafone. Via deze accounts reageren beide bedrijven op de berichten die mensen naar hun sturen, en zodoende is dit een goede plek om interacties te verzamelen tussen de organisaties en hun klanten.
Het op zorgvuldige wijze verzamelen van een groot aantal interacties bij beide organisaties heeft nog heel wat voeten in de aarde. Zo kan op Twitter de gehele interactie pas worden gezien als er op 'show conversation' wordt geklikt, en is het voor het overzicht zelfs beter om de interactie via de knop 'details' in een nieuw venster te openen. Vanuit dit nieuwe venster kunnen de interacties vervolgens worden gekopieerd in een Word-document, maar dit zorgt er wel voor dat er bij elke interactie nog een hoop onnodige data (in de vorm van profielafbeeldingen, links en andersoortige tekstuele elementen die niets
26
te maken hebben met de daadwerkelijke berichtenwisseling) staat. Elke interactie moest dus eerst 'plat' worden gemaakt, zodat deze geen overbodige opmaak en tekst meer zou bevatten en beter geschikt zou zijn voor de analyse.
Op bovenstaande wijze werden op 5 verschillende data en tijdstippen in totaal 247 interacties verzameld. Een belangrijk selectiecriterium hierbij was dat de berichtenwisselingen in het Nederlands moesten hebben plaatsgevonden, omdat het anders niet mogelijk zou zijn om de overeenkomsten en verschillen (en dus de mogelijke patronen) tussen de interacties goed te duiden en te analyseren. Met name bij KLM waren er veel interacties in andere talen zoals het Engels, en dus moest hier actief worden gezocht naar interacties tussen klant en organisatie waarbij de berichten in het Nederlands werden geschreven. Een andere voorwaarde om tot een goede te analyseren dataset van interacties te komen was dat deze interacties niet pas net geïnitieerd zouden zijn. Zodoende werden op de genoemde tijdstippen niet de bovenste interacties (vaak diegenen die pas net waren begonnen) verzameld maar de interacties die een stuk lager op de pagina stonden en dus al minstens een paar uur geleden van start waren gegaan.
De dataverzameling geschiedde vanaf dit punt volledig en onwillekeurig: tot er een bepaald aantal pagina's aan interacties van beide organisaties was verzameld, werd elke interactie die er op de Twitterpagina van de betreffende organisatie stond in dit corpus van ruwe data meegenomen. De hoeveelheid verzamelde interacties per organisatie en per datum en tijd staat in de tabel hieronder weergegeven:
KLM Vodafone
Datum Tijdstip Aantal interacties Datum Tijdstip Aantal interacties
29-1 15:35 26 29-1 15:50 17 2-2 11:50 26 2-2 12:10 29 3-2 17:10 24 3-2 17:30 26 10-2 20:05 24 10-2 20:22 26 11-2 11:07 26 11-2 10:55 23 Totaal 126 Totaal 121
Tabel 3.1: het aantal verzamelde interacties per datum en tijdstip 3.1.2 Dataselectie
Vanuit dit grote corpus van in totaal 247 teksten is, op basis van de onderzoeksopzet, een selectie gemaakt van 40 interacties van beide organisaties. Om dit te bewerkstelligen zijn allereerst per organisatie alle verzamelde interacties per datum in documenten samengevoegd en genummerd. Vervolgens is random, via een speciaal hiervoor bestemde website waarop willekeurig nummers (binnen een zelf vast te stellen minimum en een maximum) konden worden gegenereerd, een selectie gemaakt van interacties die zouden behoren tot de daadwerkelijk te analyseren dataset. Deze random selectie verliep naar rato: op sommige data waren minder interacties verzameld dan op andere data, en dus
27
moest eerst worden bepaald hoeveel interacties er per datum relatief zouden moeten worden geselecteerd om tot een representatieve samenstelling van deze dataset te komen.
Dit gebeurde door middel van de volgende formule:
(Beoogd aantal interacties in dataset/totaal aantal verzamelde interacties) * hoeveelheid verzamelde interacties op datum = hoeveelheid interacties van datum in dataset
Bijvoorbeeld: op 29 januari werden er 26 interacties verzameld tussen klanten en KLM. Het beoogd aantal interacties in de dataset voor KLM (en Vodafone) is 40 en het totaal aantal verzamelde interacties bij KLM is 126. Dit invullen leidt tot de volgende berekening:
(40/126) * 26 = 8,253... ≈ 8
Vanuit de verzamelde interacties op deze datum zijn er dus via eerdergenoemde website acht interacties geselecteerd voor de dataset van KLM. Bovenstaande formule is toegepast op elke datum bij beide organisaties, hetgeen een volgende samenstelling van de dataset tot gevolg heeft gehad (afgerond op één cijfer achter de komma):
KLM Vodafone
Datum Aantal geselecteerde interacties Datum Aantal geselecteerde interacties
29-1 8 29-1 6 2-2 8 2-2 10 3-2 8 3-2 8 10-2 8 10-2 8 11-2 8 11-2 8 Totaal 40 Totaal 40
Tabel 3.2: het aantal geselecteerde interacties per datum 3.1.3 Datastructurering
Nadat er voor beide organisaties een dataset was samengesteld van 40 interacties, was het zaak om deze datasets te structureren. Dit werd gedaan zodat de analyses die de kern vormen van dit onderzoek, zo goed en overzichtelijk mogelijk op de interacties in de datasets toegepast konden worden.
Deze zogenaamde datastructurering komt op het volgende neer:
Anonimiseren: nagenoeg elk initiële bericht in de interactie en sowieso alle reacties hierop bevatten een adressering in de vorm van het @-teken en de gebruikersnaam. Om te voorkomen dat in de dataset direct duidelijk is om welke klanten (te herleiden aan de gebruikersnaam) het gaat, zijn al deze namen vervangen door 'XXXX'. Op deze wijze zijn de datasets dus geanonimiseerd. Bij de organisaties is dit niet gedaan, omdat het toch al duidelijk is dat het hier
28
gaat om KLM of Vodafone en er geen privacytechnische bezwaren zijn voor wat betreft het noemen van deze organisaties.
Nummeren: elke interactie is afzonderlijk in een tabel gezet, zodat de verschillende berichten in deze digitale conversaties eenvoudig genummerd konden worden. Zodoende is altijd direct duidelijk uit hoeveel berichten (staat niet altijd gelijk aan het aantal beurten, zo zal in hoofdstuk 4 blijken) de interacties bestaan.
Klant/organisatieaanduiding: achter elk nummer in de interactie is een K of een O geplaatst, om aan te geven of dit bericht is geuit door de klant of de organisatie.
29
3.2 Werkwijze
In deze paragraaf wordt de werkwijze van dit onderzoek besproken. Nadat de dataset is samengesteld, zijn de interacties allereerst gelabeld. Deze analysestap, waarbij de data hiërarchisch geordend worden zodat er structuur ontstaat in de berg van informatie, wordt in paragraaf 3.2.1 besproken. Na deze labeling is er een conversatieanalyse toegepast op de interacties in de dataset. Deze analyse wordt in paragraaf 3.2.2 nader toegelicht, alvorens in paragraaf 3.2.3 de taalhandelingsanalyse aan bod komt. Deze twee analyse-instrumenten zijn duidelijk aan elkaar gekoppeld, omdat met de conversatieanalyse de organisatie (het hoe) van de interacties inzichtelijk gemaakt wordt, en met de taalhandelingsanalyse de inhoud (het wat). Een begrip van beide onderdelen is van belang om tot een goed antwoord op de centrale vraag te komen. Uiteindelijk wordt in paragraaf 3.2.4 besproken hoe de analyse van de verschillende patronen die er binnen de dataset te vinden zijn heeft plaatsgevonden.
3.2.1 Labeling
Nadat de datasets geselecteerd en gestructureerd waren, was het tijd om over te gaan op de eerste stap in het analyseproces: het labelen. In het Basisboek Kwalitatief Onderzoek (Baarda, De Goede & Teunissen, 1995; p.176) wordt dit ook wel "een van de moeilijkste stappen" van het onderzoek genoemd. De auteurs van dit boek geven aan dat je tijdens het labelen teksten voorziet van een naam of namen, op zodanige wijze dat deze labels een kenmerk aangeven waarop variatie mogelijk is. Zodoende is er bij elke interactie in de dataset gezocht naar belangrijke termen (labels) die kenmerkend zijn voor de interactie en relevant zijn voor het beantwoorden van de centrale vraag. Baarda, De Goede & Teunissen (1995; p.179) geven tevens aan dat het van belang is om door te gaan met het labelen van tekstfragmenten tot er geen nieuwe labels meer worden gevonden en er alleen maar labels gebruikt worden die al bij eerdere teksten gebruikt zijn.
Omdat de onderzoekseenheid binnen dit onderzoek de interactie zelf is, was het van belang dat de labels iets zouden zeggen over deze onderzoekseenheid. In eerste instantie werd er daarom vooral gekeken naar de verschillende thema's, op onderwerpniveau, die er in de interacties voorkwamen. Al gauw bleek de reden van contact opnemen – de klant besluit niet 'zomaar' om via Twitter een bericht naar de organisatie te sturen, of vice versa – de belangrijkste gemene deler tussen de interacties in de dataset te zijn. Klanten hadden bijvoorbeeld een vraag, deelden iets mee, of klaagden over een probleem. Baarda, De Goede & Teunissen (1995; p. 180) geven aan dat er per tekst(fragment) meestal één label is dat het beste het kenmerk van dat fragment aangeeft, en in dit onderzoek is ervoor gekozen om deze zogenaamde kernlabels te baseren op de reden van contact opnemen, die meestal in het eerste bericht van de interactie naar voren komt.
Zodoende zijn dit de kernlabels van de onderzochte interacties in dit onderzoek:
Vraag Mededeling Compliment
30
Klacht Marketing Vervolg
Hierbij is het van belang om te vermelden dat er bij de eerste vier kernlabels altijd sprake is van een initiatie door de klant, terwijl bij het kernlabel marketing de organisatie officieel de interactie begint en bij het kernlabel vervolg dit door beide kan zijn gedaan.
Bovengenoemde kernlabels zijn vervolgens allemaal opgedeeld in verschillende dimensies (verbijzonderingen van het kenmerk) en ladingen (uitsplitsingen van dimensies), zodat er een hiërarchische ordening van de labels is ontwikkeld (Baarda, De Goede & Teunissen, 1995; p. 180). De binnen dit onderzoek waargenomen kernlabels, dimensies en ladingen zullen uitgebreid besproken worden in hoofdstuk 4, zodat duidelijk is op basis waarvan deze ordening, die structuur heeft gebracht in de verzamelde berg van informatie, precies heeft plaatsgevonden.
3.2.2 Conversatieanalyse
De conversatieanalyse die voor dit onderzoek is uitgevoerd heeft betrekking op volgende drie onderdelen, die, zoals in hoofdstuk 2 is gebleken, kenmerkend zijn voor interacties: beurtwisseling,
sequentieorganisatie en topic-organisatie. Hieronder wordt uitgelegd hoe deze analyse heeft
plaatsgevonden.
Beurtwisseling
Voor het bepalen van hoe de beurtwisseling tussen klanten en organisaties verloopt tijdens webcare op Twitter werden de interacties uit de dataset aan de hand van de volgende vragen geanalyseerd:
Wat zijn beurten in de interacties tussen consumenten en organisaties?
Omdat een goede beurtwisseling tussen gesprekspartners binnen een interactie cruciaal is voor een georganiseerd verloop van deze interactie, is er allereerst gekeken naar wat een gespreksbeurt in de interactie precies is. Een logische aanname hierbij is, de kanaalkenmerken van Twitter in ogenschouw nemende, dat een tweet die deelnemers naar elkaar sturen gelijkstaat aan een interactionele beurt. Deze 'bericht=beurt'-hypothese is getoetst door goed te kijken naar de tekstuele inhoud van alle berichten in de verschillende interacties, en te analyseren of het eind van het bericht ook altijd het eind van de beurt betekent.
Vindt er beurtverlenging plaats in de interacties?
Het einde van het bericht hoeft namelijk niet altijd het einde van de gespreksbeurt te zijn, er kan ook sprake zijn van beurtverlenging: een van de gespreksdeelnemers verdeelt zijn lopende beurt over meerdere berichten. Dit betekent dat het einde van het bericht niet het mogelijke voltooiingspunt (waar de ander de beurt kan nemen) is: de klant of organisatie geeft aan dat er nog een bericht volgt na het zojuist zelf geplaatste bericht en de beurt is dus langer dan normaal. Door alle berichten in de interacties te
31
scannen op hun voltooiingspunt, kan worden bepaald of hier sprake van is, en hoe de gespreksdeelnemer in kwestie hier gebruik van maakt.
Als er beurtverlenging plaatsvindt in een interactie, hoe gebeurt dit dan? Waar? En door wie?
Op het moment dat er is gebleken dat er in een interactie sprake is van beurtverlenging, dan is geanalyseerd hoe deze beurtverlenging precies heeft plaatsgevonden. De aanduiding ervan is onderzocht, zodat duidelijk werd hoe gespreksdeelnemers deze uitzondering op de 'bericht=beurt'-hypothese toepassen en vormgeven.
De beurtverlengingen per interactie zijn genoteerd, alsmede de positie ervan (in berichten) en door wie deze beurtverlengingen geïnitieerd zijn.
Hoe verloopt de beurttoewijzing per interactie?
Nadat er onderzocht is hoe gespreksdeelnemers hun beurten vormgeven en of deze al dan niet langer zijn dan één bericht, is er gekeken hoe de beurttoewijzing binnen de interacties verloopt. Dit is gedaan door bij elke beurt in de verschillende interacties, op basis van de inhoudelijke kenmerken, te bepalen of er hier sprake is van zelfselectie (ZS), of dat er gebruik wordt gemaakt van huidige-kiest-volgende-technieken (HKV).
Van beide vormen van beurttoewijzing is vervolgens per interactie de hoeveelheid genoteerd, om zo te kunnen analyseren welke vorm van beurttoewijzing specifiek is voor welk type interactie. Ook is hierbij een onderscheid gemaakt tussen de consument en de organisatie, zodat duidelijk is wie welke manier van beurttoewijzing in welke gevallen het meeste gebruikt. Het kwantitatieve proces van hoeveelheden tellen staat in dienst van het kwalitatieve karakter van dit onderzoek, omdat er op deze manier efficiënt kan worden gezocht naar verbanden tussen de verschillende typen interacties, onderverdeeld in de verschillende kernlabels, dimensies en ladingen, die er wat betreft de beurttoewijzing zijn.
Sequentieorganisatie
Ook de organisatie van sequenties per interactie is grondig geanalyseerd, en wel aan de hand van de volgende vragen:
Wat is de basissequentie van de interactie? En is deze afgerond of niet?
Om een goed beeld te krijgen van de organisatie van sequenties binnen de interacties tussen consumenten en organisaties, is allereerst per interactie geanalyseerd wat de basissequentie is, of, in sommige gevallen, wat de basissequenties zijn. Deze basissequenties kunnen samenhangen met de kernlabels van de interactie en bijvoorbeeld beginnen met een vraag, mededeling, compliment of klacht van de consument (eerste paardeel), waarop idealiter een reactie van de organisatie volgt (tweede paardeel). Komt deze reactie er inderdaad, dan is de sequentie aangeduid als
afgerond, anders wordt deze als niet afgerond beschouwd.
Waar in de interactie staat de basissequentie (of staan de basissequenties)?
Vervolgens, nadat geanalyseerd is wat voor basissequenties er in de interacties voorkomen, is genoteerd op welke positie deze in de interactie staan. Een basissequentie kan bijvoorbeeld direct in de eerste beurt beginnen en aangrenzend worden afgerond,
32
dan is er sprake van een basissequentie in beurt 1-2. Echter, soms liggen het eerste en tweede paardeel (als deze tenminste volgt) van de basissequentie verder uit elkaar, en vindt er tussendoor sequentie-expansie plaats.
Is er in de interactie sprake van sequentie-expansie? Zo ja, om wat voor type sequentie-expansie gaat het dan? En hoe vaak komt elk type expansie voor?
Er is per interactie geanalyseerd of er sprake is van deze expansie van de basissequentie(s). Vervolgens is aan de hand van de theorie van Mazeland (2008) bekeken om wat voor type sequentie-expansie het precies gaat: pre-, insertie-, of
postexpansie. Dergelijke expansiesequenties bestrijken soms één of meerdere beurten,
en kunnen net als de basissequentie afgerond worden als het bijvoorbeeld gaat om een insertiesequentie die begint met een wedervraag door de organisatie. Dit alles is per interactie geanalyseerd, en vervolgens is schematisch genoteerd hoe vaak elke vorm van sequentie-expansie in de verschillende interacties tussen klanten en organisaties voorkomt. Deze kwantificering van de op kwalitatieve wijze verkregen resultaten kan van belang zijn in de zoektocht naar patronen binnen de sequentieorganisatie van de interacties, omdat hiermee direct duidelijk wordt of en waar (in termen van kernlabels, dimensies en ladingen) er veel sprake is van bepaalde vormen van sequentie-expansie.
Topic-organisatie
Omdat het onderwerp van de interacties al uitgebreid geanalyseerd is voor het ordenen van de dataset door middel van kernlabels, dimensies en ladingen, is bij de analyse van de topic-organisatie alleen