#reflectie
De invloed van stakeholders op online bedrijfscommunicatie
Masterthesis
Student: Pepijn Zoon – 6188214
Graduate School of Communication – Corporate Communcation
Supervisor: mw. dr. S.C. (Suzanne) de Bakker Datum: 31 januari 2014
Samenvatting
In dit onderzoek is gekeken naar reflectiviteit van organisaties. Reflectiviteit is een moderne manier van bedrijfsvoering waarbij stakeholders mede bepalen welke koers gevaren wordt. Nieuwe media zoals Twitter hebben een belangrijke rol gekregen in de reflectie met de omgeving van de organisaties. Veel organisaties lijken reflectief gezien een actieve webcare op Twitter of een uitgebreide Facebookpagina waar stakeholders hun mening kunnen delen, maar de vraag in dit onderzoek is of dit in de praktijk ook betekent dat de organisatie daadwerkelijk reflectief is.
Er is gebruik gemaakt van automatische inhoudsanalyse om impliciete frames bloot te leggen, inhoudsanalyse op hashtags om expliciete frames bloot te leggen en frequentie onderzoek om overeenkomst tussen verschillende datasets aan te tonen. De resultaten van het onderzoek zijn dat bedrijven actief in contact zijn met hun
stakeholders. De inhoud van de berichten verschilt echter beduidend van elkaar. Ook is gekeken of traditionele media invloed hebben of worden beïnvloed door
communicatie via Twitter door de organisaties. Er is zowel op frequentie als inhoud (frames) geen verband te vinden tussen de twee actoren.
Hashtag-analyse toont aan dat organisaties terughoudend zijn in het aantal hashtags dat zij plaatsen. Stakeholders daarentegen gebruiken veel verschillende hashtags om hun bericht een bepaalde richting te geven. Reflectie door organisaties is dus actief maar oppervlakkig.
Inleiding
In 2010 schreef Youp van ’t Hek een betoog tegen slechte klantenservice van Nederlandse bedrijven (Van ’t Hek, 2010). Aanleiding waren slechte ervaringen die hij had gehad bij de klantenservice van T-Mobile die hem naar zijn zeggen van het kastje naar de muur stuurde. Wat hem betreft moest klantenservice weer echte service worden. Hij stelde een revolutie voor:
“Revolutie? Wat mij betreft wel. Hoe? Nog even geen idee, maar voorlopig raad ik iedereen aan om te beginnen met de nuchtere mededeling dat je eigenlijk Youp heet. En nogmaals: niet alleen tegen T-Mobile, maar echt tegen allemaal! We zijn begonnen!” (Van ‘t Hek, 2010)
Deze gebeurtenis viel in een tijd waarin organisaties zich al bewust waren of begonnen te worden van de slechte staat waarin hun klantenservice verkeerde. Organisaties begonnen steeds meer belang te hechten aan reflectieve vormen van bedrijfsvoering en communicatie (Van Ruler & Vercic, 2005), de omgeving waaronder de klant, krijgt een steeds belangrijkere stem.
Reflectie
De mate van communicatie met de omgeving bepaalt voor een groot deel de identiteit van een organisatie. Aan één kant van de schaal staan organisaties die totaal reflectief zijn ten opzichte van hun omgeving (Van Ruler & Vercic, 2005) en aan de andere kant staan organisaties waar zelfreferentie er juist voor zorgt dat organisaties geen connectie maken met hun omgeving (Van Herzele & Aarts, 2004; Hatch & Schultz, 2002). In een reflectief systeem hangen de activiteiten van de relevante organisatie af van de activiteiten in de omgeving van deze organisatie (Van Ruler & Vercic, 2005). Zelfreferentiele systemen creëren hun eigen grenzen en baseren hun condities telkens weer op de condities die eerder binnen dat systeem golden (Van Herzele & Aarts, 2004). Deze laatstgenoemde systemen volgen eerder hun eigen logica dan de logica die in hun omgeving geldt. Omdat de omgeving vaak complexer is dan het systeem vindt er selectie plaats. Deze selectie wordt gedaan op basis van bestaande kennis.
Voorbeelden van dit soort systemen zijn het recht, politiek en wetenschap. Iedere organisatie heeft een gradatie van mate van uitwisseling met hun omgeving.
De twee systeemtypen zijn idealiter met elkaar in evenwicht (Hatch & Schultz, 2002). Teveel reflectie met de omgeving maakt een organisatie hyper-adaptief; dit zorgt voor disbalans. Teveel zelfreferentie zorgt voor narcisme. De balans is een dialogisch systeem waar zowel organisatie als omgeving evenwichtig invloed uitoefent op de organisatieactiviteiten (Grunig, 1992; p. 288). Complexiteit is daarbij echter een factor die ervoor kan zorgen dat organisaties meer of minder zelf-referentieel worden of moeten worden (p. 298). Media hebben traditioneel een belangrijke rol in het faciliteren van communicatie tussen grote, complexe organisaties en hun omgeving (Van Ruler & Vercic, 2005). Ze scheiden hoofdzaken van bijzaken en maken de complexe systemen overzichtelijk voor buitenstaanders. Vooral grote, complexe bedrijven hebben dan ook last van reputatieschade door negatieve berichtgeving (McCombs & Carroll, 2003).
Reflectie is van oudsher gemedieerd (Van Ruler & Vercic, 2005), maar online media hebben door hun openbare en niet-gemodereerde karakter veel weg van directe reflectie (Blumler & Gurevitch, 2001). Nieuwe media met in het speciaal microblogs zoals Twitter, hebben ervoor gezorgd dat kennis in het bezit van (bijna) iedereen direct verkrijgbaar is voor iedereen en dat individuen kunnen bijdragen aan deze kennis (Hermida, 2010).
Omdat de toon en inhoud van de berichtgeving steeds meer gebaseerd is op de stem van de stakeholders, zijn bedrijven erbij gebaat om actief deel te nemen aan het discours dat bestaat rond dat bedrijf (Hong & Lee, 2005). Bedrijven mengen zich in het online discours door middel van zogenaamde webcare (e-service) en hopen hiermee richting te kunnen geven aan dit discours (Li & Kong, 2004). Niet verwonderlijk dat rond 2010 de webcare-afdelingen van grote Nederlandse bedrijven als paddenstoelen uit de grond schieten (figuur 1-4).
Figuur 1. Eerste tweet van het officiële account van de Nederlandse Spoorwegen op
29 maart 2010
Figuur 3. Eerste tweet van het officiële account van Vodafone Nederland op 11 mei
2011
Figuur 4. Eerste tweet van het officiële account van T-Mobile Nederland op 9
februari 2009.
Sociale media hebben een verschuiving in informatievoorziening teweeggebracht (Hermida, 2010). De rol van bijvoorbeeld journalisten is door deze media sterk veranderd; niet de professionele journalist maar de amateur is de eerste die over een
gebeurtenis publiceert (Hermida, 2010). Journalisten en overkoepelende nieuwsorganisaties zijn niet de enigen die het frame rond een issue bepalen. Iedereen die zich rond een issue beweegt, bepaalt mede op welke manier erover gesproken wordt. Journalisten krijgen steeds meer de rol van aggregator (Bruns, 2012). Ze verzamelen, selecteren en duiden de reeds openbare berichtgeving in sociale media.
Berichtgeving is altijd een sociale constructie, gebaseerd op concepten en waarnemingen (Vasterman, 2004, p. 32). Door deze concepten en waarnemingen worden gebeurtenissen omgezet in voorstellingen van gebeurtenissen (images) (Gamson et al., 1992). Frames spelen daarbij een belangrijke rol (Vasterman, 2004). Framing is het selecteren van aspecten van de waargenomen werkelijkheid om deze vervolgens prominent te maken door middel van communicatie (Entman, 1993). Een onverwachte gebeurtenis waar nog geen frame voor beschikbaar is, wordt in de media vaak gekoppeld aan incidenten die niet verwant zijn, maar met wat creativiteit wordt de gebeurtenis zo in een al bestaand frame gepast. Vasterman (2005) gebruikt dan ook de term ‘self-inflating’ in zijn beschrijving van het verloop van nieuws rond een bepaald issue. Een gebeurtenis kan verhoogde media-aandacht krijgen doordat het in lijn is met een ander veelbesproken onderwerp of omdat daarvoor op dat moment ruimte is, terwijl een vergelijkbare gebeurtenis op een ander moment geruisloos voorbij gaat. Ook Twitter werkt zelfinflatie in de hand door overal een menu aan te bieden met trending topics. Hiermee worden gebruikers uitgenodigd om deel te nemen aan onderwerpen die op dat moment populair zijn.
Onderzoeksvraag
Reflectie is het centrale thema van deze scriptie. Er wordt antwoord gezocht op de vraag hoe en in hoeverre bedrijven deze reflectie in de praktijk brengen.
Theorie
Issue-arena’s en framing
Reflectie vindt plaats in zogenoemde issue arena’s (Van Ruler & Vercic). De gebruikte frames rond onderwerpen komen tot stand door een wisselwerking tussen verschillende stakeholders (Hilgartner & Bosk, 1988). Zij reflecteren aan elkaar. Verschillende partijen bepalen in die arena’s hoe en minstens zo belangrijk, hoeveel
over bepaalde onderwerpen wordt gesproken. De invloed die stakeholders, organisaties en media hebben op elkaars berichtgeving resulteert in frames.
De arena’s rond onderwerpen zijn (virtuele) platforms waarop wordt gecommuniceerd over een bepaald issue (Hilgartner & Bosk, 1988). Voorbeelden zijn vergaderzalen, kranten of online fora. Verschillende actoren op die platforms praten en debatteren over een specifiek issue, als een issue bij de ene actor speelt, is de kans groot dat deze ook gevoeld wordt door een andere actor binnen dezelfde arena. Door communicatie worden issues ofwel versterkt, of gedempt. Of een onderwerp grotere vormen krijgt hangt af van de wisselwerking tussen verschillende actoren die over het onderwerp praten.
Issue-arena’s hebben een beperkte draagkracht (Hilgartner & Bosk, 1988), een beperkt aantal issues kan worden behandeld. Potentiele issues zijn er haast onbeperkt, de beperkte capaciteit van arena’s zorgt ervoor dat er een altijddurende wedloop gaande is tussen de issues. Gatekeepers hebben een grote rol in dit gevecht om aandacht.
Gatekeepers
Gatekeepers hebben participerende en modererende rol bij de wedloop in issue-arena’s. Gatekeeping is een van de oudste theorieën in de massacommunicatie (Shoemaker, Eichholz, Kim, & Wrigley, 2001). Gatekeeping gaat niet alleen over selectie van nieuws, maar ook over de manier waarop het gebracht wordt en bijvoorbeeld de tijd die eraan wordt besteed (Shoemaker, et al., 2001). Van origine gaat de gatekeeping-theorie niet over massacommunicatie, maar over voedsel. In 1947 ontwikkelde Kurt Lewin (1947) de theorie om aan te tonen dat vrouwen de genen waren die bepaalden welke groenten geconsumeerd worden in een samenleving. Vrouwen waren in ieder geval toentertijd de gatekeepers voor de huishoudens met alle economische gevolgen van dien.
David Manning White (1950) gebruikte de theorie om te beschrijven hoe de totstandkoming van nieuws werkt. Gebeurtenissen gaan door een ketting van gatekeepers voordat het daadwerkelijk nieuws is (White, 1950: p.384). De complexiteit wordt hierdoor wat meer inzichtelijk. Een verslaggever bepaalt op basis van zijn of haar nieuwswaarden of iets nieuws is. Van de verslaggever wordt het verhaal doorgegeven aan redactieleden die op hun beurt bepalen of iets nieuws is, het
verhaal redigeren en het weer doorgeven aan de hoofdredacteur die met zijn motieven bepaalt of de gebeurtenis wordt opgenomen in de berichtgeving van die editie (p.387). De komst van televisie zorgde voor een verandering in dynamiek rond het selecteren van nieuws (Berkowitz, 1990). Nieuws wordt niet langer geselecteerd om zijn nieuwswaardigheid of persoonlijke normen van de gatekeeper, maar steeds meer omdat het mooie televisie maakt. Omdat het platform waarop nieuws wordt gebracht een nog beperktere capaciteit heeft dan geprinte media is er ook meer competitie tussen verschillende soorten gebeurtenissen. Actualiteiten bijvoorbeeld, verdringen geplande gebeurtenissen in uitzendingen.
Omdat gebeurtenissen veelal gepaard gaan met het ontbreken van informatie, zijn journalisten afhankelijk van andere informatiebronnen. Interpersoonlijke speculaties vormen daarom de basis voor veel nieuws (Smith, 1984). Hoewel journalisten met behulp van elektronische databases een vrij compleet raamwerk kunnen creëren, zijn zij voor echte diepgang aangewezen op persoonlijk contact (Campbell, 1997). Dit contact kan zijn met (ervarings)deskundigen of slachtoffers. Mensen hebben bijvoorbeeld de kans om in te bellen op een radio-uitzending of een expert op het gebied van meteorologie wordt geraadpleegd om een gebeurtenis te duiden.
De komst van online media hebben vervolgens voor een volgende verschuiving van dynamiek gezorgd in de totstandkoming van nieuws. De plaats van gatekeepers binnen deze constructie is verschoven (Bruns, 2003). Deze stelling heeft twee kanten. Ten eerste zorgen online media ervoor dat gatekeeping in handen is gekomen van individuen die gebeurtenissen zonder tussenkomst van bijvoorbeeld redacteuren publiceren. Ten tweede komt de gatekeeper-rol ook steeds meer te liggen bij lezers die door de hoeveelheid beschikbare informatie selectie moeten maken (Bruns, 2003). Deze lezer doet dat net als de ‘ouderwetse’ gatekeeper op basis van nieuwswaarden en persoonlijke voorkeuren. Lezers creëren daarmee als het ware hun persoonlijke dagblad (Bruns, 2003)
Gatekeeping en de daar aan ten grondslag liggende selectiecriteria, zorgen ervoor dat de weergave van gekozen onderwerpen of gebeurtenissen mediabreed wordt versterkt. Niet-geselecteerde gebeurtenissen blijven in de luwte en sterven een snelle dood (Vasterman, 2005).
De dynamiek in een issue-arena is allesbepalend voor het verloop van communicatie rond een onderwerp (Hilgartner & Bosk, 1988). Dynamiek in
issue-arena’s speelt op twee vlakken. Allereerst is er zoals hierboven beschreven, strijd tussen verschillende potentiele issues voor een plaats in de arena. Daarbij is in de context van framing belangrijk dat er strijd over de definities die worden gebruikt om het probleem te beschrijven. Het frame wordt al delibererend en debatterend bepaald.
In het kader van framing door en rond reflectieve organisaties met actieve online communicatie worden de volgende hypotheses gesteld:
H1. De frames die worden gebruikt in communicatie op Twitter door organisaties met
een reflectief karakter komen overeen met de frames die worden gebruikt door hun stakeholders op Twitter over deze organisaties.
Om te zien welke weerslag frames van organisaties die actief Twitter gebruiken in hun communicatie hebben op frames die worden gebruikt in nieuwsberichten over deze organisatie in dagbladen wordt de volgende hypothese gesteld:
H2. De frames die worden gebruikt in communicatie op Twitter door organisaties met
een reflectief karakter komen overeen met de frames die worden gebruikt in berichten over deze organisaties in dagbladen.
Golven
Een zeer klein deel van potentiele issues krijgt daadwerkelijk een podium in een issue-arena. De groei van het ene issue binnen een arena heeft de krimp van een andere tot gevolg (Hilgartner & Bosk, 1988).
Deze dynamiek heeft een golfbeweging in hoeveelheid berichtgeving tot gevolg. Het nieuwsverloop rond issues neemt door vaste selectieprocedures steevast de vorm van een golf aan (Vasterman, 2004, p. 31). Vasterman (2004, p. 30) noemt het voorbeeld van de mishandeling van Meindert Tjoelker die een jarenlange
berichtenstroom onder het label ‘zinloos geweld’ teweegbracht. Berichtgeving neemt na het pieken relatief geleidelijk af omdat steeds minder nieuws gevonden kan worden die onder het label van de gebeurtenis gebracht kunnen worden.
De eigenschappen van het medialandschap zorgen ervoor dat berichtgeving in de media doorgaans niet evenredig is met de werkelijkheid (Vasterman, 2004). Vasterman (2004) definieert een mediahype als “een mediabrede nieuwsgolf die het
gevolg is van een zichzelf versterkend proces waarbij nieuws niet alleen vervolgnieuws genereert, maar ook maatschappelijke gevolgen die ook nieuws opleveren” (p. 23). Het zijn escalaties van mediaberichtgeving over een bepaald onderwerp. Een onderwerp wordt onder het voetlicht gebracht door media en groter gemaakt dan het werkelijk is. Om het verhaal over een sleutelmoment kracht bij te zetten, worden naast de feitelijke berichtgeving, andere gebeurtenissen of informatie met het zelfde label gelabeld (Vasterman, 2004, p. 27). Zo kon het gebeuren dat bij de mediahype over zinloos geweld, naast het sleutelmoment (de mishandeling en dood van Meindert Tjoelker) met label ‘zinloos geweld’ ook andere mishandelingen die losstonden van deze gebeurtenis gelabeld werden als zinloos geweld.
De sociale constructie van nieuws wordt met het voorbeeld van zinloos geweld duidelijker. Voor de mishandeling van Meindert Tjoelker, met zijn dood tot gevolg, werd er nauwelijks gesproken over zinloos geweld (Vasterman, 2004, p.63). Geweld op straat, wat ook een label bij deze gebeurtenis zou kunnen zijn, komt al voor sinds mensheugenis. Omdat steeds meer geweldsmisdrijven onder de noemer ‘zinloos geweld’ gerapporteerd werden, leek het erop dat er een nieuw soort geweld ontstaan was, ook al waren deze gebeurtenissen van veel minder ernstige aard dan de dood van Meindert Tjoelker (p.64). Bewustwording speelt in het gevolg daarvan een belangrijke rol. Het aantal meldingen van geweld op straat of ‘zinloos geweld’ zoals men sinds het sleutelmoment noemt, neemt drastisch toe (p. 64). Media spelen een belangrijke rol bij het aanjagen van deze onrust. Zonder media zou de toename van meldingen van geweld niet zo groot zijn.
Journalisten zoeken in hun nieuwsgaring voornamelijk naar vergelijkbare gevallen om ze vervolgens hetzelfde label te kunnen geven (Vasterman, 2005). Selectie van nieuws vindt dus vooral plaats op basis van welke labels er beschikbaar zijn. De evenredigheid met de werkelijkheid wordt hierdoor scheefgetrokken.
Nieuwsgolven hebben veel raakvlakken met het verloop van sociale problemen of issues zoals Hilgartner en Bosk (1988) die beschrijven. Zij gaan alleen niet uit van nieuwsorganisaties als actieve actoren in het bepalen van het nieuwsverloop, maar van de dynamiek in de arena’s rond de sociale problemen of issues.
Behalve een wedloop om frames zorgt reflectie ook voor een wedloop om een plek binnen een issue-arena (Hilgartner & Bosk, 1988). Dit heeft zijn weerslag op de hoeveelheid berichtgeving over een bepaald onderwerp of binnen dit onderzoek over
een bepaalde organisatie. Organisaties met een reflectief karakter, zullen daardoor meer berichten publiceren wanneer er meer berichten worden geplaatst door stakeholders op Twitter, maar ook door dagbladen. De volgende hypotheses wordt daarom gesteld:
H3. De berichtfrequentie op Twitter van organisaties met een reflectief karakter heeft
een verband met de hoeveelheid berichten die stakeholders van deze organisatie over deze organisatie op Twitter publiceren.
H4. De berichtfrequentie op Twitter van organisaties met een reflectief karakter heeft
een verband met de hoeveelheid berichten die dagbladen over deze organisatie publiceren.
Hashtags
De komst van sociale media heeft een verschuiving teweeg gebracht in de communicatie rond organisaties. Sociale media zoals Twitter hebben organisaties nieuwe mogelijkheden gegeven om in contact te treden met hun stakeholders. Vooral de snelheid van informatie zenden en ontvangen zijn onderscheidend (Lovejoy, Waters & Saxton, 2012). Lovejoy en Saxton (2012) onderscheiden drie functies waarvoor Twitter wordt gebruikt door bedrijven: (1) informatievoorziening: Twitter dient voor bedrijven als algemeen informatiekanaal, (2) binding: een relatie aangaan en onderhouden door middel van persoonlijke berichten en (3) actie: organisaties sporen mensen via Twitter aan om bijvoorbeeld producten te kopen of te stemmen. Jansen et al. (2009) deden onderzoek naar Twittergebruik door bedrijven en concluderen dat Twitter een combinatie is van een platform voor klachten en opmerkingen, feedback en vragen. Organisaties zenden volgens Jansen et al. (2009) weinig autonome berichten de wereld in die dialoog oproepen. Dit terwijl Twitter bij uitstek een medium is dat geschikt is voor dialooguitlokking (Hong & Lee, 2005). Door middel van @ en # kan respectievelijk op specifieke users en onderwerpen gericht worden. #storing geeft bijvoorbeeld een overzicht van tweets die over storingen gaan, een bericht met @KLM is gericht aan KLM. Beide kunnen gezien worden als arena waar discours bepaald wordt (Hilgartner & Bosk, 1988; Luoma-Aho & Vos, 2010) waar de hashtag (#) veelal bedoeld is om een issue te adresseren en de
@ om een specifieke organisatie te adresseren. Sociale media hebben ervoor gezorgd dat klanten minder weerstand hebben om hun vaak negatieve mening over een product of dienst te laten klinken (Hong & Lee, 2005). Dit heeft als gevolg dat meer negatieve berichtgeving rond een organisatie ontstaat, maar ook dat bedrijven vroeg kunnen anticiperen en handelen naar deze low-key negatieve berichtgeving voordat het wordt opgepikt door de media.
Organisaties hebben de keus om zich actief te mengen in bepaalde issue-arena’s door gebruik te maken van hashtags. Ze kunnen ook reageren op een individueel geval zonder gebruik te maken van hashtags. Behalve gelijke golven in hoeveelheid tweets kan ook inhoudelijk naar de berichtgeving om inhoudelijk te kijken of issues uitgedrukt in hashtags overeenkomen tussen organisaties en stakeholders. De volgende hypotheses worden gesteld over hashtag-gebruik op Twitter:
H5a. Organisaties met een reflectief karakter gebruiken hashtags om deel te nemen in
bepaalde issue-arena’s.
H5b. Stakeholders gebruiken hashtags om deel te nemen in bepaalde issue-arena’s.
H5c. De hashtags die organisaties met een reflectief karakter gebruiken, komen
overeen met de hashtags die stakeholders gebruiken.
Methode
DataverzamelingBinnen dit onderzoek zijn drie onderwerpen onderzocht. Automatische inhoudsanalyse is gebruikt om frames te onderscheiden en interpreteren, correlatieanalyse is gebruikt om samenhang tussen berichtfrequentie te onderzoeken en de samenhang tussen gebruikte hashtags is eveneens onderzocht door middel van correlatieanalyse. De tweets die zijn geanalyseerd, zijn gedurende vijf maanden
gescraped van een vijftiental grote Nederlandse bedrijven die volgens een ranglijst
van twittergids.nl een actieve Twitter-account hebben (Webcare Top 100, 2013). Behalve hun eigen tweets zijn ook de tweets die aan hen zijn gericht gescraped.
Scrapen is gedaan door middel van het open-source script ‘Twitter Archive Google
Spreadsheet’ (TAGS). Deze is gekoppeld aan Google Drive en voor autorisatie ook aan een bestaand Twitter-account. Dit geeft de mogelijkheid om ieder uur een scrape te doen met de gewenste zoektermen. De zoektermen die zijn gebruikt zijn from:>>organisatie<< en to:>>organisatie<<.
Het was nodig om van een overmaat aan bedrijven de tweets te scrapen omdat het onmogelijk is om tweets van twee weken of ouder te vinden. Gedurende het
scrapen bleken enkele datasets niet bruikbaar. Tweets van en naar KLM zijn
bijvoorbeeld meertalig waardoor automatische inhoudsanalyse niet mogelijk is en enkele organisaties bleken minder actief dan verwacht. Van alle organisaties werd uiteindelijk een tweetal geanalyseerd: Rabobank (@rabobank) en ING (@ingnl). Beide organisaties kunnen als reflectief worden beschouwd: Rabobank heeft in vijf jaar ruim 35.000 tweets gepubliceerd, volgt ruim 12.000 Twittergebruikers en wordt gevolgd door ruim 54.000 Twittergebruikers; ING heeft in vier jaar tijd ruim 53.000 tweets gepubliceerd, volgt ruim 15.000 twittergebruikers en wordt gevolgd door een kleine 29.000 Twittergebruikers. Ook hebben beide bedrijven een vergelijkbaar karakter, beide zijn banken, beide zijn vergelijkbaar actief op Twitter en beide gebruiken een account dat voor zowel webcare als algemene informatie wordt gebruikt.
Van ING zijn tweets gebruikt uit de periode 6 oktober 2013 tot en met 14 december 2013, voor deze en niet een langere periode is gekozen omdat ING vanaf 6 oktober 2013 afstand heeft gedaan @ingnl_webcare als communicatiekanaal op Twitter, er wordt vanaf dan gecommuniceerd via hun algemene account @ingnl. Van de Rabobank zijn tweets gebruikt uit de periode 26 juni 2013 tot en met 14 december 2013.
Dagbladen
Data van dagbladen is verzameld door middel van zoekopdrachten in krantendatabase LexisNexis. Zoektermen waren organisatienamen en waar nodig varianten op de organisatienaam, bijvoorbeeld ‘NS’ en Nederlandse Spoorwegen. De artikelen over de periode van eind juni 2013 tot en met half december 2013 werden opgeslagen als losse tekstbestanden en ontdaan van titels en metadata zoals datum en katernnaam. De zoekfunctie is uitgevoerd op drie Nederlandse landelijke dagbladen, De Telegraaf, De Volkskrant en NRC Handelsblad. De keuze is op deze drie dagbladen gevallen omdat
ze inhoudelijk alle drie van elkaar verschillen waardoor er mee kans is op een gevarieerd framegebruik.
In de analyse werd behalve de werkelijke publiciteitsdatum ook een set gebruikt waarvan de datum een dag vervroegd is. Dit wordt gedaan om de vertraging die getemporiseerd publiceren met zich meebrengt uit te sluiten. Krantenberichten verschijnen namelijk vaak een dag na de daadwerkelijke gebeurtenis terwijl tweets juist direct na een gebeurtenis gepubliceerd worden.
Analyse
Frames
Om de artikelen en tweets rond de verschillende bedrijven te kunnen analyseren, is er gebruik gemaakt van de co-word analyse. Automatische inhoudsanalyse brengt impliciete frames aan het licht die door taalgebruik worden geconstrueerd (Leydesdorff & Hellsten, 2005). De basis is een handleiding voor netwerkvisualisatiesoftware Pajek van Leydesdorff en Hellsten (2005). ‘Word/document occurrence matrices’ vormden de ruggengraat (Leydesdorff & Hellsten, 2005; Hellsten, et al., 2010). In de matrices zijn de woorden opgenomen die het meest gebruikt worden in de artikelen. Dit diende als fundament waar vanuit bekeken kon worden hoe verschillende woorden met elkaar samenhangen. Naar aanleiding van de associatie tussen de woorden kon een context geïnterpreteerd worden. Woorden met een hoge mate van samenhang vormen de verschillende frames.
De verzamelde tweets zijn samengevoegd als afzonderlijke regels. Het script Frqlst.exe is vervolgens gebruikt om te berekenen wat de frequentie is van ieder gebruikt woord in het gehele tekstbestand. Stopwoorden zoals ‘en’ en ‘de’ zijn uitgesloten door ze te markeren als stopwoorden. Frqlst.exe produceerde vervolgens een lijst met afzonderlijke woorden met hun frequentie daarbij gesorteerd op hoogste naar laagste frequentie. Voor een overzichtelijk eindresultaat zijn de honderd meest voorkomende woorden geselecteerd en vervolgens opgeslagen in een apart bestand. Vervolgens is een woordenmatrix gecreëerd met het programma ti.exe. Dit programma is van origine bedoeld om krantenkoppen te analyseren, maar is door het beknopte karakter van tweets zeer bruikbaar. In dit programma worden per regel tekst (ofwel per tweet) de frequentie van woorden aangegeven. De berichtgeving in
dagbladen is met FullText.exe geanalyseerd. Deze software is vergelijkbaar met ti.exe, maar gemaakt voor langere teksten. De teksten uit LexisNexis moesten voor analyse worden ontdaan van metadata en per stuk worden opgeslagen. De matrix wordt gebruikt voor zowel factoranalyse in SPSS als semantische netwerkvisualisatie in Pajek.
De variantie van de verschillende variabelen/woorden werd gecontroleerd. Als deze er namelijk niet is, heeft het woord geen toegevoegde waarde binnen dit onderzoek en dient deze buiten beschouwing gelaten te worden.
Vervolgens kon factoranalyse worden uitgevoerd in SPSS. SPSS berekent de factoren met behulp van de Pearsons product-moment correlatiecoëfficiënt. Een zogenoemde Varimax-rotatie zorgt ervoor dat de resultaten beter interpreteerbaar zijn. Alleen factorladingen van 0,10 of hoger zijn meegenomen. Voor een overzichtelijk resultaat zijn slechts zes en waar nodig meer factoren geaccepteerd. Er is gekozen voor meer factoren wanneer veel negatieve ladingen op componenten kwamen. De resultaten zijn op volgorde van grootte gegroepeerd.
De factoren die werden gevonden, zijn vervolgens gecontroleerd op betrouwbaarheid. De betrouwbaarheid werd getest door middel van Cronbach’s Alpha. Wanneer de alfa kleiner was dan 0,65 kon de factor niet verder worden geinterpreteerd (Leydesdorff & Hellsten, 2005). Dit betekent dat hoewel er bijvoorbeeld een betrouwbare alfa van 0,54 wordt gevonden, de factor niet geïnterpreteerd kan worden als frame. In de resultaten zal duidelijk worden dat er toch een uitzondering wordt gemaakt. Door de aard berichten aan bedrijven, met korte berichten en veel variatie in woordgebruik, is gekozen om toch interpretatie te doen van de gevonden factoren. Hierbij zijn als maatstaf de standaard betrouwbaarheidsintervallen gebruikt: 0 - 0,10: zeer zwak/geen verband; 0,11 - 0,30: zwak verband; 0,31 - 0,50: redelijk verband; 0,51 - 0,80: sterk verband; 0,81 - 0,99: zeer sterk verband; 1: perfect verband (‘Keuzeschema’s’, 2014).
Golven
De eventuele golfbewegingen in hoeveelheid berichtgeving over de relevante organsiaties is door een simpele frequentietabel en –grafiek en correlatieanalyses onderzocht. Allereerst werden de tweets van en naar organisaties geanalyseerd op frequentie. De datumstempel van de tweets moest worden ontdaan van tijd om te kunnen zien hoeveel tweets er per dag waren gepubliceerd. Daarna kon door middel van een pivot-tabel gekeken worden hoeveel tweets er per dag waren gepubliceerd per
dataset. Daarna moesten de kalenderdata van de krantenartikelen worden geëxtraheerd uit de bestanden die uit LexisNexis kwamen. De lijst die dit opleverde is wederom met een pivot omgezet naar een frequentietabel. Op de drie verdelingen die hiervan het resultaat waren, werd vervolgens een correlatieanalyse uitgevoerd in SPSS.
Hashtags
Waar automatische inhoudsanalyse impliciete frames blootlegt, worden door Twittergebruikers hashtags gebruikt om hun bericht opzettelijk in een bepaalde issue-arena te krijgen. Ze kunnen worden gezien als expliciete frames. Gebruiken Twittergebruikers bijvoorbeeld ‘#storing’ dan willen ze hun bericht in een storingsarena zichtbaar maken. Er is gekeken in hoeverre zowel de organisaties zelf als hun stakeholders hashtags gebruiken en in hoeverre deze overeenkomen. Door middel van een macro in Excel is per tweet gekeken of en welke hashtags er worden gebruikt door de onderzochte actoren op Twitter. Deze zijn in een aparte kolom geplaatst waardoor het mogelijk is om er analyse op uit te voeren.
Door middel van een pivot is gekeken hoeveel verschillende hashtags er werden gebruikt en hoeveel hashtags werden herhaald in verschillende tweets. Daarna worden de hashtag-reeksen van de organisaties naast hashtag-reeksen gericht aan organisaties naast elkaar geplaatst. Hierdoor kan gekeken worden of er overeenkomstige hashtags te vinden zijn. Met de overeenkomstige hashtags worden vervolgens in SPSS correlatieberekeningen gedaan om te kijken of het gebruik van een hashtag door de ene ook leidt tot het gebruik van dezelfde hashtag door de andere onderzochte groep.
Resultaten
FramesRabobank – kranten
Er zijn door middel van co-word-analyse zes duidelijke frames gevonden in de berichtgeving over Rabobank in de drie geselecteerde dagbladen in de periode van 26 juni 2013 tot en met 14 december 2013 (Zie bijlage 1).
Het eerste frame is een crisisframe. De Rabobank wordt genoemd in combinatie met facetten van crisis zoals bezuiniging, de invloed op uitgaves van
individuen en vooruitzichten op de toekomst. Woorden als ‘geld’, ‘mensen’, ‘crisis’, ‘jaren’, ‘minder’ en ‘geven’ worden gebruikt in dit frame. De schaal van 42 items is zeer betrouwbaar (α = 0,88).
Het tweede frame is een sportframe. Rabobank als voormalig sponsor van bijvoorbeeld de Rabo-wielerploeg wordt geframed als sportminnend bedrijf. Het frame wordt verwoord met woorden als ‘sport’, ‘renner’, ‘ploeg’ en ‘tour’. De schaal met veertien items is zeer betrouwbaar (α = 0,75).
Het derde frame is een internationaal frame. Rabobank wordt geframed als Europese zakenbank en wordt vergeleken met banken die anders dan Rabobank, staatssteun hebben gekregen. Woorden die worden gebruikt in dit frame zijn ‘ABN’, ‘minister’, ‘staat’ en ‘Europese’. De schaal met tien items is zeer betrouwbaar (α = 0,76).
Het vierde frame is een fraudeframe. Rabobank wordt geframed als spil in een wereldwijd renteschandaal. Woorden die binnen het frame worden gebruikt zijn ‘toezichthouder’, ‘boete’, ‘DNB’, ‘Amerikaanse’ en ‘wereld’. De schaal met vijftien items is betrouwbaar (α = 0,73).
Het vijfde frame is een economieframe. De Rabobank wordt geframed als een van de belangrijke partijen in de Nederlandse economie en de groei ervan. Woorden die binnen dit frame worden gebruik, zijn onder andere ‘groei’, ‘economie’, ‘bedrijf’, ‘Nederlandse’ en ‘markt’. De schaal van dertien items is betrouwbaar (α = 0,67).
Het zesde frame is een beleggingsframe. De Rabobank wordt geframed als pion voor (Europese) beleggingen. Niet alleen wordt de bank als beleggingsbank geframed, maar vooral ook de macht van beleggers bij keuzes die de bank neemt, is opvallend. Woorden die binnen dit frame worden gebruikt, zijn onder andere ‘winst’, ‘beleggers’, ‘Europa’ en ‘cijfer’. De schaal van elf items is betrouwbaar (α = 0,62).
Rabobank – to:@rabobank
Co-wordanalyse op tweets waarin @Rabobank wordt genoemd levert minder
duidelijke tweets op dan krantenberichten. De betrouwbaarheid van de gevonden schalen is lager dan de vooraf gestelde limiet van α ≥ 0,65. Toch zijn er vier schalen die interpreteerbaar zijn (Zie bijlage 2).
Het eerste frame is een dankframe. De Rabobank wordt bedankt voor de geboden service. Woorden die worden gebruikt zijn ‘reactie’, ‘snelle’, ‘dank’ en
‘OK’. Het is een kleine schaal van slechts vier items en is redelijk betrouwbaar (α = 0,45).
Het tweede frame is een technologieframe. De technologische hulpmiddelen voor bankieren worden in dit frame naar voren gebracht. Woorden als ‘app’, ‘android’, ‘reader’ en ‘update’ worden binnen dit frame veel gebruikt. De schaal met tien items is redelijk betrouwbaar (α = 0,36).
Het derde frame is een geld-terug-frame. Klanten klagen over de Rabobank omdat onterecht geld is afgeschreven. Veelal gaat het over transacties van klanten bij andere banken. Woorden die worden gebruikt zijn ‘geld’, ‘rekening’, ‘ING’ en ‘terug’. De schaal van acht items is redelijk betrouwbaar (α = 0,32).
Het vierde frame is een storingframe. Klanten klagen over storingen van onlinebetalingsdiensten zoals iDeal. Woorden die worden gebruikt zijn ‘iDeal’, ‘betaling’, ‘site’ en ‘problemen’. De schaal van negen items is redelijk betrouwbaar (α = 0,31).
Rabobank – from:@rabobank
Co-wordanalyse op de tweets van het officiële account van de Rabobank leveren een
zestal frames op (Zie bijlage 3).
Het eerste frame is een doorstuurframe. Stakeholders worden geadviseerd om contact op te nemen met de telefonische helpdesk voor betere service. Woorden die in het frame worden gebruikt, zijn onder andere ‘helpdesk’, ‘adviseer’, ‘helpen’, ‘raad’ en ‘contact’. De schaal van elf items is betrouwbaar (α = 0,76).
Het tweede frame is een hulpframe. Stakeholders die niet tevreden zijn over de service van een ander team (helpdesk of bankkantoor) worden herkend en aangesproken met de vraag of webcare misschien meer voor ze kan betekenen. Woorden die in dit frame worden gebruikt, zijn ‘webcare’, ‘namens’, ‘team’ en ‘betekenen’. Het frame kan herleid worden naar een vast bericht: “Ik las je bericht.
Kan ik namens het Rabo Webcare Team iets voor je betekenen?” De schaal van vijf
items is betrouwbaar (α = 0,78).
Het derde frame dat door co-wordanalyse werd gevonden, is een wensframe. Rabobank wenst stakeholders prettige dag, fijn weekend et cetera. Woorden die worden gebruikt in dit frame zijn onder andere ‘prettige’, ‘fijn’, ‘avond’, ‘weekend’, ‘gewenst’ en ‘dank’. De schaal van elf items is betrouwbaar (α = 0,65).
ING – kranten
Er zijn zes frames gevonden in de berichtgeving in de drie Nederlandse dagbladen over ING (Zie bijlage 4).
Het eerste frame is een onderzoeksframe en gaat over verschillende onderzoeken die zijn gedaan door en rond ING, voorbeelden zijn een spaargeldonderzoek in samenwerking met NIBUD en een onderzoek naar de gevolgen van de crisis voor ondernemers. Woorden die veel met elkaar voorkomen zijn willekeurig ‘mensen’, ‘betalen’, ‘onderzoek’, ‘crisis’ en ‘geld’. De schaal bestaande uit veertig woorden is zeer betrouwbaar (α = 0,90).
Het tweede frame dat in berichtgeving in dagbladen werd gevonden is het reputatieframe en gaat over de reputatie van de bank ten opzichte van concurrenten in een tijd waarin iedere beslissing op een waagschaal wordt gelegd. Woorden waaruit het frame wordt opgebouwd zijn ‘Rabobank’, ‘bankier’, ‘ABN Amro, ‘bonussen’, ‘SNS’ en ‘klanten’. De schaal bestaande uit veertien woorden is betrouwbaar (α = 0,78).
Het derde frame dat wordt gebruikt in berichtgeving over ING is het bedrijfsframe. Dit frame gaat over ING als zakenbank en speler tussen overheid en markt. Woorden die worden gebruikt zijn ‘overname’, ‘markt’, ‘overheid’, ‘aandelen’ en ‘bedrijf’. De schaal met negen items is betrouwbaar (α = 0,71)
Het vierde frame dat wordt gebruikt in de berichtgeving over ING in de drie dagbladen is het staatssteunframe en gaat over de miljardensteun van de staat aan ING. Woorden die in dit frame worden gebruikt zijn ‘miljard’, ‘ING’, ‘staat’, ‘winst’ en ‘Dijsselbloem’. De schaal met negen items is betrouwbaar (α = 0,72).
Het vijfde frame is het beleggingsframe en gaat vooral over de stand van zaken in de Verenigde Staten en de gevolgen voor de ING-beleggers. Woorden die worden gebruikt zijn ‘punten’, ‘Amerikaanse’, ‘beurs’ en ‘belegger’. De schaal met tien items is betrouwbaar (α = 0,67).
Het zesde en laatste frame is het Europa-frame en zet de ING in een Europees economisch perspectief. Woorden die worden gebruikt zijn ‘economie’, ‘groei’, ‘Europa’, ‘Europees’ en ‘grootste’. De schaal met negen items is betrouwbaar (α = 0,68).
ING – to:@ingnl
De co-wordanalyse van Tweets die aan ING gericht zijn of hierover gaan, brengen vergeleken met artikelen in dagbladen minder duidelijke frames naar voren (Zie bijlage 5). Het is daarom belangrijk om bij de volgende resultaten te vermelden dat de betrouwbaarheid van de schalen onder het aanvaardbare niveau van α = 0,65 ligt. Toch zeggen de verschillende schalen wel iets over de frames die gebruikt worden door stakeholders van ING op Twitter en daarom de volgende resultaten.
Het eerste frame dat werd gevonden, is een storingsframe/klachtenframe. De schaal bevat items zoals ‘storing’, ‘ideal’, ‘foutmelding’, ‘melding’ en fout. Tien items vormen een betrouwbare schaal (α = 0,55).
Het tweede frame is een pressieframe. Stakeholders stellen ING een ultimatum met betrekking tot verlate overschrijvingen. Items binnen dit frame zijn onder andere ‘geld’, ‘staat’, ‘salaris’, ‘dag’, ‘vandaag’ en ‘afgeschreven’. Tien items vormen het pressieframe. De schaal heeft is betrouwbaar (α = 0,56).
Het derde frame is een technologieframe. De technische hulpmiddelen die ING biedt voor bankieren komen aan de orde. Items binnen dit frame zijn onder andere ‘app’, ‘inloggen’, ‘mobiel’ en ‘website’. Dertien items vormen het technologieframe. De schaal is redelijk betrouwbaar (α = 0,50).
Het vierde frame binnen deze dataset kan niet worden benoemd omdat deze een te lage betrouwbaarheid (α = 0,26) en individuele ladingen van items heeft. De individuele items zijn haast autonome frames.
Het vijfde frame is een contactframe. Deze frame gaat over contact leggen met de ING. Woorden die het frame vormen, zijn onder andere ‘nummer’, ‘telefoon’, ‘online’, ‘bellen’ en ‘brief’. De schaal bestaat uit achttien items en is redelijk betrouwbaar (α = 0,49).
ING – from:@ingnl
De volgende dataset is een verzameling tweets die ING tussen 6 oktober 2013 en 14 december 2013 heeft gepubliceerd. Vier duidelijke en twee minder duidelijke frames zijn te onderscheiden (Zie bijlage 6).
Het eerste frame is een hulpframe. Stakeholders worden gevraagd mee te denken om de service van de ING te kunnen verbeteren. Het is een beknopt frame omdat hij bestaat uit slechts vier sterke items: ‘webcare’, ‘zodat’, ‘korte’ en ‘blijven’. De schaal is zeer betrouwbaar (α = 0,85).
Het tweede frame is een serviceframe. Er wordt gereageerd op klachten en ideeën van stakeholders op Twitter. Woorden die het frame vormen zijn bijvoorbeeld ‘helpen’, ‘fijn’, ‘signaal’ en ‘melding’. Vooral ‘signaal’ is een opvallende term omdat deze 161 keer gebruikt wordt in 836 tweets. Stakeholders worden volgens een vast stramien bedankt voor hun input: “… we zullen het signaal doorgeven.” De schaal van achttien items is betrouwbaar (α = 0,67)
Het derde frame is een schuldframe. De ING maakt zijn excuses richting stakeholders en belooft beterschap met woorden als ‘problemen’, ‘excuses’, ‘ongemak’ en ‘proberen’. De schaal van tien items is betrouwbaar (α = 0,71).
Het vierde frame valt net onder de betrouwbaarheidsgrens van ,65 maar is toch bruikbaar in de analyse. Het frame is aan te duiden als contactframe. Stakeholders worden aangespoord om via andere wegen dan Twitter contact op te nemen met ING. Het frame wordt gevormd door termen als ‘DM’ (direct message), ‘stuur’, ‘telefoon’ en ‘graag’. De schaal van achttien items is betrouwbaar (α = 0,62).
Het vijfde frame is een waarschuwingsframe. Stakeholders worden gewezen op valse emailberichten en worden vervolgens opgeroepen om ING te waarschuwen als ze ook dergelijke mails ontvangen. Termen die in het frame worden gebruikt zijn onder andere ‘doorsturen’, ‘link’, ‘bedankt’ en ‘valse-email@ing.nl’. Met dat laatste wordt gedoeld op een specifiek emailadres waartoe stakeholders zich kunnen richten om melding te doen van twijfelachtige mailings namens ING. De schaal van tien items is betrouwbaar (α = 0,71).
Het zesde en laatste frame in deze dataset is niet betrouwbaar genoeg om mee te nemen in de resultaten (α = 0,56). Toch is interpretatie wel mogelijk. Dit frame kan worden aangeduid als reflectieframe. Stakeholders worden gevraagd om feedback te geven. De woorden die in het frame worden gebruikt laten bescheidenheid zien: ‘goed’, ‘lezen’, ‘helaas’, ‘horen’ en ‘dank’. De schaal van veertien items is redelijk betrouwbaar (α = 0,56).
Golven
Rabobank
Voor de data rond de Rabobank zijn tussen 26 juni 2013 en 14 december 2013 tweets en krantenartikelen verzameld. In totaal zijn er in die periode 9615 tweets vanuit het officiele account van de Rabobank, 8774 tweets met aanduiding @rabobank en 832
artikelen in dagbladen die ‘rabobank’ bevatten, gepubliceerd. Van de 832 artikelen zijn er 200 van de Volkskrant, 228 van het NRC Handelsblad en 404 van de Telegraaf.
De volgende grafiek (grafiek 1) is een weergave van alle berichtgeving in de relevante periode. De eerste y-as geeft het aantal krantenartikelen aan, de tweede y-as geeft het aantal tweets aan.
Grafiek 1. Verdeling van tweets van en naar @rabobank en krantenberichten met
steekwoord ‘Rabobank’ tussen 26 juni 2013 en 14 december 2013.
Correlatie
Er is een sterk positief verband tussen de hoeveelheid tweets van @rabobank en hoeveelheid tweets waarin @rabobank wordt genoemd (r(170) = 0,77, p < 0,01). Er is geen significant verband tussen de hoeveelheid tweets van @rabobank en de hoeveelheid krantenberichten met steekwoord ‘rabobank’ (r(170) = 0,03, n.s.). Er is eveneens geen significant verband tussen de tweets waarin @rabobank genoemd wordt en de hoeveelheid krantenartikelen met steekwoord ‘rabobank’ (r(170) = ,01, n.s.).
Omdat dagbladen een getemporiseerde publiciteitsdatum hebben (vaak een dagdeel na een gebeurtenis) en tweets live gepubliceerd worden, is vervolgens gekeken of een andere uitkomsten worden genoteerd wanneer de datum van krantenartikelen min een dag worden geanalyseerd. Het resultaat is een zwak positief verband tussen de hoeveelheden van zowel tweets van als aan @rabobank en
hoeveelheid krantenartikelen met steekwoord ‘rabobank’, respectievelijk r(169) =,21,
p < ,01 en r(169) = ,183, p < 0,05.
ING
Voor ING zijn tussen 6 oktober 2013 en 14 december 2013 tweets en krantenartikelen verzameld. In totaal zijn 7262 tweets van ING zelf gescraped, 6311 aan ING gerichte tweets en 300 krantenartikelen met zoekterm ‘ING’ verzameld waarvan 83 uit De Volkskrant, 72 uit het NRC Handelsblad en 145 uit De Telegraaf.
De volgende grafiek (grafiek 2) is een weergave van alle berichtgeving in de relevante periode. De eerste y-as geeft het aantal tweets aan, de tweede y-as geeft het aantal krantenberichten aan.
Grafiek 2. Verdeling van tweets van en naar @ingnl en krantenberichten met
steekwoord ‘ING’ tussen 6 oktober 2013 en 14 december 2013.
Correlatie
Er is een zeer sterk verband tussen het aantal tweets van en naar @ingnl (r(68) = ,92, p < ,01). Er is geen significant verband tussen hoeveelheid krantenartikelen en aantal tweets van @INGnl (r(68) = -,14, n.s) en eveneens geen significant verband tussen de hoeveelheid krantenartikelen en het aantal tweets aan @INGnl (r(68) = -,12, n.s.).
Omdat dagbladen een getemporiseerde publiciteitsdatum hebben (vaak een dagdeel na een gebeurtenis) en tweets live gepubliceerd worden, is vervolgens gekeken of een andere uitkomsten worden genoteerd wanneer de datum van krantenartikelen min een dag worden geanalyseerd. Het resultaat is een redelijk
negatief verband tussen de hoeveelheden van zowel tweets van als aan @ingnl en hoeveelheid krantenartikelen, respectievelijk r(67) = -,38, p < ,01 en r(67) = -,34, p < ,01.
Hashtags
Rabobank - from:@rabobank
Via het officiële Twitter-account van Rabobank zijn in de periode van 26 juni 2013 tot en met 14 december 2013 180 van de 9615 tweets gepubliceerd met een of meer hashtags. In die 180 tweets zijn in totaal 239 hashtags gebruikt, er zijn 96 verschillende hashtags te onderscheiden. Veelgebruikte hashtags zijn ‘#RaboBankierenApp’ (n=24), ‘#RaboMobielBankieren’ (n=16), #TNE13 (The Next
Entrepreneur) (n=14), #thuisindewereld (n=13), #rabobank (n=9).
Rabobank - to:@rabobank
In tweets met vermelding van @rabobank meer verschillende hashtags te onderscheiden. In de relevante periode zijn door stakeholders 940 van de 8774 tweets gepubliceerd met een of meer hashtags. In totaal zijn 1488 hashtags geplaatst, er zijn 819 verschillende hashtags te onderscheiden. Veelgebruikte hashtags zijn ‘#Rabobank’ (n=87), ‘#fail’ (n=62), ‘#dtv’ (n=46), ‘#Libor’ (n=45) en ‘#storing’ (n=43).
Rabobank - associatie
De twee reeksen van hashtags hebben enige overlap. 35 hashtags worden zowel door Rabobank zelf als hun stakeholders gebruikt. Dat is 37% van de verschilldende gebruikte hashtags voor het account van Rabobank en 4% van de verschillende hashtags die zijn geplaatst door stakeholders. Om te zien of er een verband is tussen de frequentie van het gebruik van een specifieke hashtag in de ene reeks en diezelfde hashtag in de andere reeks, is een bivariate correlatie berekend. Er is daarmee geen verband gevonden tussen de twee reeksen (r(33) = ,164, n.s.).
ING - from:@ingnl
Via het officiële Twitter-account van ING zijn in de periode van 6 oktober 2013 tot en met 14 december 2013 626 van de 7502 tweets gepubliceerd met een of meer
hashtags, dit is 8,34 %. In die 626 tweets zijn in totaal 675 hashtags gebruikt, er zijn 66 verschillende hashtags te onderscheiden. Met afstand gebruikt ING het vaakst ‘#ING’ (n=578), daarnaast worden ‘#smm6’ (n=5) en ‘#werkzaamheden’ (n=3) gebruikt. ‘#ING’ vormt dus 85,63 % van de gebruikte hashtags.
ING - to:@ingnl
In tweets met vermelding van @ingnl zijn relatief minder hashtags geplaatst dan vanuit @ingnl. Wel zijn meer verschillende hashtags te onderscheiden. In de relevante periode zijn door stakeholders 472 van hun 6330 tweets gepubliceerd met een of meer hashtag, dit is 7,46 %. In totaal zijn 677 hashtags geplaatst, er zijn 375 verschillende hashtags te onderscheiden. Veelgebruikte hashtags zijn ‘#ING (n = 116), ‘#smm6 (‘social media monitor’) (n=5), ‘#iDeal (n=4) en ‘#onderneming’ (n=4). Ook hier vormt ‘#ING’ de overgrote meerderheid, 17,13 %.
ING - associatie
De twee reeksen van hashtags hebben enige overlap. 26 hashtags worden zowel door ING zelf als hun stakeholders gebruikt. Deze 26 hashtags vormen 91,26% van de hashtags gebruikt door ING zelf en 23,78 % van de hashtags gebruikt door hun stakeholders. Om te zien of er een verband is tussen de frequentie van het gebruik van een specifieke hashtag in de ene reeks en diezelfde hashtag in de andere reeks, is een bivariate correlatie berekend. Analyse van de getallen toont aan dat de verdelingen zeer scheef zijn door de grote hoeveelheid ‘#ING’. Scheefheid from:@ingnl is 5,10; scheefheid to:@ingnl is 5,08, waar een maximum van 1,00 geldt. Met ‘#ING’ is er een perfect verband (r(24) = 1,00, p<0,01), zonder ‘#ING’ is er geen significant verband (r(24) = 0,36, n.s.).
Conclusie & Discussie
Op basis van de resultaten kunnen hypotheses 2, 4 en 5c verworpen worden.
Hypothese 1 wordt deels bevestigd. Hypothese 3, 5a en 5b worden bevestigd door de resultaten. De belangrijkste conclusie is dat bedrijven reflectief lijken door een sterke band met hun stakeholders, maar in de communicatie met deze stakeholders weinig reflectief lijken, er vindt nauwelijks uitwisseling van frames plaats.
Frames
Hypotheses 1 en 2 gingen over de mate waarin impliciete frames met elkaar overeen kwamen tussen verschillende datasets.
Hypothese 1 wordt deels bevestigd door de resultaten. Thema’s van berichten worden overgenomen, maar organisaties proberen er altijd een positieve wending aan te geven. Wanneer bijvoorbeeld een pressieframe wordt gebruikt door stakeholders van ING, reageert ING met begrip en dankbaarheid om de stakeholder vervolgens uit te nodigen om het gesprek elders (via een ander medium) te vervolgen. Een
pressieframe wordt opgevolgd en omgezet in een contactframe.
Stakeholders gebruiken Twitter duidelijk als een klachtenkanaal. De frames die gebruikt worden hebben vrijwel altijd een negatieve connotatie. Organisaties gebruiken daarentegen juist frames die tenminste de schijn moeten wekken dat er geluisterd wordt naar klanten. De analyse van golfbewegingen in berichtgeving bevestigt dat vermoeden. Er wordt veel moeite in gestoken om stakeholders uit te nodigen hun mening te geven. Ook wordt ronduit excuses aangeboden als dingen niet gaan zoals ze zouden moeten gaan. Organisaties gebruiken Twitter daarnaast om belangrijke mededelingen snel bij hun bestemming te krijgen. Voorbeelden zijn waarschuwingen voor frauduleuze e-mails of app-updates.
Hypothese 2 wordt niet ondersteund door de resultaten. In kranten worden frames gebruikt die vanuit sociaaleconomisch oogpunt zijn geconstrueerd. Voorbeelden zijn het staatssteun frame bij ING en het groeiframe bij Rabobank. Wel moet gezegd worden dat de banken hun uiterste best doen om reputatieschade te vermijden door toe te geven, excuses te maken en over te gaan tot de orde van de dag. ING bijvoorbeeld, heeft het dan graag over het Nederlands elftal en Rabobank over hun Herman Wijffels Innovatieprijs.
Golven
Hypothese 3 en 4 gaan over golfbewegingen zijn volgens Vasterman (2005) gevolg zijn van een zichzelf versterkend proces (hypes) en volgens Hilgartner en Bosk (1988) gevolg zijn van dynamiek in issue-arena’s. Er is volgens hen beperkte ruimte voor een onderwerp in een issue-arena, onderwerpen worden groter ten kosten van anderen. De hypotheses die over dit onderwerp worden gesteld, gaan over de vorm van golven van berichtgeving van de ene stakeholder versus de vorm van golven van berichtgeving van de andere stakeholder.
De resultaten laten zien dat organisaties constant bezig zijn om in contact te blijven met hun stakeholders op Twitter. Dit lijkt volledig in lijn met de conclusie van Van Ruler en Vercic (2005) die stellen dat bedrijven steeds meer naar hun klanten luisteren. Er is echter een groot verschil tussen reflectie en reactie. Zoals Lovejoy en Saxton (2012) al suggereren is dat organisaties Twitter grofweg gebruiken voor informatievoorziening, klantenbinding en activatie van stakeholders. De resultaten in dit onderzoek onderbouwen vooral de tweede functie. Er worden weinig autonome berichten (dus zonder adressering door middel van een ‘@’) gepubliceerd. Lovejoy en Saxton (2012) hebben het over binding door middel van persoonlijke berichten. Daar zit de crux. Inderdaad, de onderzochte organisaties gaan een relatie aan door stakeholders persoonlijk een bericht te sturen. Dit resulteert in het sterke verband tussen het aantal tweets van en naar de organisatie. De inhoud van dit bericht is alleen erg vaak gescript en kan dus niet persoonlijk worden genoemd. Dit is ook de reden dat anders dan in de berichten naar organisaties, in de berichten van organisaties redelijk sterke impliciete frames gevonden kunnen worden. Organisaties zijn dus waarschijnlijk door het scripten van berichten vrij consistent in hun woordkeus.
Er is geen verband te vinden tussen het aantal tweets van organisaties en stakeholders en het aantal artikelen in dagbladen. Hoewel journalisten zich veel op Twitter begeven (Hermida, 2010), heeft een verhoogde tweetfrequentie van zowel organisatie als stakeholders geen weerslag op de frequentie waarmee berichten over de organisatie worden gepubliceerd. De aanwezigheid van daarvoor aangewezen gatekeepers kan hier een oorzaak van zijn. Zoals gesteld in de theorie vormen gatekeepers een selectiemechanisme die er niet is op Twitter (Bruns, 2003). Kijkend naar de grafieken kan ook gezien worden dat een piek van tweets losstaat. Een dag na een piek is de frequentie van tweets abrupt op het oude niveau. Wanneer gekeken wordt naar de curve van krantenartikelen valt op dat een piek gevolgd wordt door een lange staart. Dit is zoals Vasterman (2005) beschrijft het proces van meegaan op de golf. Gedurende een aantal dagen worden nog berichten gezocht die te maken hebben met de piek.
Hashtags
Het gebruik van hashtags staat in lijn met de theorie voor het aanwezig zijn in bepaalde issue arena’s. In slechts 1,87% van de tweets van Rabobank werden hashtags gebruikt. Bij ING lag dit percentage beduidend hoger. In 8,62% van de
tweets van ING werden een of meer hashtags gebruikt, waarbij moet worden opgemerkt dat de overgrote meerderheid ‘#ing’ is. Stakeholders van Rabobank gebruiken meer hashtags in hun tweets. In 10,71% van hun tweets werden een of meer hashtags gebruikt. Door stakeholders van ING wordt in 7,48 % van hun tweets een of meerdere hashtags gebruikt. Hoewel de onderzochte organisaties als reflectief kunnen worden beschouwd gezien hun actieve openbare service via onder andere Twitter, blijven ze afwezig in de arena’s waar volgens de theorie de beste reflectie plaatsvindt. De twee organisaties verschillen van elkaar als het gaat om het gebruik van hashtags om zichzelf als onderwerp of issue-arena neer te zetten. Rabobank blijft wat dat betreft bescheiden. Door ING wordt juist erg vaak #ing gebruikt. Hierdoor lijkt het dat ING veel blootstelling en transparantie aanhangt, maar het aantal unieke hashtags van @ingnl is beduidend lager dan hashtags gebruikt in berichten aan @ingnl.
Het is opvallend om te concluderen dat ogenschijnlijk reflectieve organisaties inhoudelijk weinig reflectief blijken te zijn. De frequentieanalyse waarin golven van berichtgeving zijn aangetoond, onderstrepen deels de reflectiehypotheses. De onderzochte organisaties doen erg hun best om in contact te blijven met hun stakeholders op Twitter, maar vergeten daarbij dat reactie iets anders is dan reflectie. De geringe overeenkomsten in zowel frames als gebruikte hashtags verraadt dat organisaties zich niet laten beïnvloeden door stakeholders en media. Andersom is ook het ook waar dat de invloed van organisaties op stakeholders en media zeer gering is.
Er moet gezegd worden dat de datasets met tweets gericht aan de organisaties moeilijk interpreteerbaar waren op frames. De conclusie die daaraan verbonden kan worden, is dat het discours in die groep moeilijk onderhandelbaar is doordat er zoveel verschillende actoren een rol hebben. Het is daarom logisch dat de twee andere datasets veel duidelijkere resultaten lieten zien. Het discours wordt intern bepaald waarna het gepubliceerd wordt. Dit geldt voor dagbladen waar een redactie gatekeeper is, maar ook voor organisaties waar communicatieafdelingen gatekeepers zijn.
Vervolgonderzoek
Vervolgonderzoek zal zich vooral moeten richten op uitbreiding van scope. Omdat in dit onderzoek vanwege logistieke redenen is gekozen om twee organisaties te analyseren, zijn de resultaten niet makkelijk te generaliseren. Het onderzoek moet dan ook gezien worden als een verkenning naar de mogelijkheden om automatische inhoudsanalyse toe te passen op beknopte online berichtgeving in plaats van alleen berichtgeving in kranten. De enorme hoeveelheid tweets die in een korte tijd worden gepubliceerd, maken het op dit moment nog moeilijk om snelle analyses uit te voeren op meerdere grote datasets.
In dit onderzoek is veelvuldig gebruik gemaakt van scripts die het mogelijk maken om geautomatiseerd analyses en bewerkingen uit te voeren op data. Een groot onderdeel van het onderzoek werd in beslag genomen door verkenning van het aanbod. De basis werd gevormd door methodes van Loet Leydesdorff, die verschillende programma’s heeft laten maken om bewerkingen en berekeningen uit te voeren met tekstbestanden. Gedurende dit onderzoek bleek dat de methode gedateerd was.
Dit onderzoek toont aan dat er belang is voor oplossingen om geautomatiseerd analyses te kunnen doen van digitale data. Daar moet nadrukkelijk bij gezegd worden dat het belang vooral ligt in analyses naar de kwaliteit/inhoud van teksten en niet perse naar de kwantiteit ervan. Reflectie is niet het antwoorden op berichten door middel van scripts, echte reflectie is het uitwisselen van ideeën en meningen zodat een gedeeld idee over een issue of organisatie ontstaat (Van Ruler & Vercic, 2005).
Bijlagen
Bijlage 1. Factoranalyse van de dataset met krantenartikelen met steekwoord
‘Rabobank’ Component 1 2 3 4 5 6 Mensen ,621 -,108 -,126 Gaan ,568 ,120 Wordt ,537 ,177 ,144 ,173 Komt ,519 ,106 ,150 Goed ,496 ,298 ,112 ,116 Willen ,475 ,152 Mee ,468 ,255 Maken ,464 ,212 Zeggen ,439 ,197 ,107 Laten ,437 ,174 Gaat ,422 ,176 ,246 Geld ,415 -,161 ,120 ,107 Bijvoorbeeld ,412 ,292 Tijd ,402 ,223 ,106 Zit ,401 ,176 Zegt ,390 ,245 ,282 ,274 Per ,389 Staan ,385 ,173 ,122 Minder ,382 ,307 Geven ,374 ,150 ,106 Goede ,374 ,164 ,220 Zien ,369 ,203 ,214 Crisi ,362 -,106 ,181 ,159 ,184 Eigen ,360 ,134 ,159 Groot ,356 ,219 Nieuwe ,341 ,169 ,158 Komen ,323 ,158 ,188 ,267 Grote ,321 ,213 ,257 ,140 ,168 ,105 Houden ,320 ,161 ,156 Heel ,319 ,242 ,141 -,142
Krijgen ,310 ,115 ,146 Jaren ,310 ,270 ,102 ,139 ,172 Klanten ,309 -,176 ,110 ,144 Betalen ,294 -,143 ,201 -,114 Weten ,289 ,120 Zoal ,286 ,174 ,143 ,254 Blijven ,276 ,215 Bijna ,271 ,216 ,264 Toe ,265 ,151 Deel ,264 ,179 ,155 Beter ,243 ,106 ,202 Vijf ,241 ,208 ,233 ,108 Tour ,759 -,102 Renner ,627 -,111 Ploeg ,591 -,111 Nooit ,226 ,535 ,125 Sport ,524 Lang ,252 ,522 ,110 ,111 Twee ,283 ,468 ,146 ,104 Kwam ,108 ,405 ,123 -,140 ,277 Eerste ,249 ,402 ,104 ,110 Laatste ,163 ,397 -,140 Drie ,284 ,336 ,184 -,112 Utrecht ,137 ,313 ,164 -,211 ,158 Terug ,188 ,283 ,281 Den ,136 ,139 Amro ,888 ,103 Abn ,886 Bank ,207 ,597 ,459 -,119 Staat ,206 ,166 ,568 ,127 Minister ,485 -,107 Ing ,130 -,122 ,420 ,107 ,108 Bankier ,304 ,399 ,111 -,154 Tweede -,103 ,333 ,353 ,117 Banken ,290 -,215 ,344 ,343
Europese ,239 ,118 ,234 ,149 Miljoen ,635 ,229 Toezichthouder ,612 Boete -,138 ,599 Rabobank ,165 ,537 -,201 Euro ,174 ,523 ,280 -,116 Dnb ,506 -,107 Amerikaanse -,130 ,460 ,191 ,387 Financile ,241 -,109 ,183 ,427 Miljard ,260 ,353 ,352 Rabo ,167 ,346 -,252 Onderzoek ,313 Rente ,189 ,106 ,294 -,106 ,106 Wereld ,183 ,120 ,271 Bekend ,128 ,222 ,161 Finance ,146 ,150 Groei -,117 -,176 ,523 ,119 Economie -,143 ,137 ,522 ,201 Economische ,178 ,500 ,179 Bedrijven ,181 ,480 Grootste ,145 ,165 ,183 ,398 ,150 Bedrijf ,112 ,135 ,122 ,368 Nederlandse ,203 ,284 ,202 ,362 Procent ,151 -,109 ,360 Vorig ,239 ,295 ,355 Blijft ,213 ,138 ,311 Markt ,288 ,117 Vraag ,229 ,189 ,280 Ruim ,121 -,116 ,210 ,264 Land ,211 ,241 Moerland ,149 -,191 Eur -,119 ,723 Winst ,223 ,651 Belegger -,181 ,101 ,557 Cijfer ,324 ,504
Ging ,142 ,271 ,501 Nieuw ,201 -,100 ,380 Europa ,302 ,379 Kreeg ,267 ,211 -,129 ,302 Gisteren -,206 ,103 ,287 Weinig ,227 ,226 ,250 Week ,124 ,198 ,211
Bijlage 2. Factoranalyse van de dataset met tweets aan @rabobank
Component 1 2 3 4 5 6 7 8 Reactie ,763 Snelle ,737 Dank ,450 Bedankt ,419 -,151 -,124 ,145 Ok ,218 -,114 -,129 Wordt Opnieuw ,574 App ,559 ,308 ,128 -,104 Update ,458 -,108 Moet ,428 -,115 -,158 Android ,381 ,253 -,108 Na ,249 ,102 Nieuwe ,234 ,184 ,147 Reader ,201 ,157 -,119 ,137 ,129 Keer ,198 -,109 Waarom ,162 ,137 Nu ,150 ,136 ,124 Bankieren ,723 Internet -,109 ,668 Klopt ,176 Je -,163 -,132 ,162 Rabo ,152 Goed -,103 Ze
Online Geld ,531 Rekening ,518 Mijn ,162 ,475 -,142 Staat ,312 Maken ,270 ,128 -,101 Ing ,196 Al ,190 -,163 Andere ,170 -,125 ,132 ,135 Binnen ,140 Terug Contact Ideal ,622 Betaling ,495 -,123 Via ,164 ,450 Krijg ,105 ,206 ,377 ,323 -,128 -,248 Betalen ,333 ,105 Gedaan -,109 ,237 -,170 -,128 Site ,184 Problemen ,140 ,145 Net ,109 Toch Gaan Melding -,109 ,186 ,319 ,398 -,194 Weer -,121 -,134 ,359 ,244 -,116 Werkt ,176 ,316 ,165 ,119 Hoe -,174 ,132 -,282 ,140 -,270 Lang -,181 -,251 ,201 -,224 Inloggen ,104 ,123 ,248 Wanneer -,101 -,141 ,244 -,233 Af ,118 -,183 Even -,180 Zit -,179 Internetbankieren -,148 ,175 -,148 Bank ,107 -,161 ,123
Zonder ,102 ,119 -,157 ,108 Vraag -,142 Steed ,122 ,133 ,103 Mogelijk ,107 ,123 Uit Dag Zie Tijd Jullie -,159 -,459 Mail -,328 Graag -,304 Wil ,281 -,304 Dm -,122 -,277 Kunnen -,244 ,127 Opgelost ,111 ,219 -,130 Inmiddels ,156 ,217 Klant -,216 Geen ,121 -,166 Iets -,160 Doet ,124 ,145 Probleem ,129 Waar -,106 Ja Niet -,137 ,187 ,141 ,141 ,247 ,403 Storing -,184 -,166 ,135 ,100 ,228 -,341 Pas ,130 ,230 ,291 Pinnen ,262 Gewoon ,257 Dus ,233 Meer ,133 ,143 ,220 Ook ,212 Nee ,183 Vandaag -,128 -,108 ,147 -,161 Alleen ,147 Alle ,101 ,138
Weet ,138
Hier ,135
Had ,117
Moeten ,105
Echt Bijlage 3. Factoranalyse van de dataset met tweets van @rabobank Component 1 2 3 4 5 6 Helpdesk ,807 Tarief ,801 Lokaal ,759 Nemen ,705 Contact ,701 -,126 -,102 Adviseer ,484 Collega ,305 -,111 Helpen ,274 -,125 -,102 Raad ,220 Geval ,187 Opnemen ,150 Lastig ,132 Juiste Tweet Bedoel Webcare ,919 -,110 Namen ,893 -,108 Team ,887 -,105 Betekenen -,104 ,575 -,139 -,128 Rabo ,516 Begrijp ,194 Dag -,119 -,100 ,606 -,166 -,122 Prettige ,555 -,113 Fijn ,508 -,110 Fijne -,113 -,115 ,499 -,168 -,121 Dm -,216 -,169 -,493 -,234 -,372 -,261
Gegeven -,184 -,159 -,452 -,226 -,349 -,246 Sturen -,179 -,139 -,415 -,314 -,198 Lezen ,395 -,118 Avond ,393 -,106 Gedaan ,368 -,153 -,157 -,116 Gewenst ,351 Wen ,289 Ga -,134 -,204 -,128 -,141 Hoi ,165 -,190 ,108 ,175 Dank ,173 Weekend ,162 Lokale -,135 Gelukt ,113 Vervelend -,112 Hi Vraag Hallo Terug Vandaag Goedemorgen Valseemailrabobanknl ,848 -,107 -,106 Doorsturen ,820 Phishingmail ,760 Alvast ,466 -,104 Bedankt -,114 -,106 ,453 -,116 -,162 Graag -,148 -,300 -,265 -,269 Goed ,118 ,189 Hoor -,162 -,120 Bericht ,124 Gaat Inderdaad Vragen Bekend ,564 -,144 Storing ,478 -,140 Excuse ,463
