Online Pro ilering: Een Acceptatie Model
Saskia Woortman
10995935
Bachelor Scriptie Informatiekunde Begeleider: Loek Stolwijk
Tweede lezer: Dick Heinhuis 14 augustus 2019
Abstract
In dit onderzoek is gezocht naar factoren die bijdragen aan de verklaring van de acceptatie van online pro ilering door gebruikers. Op basis van de literatuur, de resultaten van het kwalitatieve onderzoek en de Principale Componenten Analyse (PCA) zijn als mogelijke invloeden privacy, acceptatie van advertenties, voordelen, nadelen, intentie gebruik en het soort data vastgesteld. Na het testen op signi icantie blijft een model over waarin de componenten Privacy en Voordelen de grootste rol spelen in de verklaring van de acceptatie. Acceptatie van advertenties heeft een indirecte invloed via de component Privacy. Daarnaast blijken twee variabelen invloed te hebben op de acceptatie van online pro ilering en het model, namelijk geslacht en ervaring met ICT. De groep met studie of werk gerelateerd aan ICT staat positiever tegenover online pro ilering en heeft het component Voordelen als voornaamste invloed. De groep zonder studie of werk gerelateerd aan ICT wordt voornamelijk beı̈nvloed door het Component Privacy. De variabele geslacht reageert op eenzelfde manier, mannen komen overeen met ICT’ers en vrouwen komen overeen met de groep zonder studie of werk gerelateerd aan ICT. De overeenkomsten tussen de subgroepen kan verklaard worden doordat meer mannen ervaring met ICT hebben en de vrouwen voornamelijk in de groep zonder professionele ervaring met ICT zitten.
Inhoudsopgave
1. Inleiding 4
1.2 Probleemstelling 5
2. Literatuuronderzoek 6
2.1 Online pro ilering voordelen 6
2.2 Toepassingen 7 2.2.1 Advertenties 7 2.2.2 Kortingen 8 2.2.3 Aanbevelingssystemen 8 2.2.4 Zoekresultaten 9 2.2.5 Nieuws 9
2.3 Online pro ilering nadelen 10
2.3.1 Aansturen 10 2.3.2 Gevoelige kwesties 10 2.3.3 Uitsluiten en discriminatie 11 2.3.4 Informatiebubbel 11 2.3.5 Reputatie 11 2.4 Privacy 12 2.5 Dataverzameling 13
2.6 Technology Acceptance Model 13
3. Methode 14 3.1 Kwalitatief onderzoek 14 3.1.2 Participanten 16 3.2 Kwantitatief onderzoek 16 3.2.2 Participanten 17 3.2.3 Data analyse 17 3.3 Hypotheses 18 4. Resultaten 20 4.1 Kwalitatief onderzoek 20 4.1.2 Voordelen 20 4.1.3 Nadelen 21 4.1.4 Neutraal 22 4.1.5 Data 22 4.1.6 Algoritmes 23 4.1.7 Uitkomsten 24 4.2 Kwantitatief onderzoek 24 4.2.2 Acceptatie model 26 4.2.3 Subgroepen 26 4.2.4 Vergelijking subgroepen 28 5. Conclusie 29
6. Discussie 31 7. Referentielijst 32 8. Appendix 35 8.1 Kwalitatief onderzoek 35 8.1.1 Interviewschema 35 8.1.2 Interview Respondent 1 37 8.1.3 Interview Respondent 2 41 8.1.4 Interview Respondent 3 43 8.1.5 Interview Respondent 4 47 8.2 Kwantitatief onderzoek 49 8.2.1 Enquête 49 8.2.2 Descriptives 52 8.2.3 PCA 53 8.2.4 PCA - data 58 8.2.5 Volledig model 61 8.2.6 Bootstrapping 62 8.2.7 Bootstrapping: data 62 8.2.8 Acceptatie model 62 8.2.9 Groep Geen-ICT 63 8.2.10 Groep ICT 64 8.2.11 PLS-MGA ICT 64
8.2.12 Signi icantie test ICT 64
8.2.13 Groep Mannen 65
8.2.14 Groep Vrouwen 66
8.2.15 PLS-MGA Geslacht 66
8.2.16 Signi icantie test Geslacht 66
1. Inleiding
Het verzamelen en interpreteren van grote hoeveelheden data is één van de speerpunten van informatie- en communicatietechnologie (ICT). De astronomische hoeveelheid data, wat bekend staat als Big Data, bestaat uit de digitale sporen die voortkomen uit het internetgebruik (Tene & Polonetsky, 2013). Denk hierbij aan online transacties, verstuurde emails, geplaatste foto’s en teksten, klikgedrag, zoekopdrachten, online netwerk of GPS data. Wanneer deze data gebruikt wordt om pro ielen op te stellen van gebruikers, is er sprake van online pro ilering. De pro ielen bestaan bijvoorbeeld uit locatie, academische en professionele achtergrond, lidmaatschappen, interesses, voorkeuren of meningen (Hasan et al. , 2013). Wat voor bedrijven niet geheel
duidelijk is in een pro iel kan worden aangevuld met voorspellingen over bijvoorbeeld het geslacht of wat de gebruiker leuk kan gaan vinden. Over het algemeen worden online pro ielen gebruikt om een persoonlijke ervaring te creëren voor elke individuele gebruiker. Dit is terug te zien in toepassingen als aanbevelingssystemen, persoonlijke zoekresultaten of advertenties. Daarnaast kunnen bedrijven online pro ielen gebruiken om hun klantenkring beter te leren kennen. Vervolgens kan hierop worden ingespeeld bij het aanbieden van producten of services.
Het is bij de meeste internetgebruiker bekend dat een aantal gegevens worden opgeslagen (White, 2014). Echter de omvang waarmee dit gebeurt zal minder bekend zijn. Uit recent onderzoek van de website Privacy International blijkt de omvang van dataverzameling door bedrijven (Kaltheuner, 2018). Voor dit onderzoek heeft de schrijfster Kaltheuner alle data opgevraagd die over haar verzameld was door het bedrijf Quantcast. Dit is een IT bedrijf gespecialiseerd in adverteren met gebruik van Kunstmatige Intelligentie en het geven van klantgerelateerde inzichten en metingen (Quantcast, 2019). Het bedrijf verzamelt informatie over klanten via meer dan 100 miljoen websites. Voor deze ene persoon heeft Quantcast in een week tijd circa 250.000 data-elementen verzameld, bestaande uit onder andere URL’s, tijd, IP adressen, cookies ID’s en browser informatie. Daarnaast had Quantcast een document met het voorspelde geslacht, leeftijd, het aantal kinderen inclusief leeftijden, opleiding en inkomen. Ook werd de schrijfster ingedeeld in categorieën waaruit haar interesses en voorkeuren naar boven kwamen, bijvoorbeeld vakantie in Canada of het aantal transacties bij een bepaald restaurant. Deze gegevens waren onder andere a komstig van MasterCard, een creditcard bedrijf waarvan gebruikers wellicht verwachten dat de gegevens beschermd worden. Daarnaast was het voor de schrijfster niet in alle gevallen duidelijk waarom ze aan bepaalde categorieën gekoppeld werd. Sommigen waren zelfs niet te begrijpen voor haar. Laat staan van welk internetgebruik dit afgeleid is of waarvoor de data gebruikt zal worden.
Quantcast is een voorbeeld van een bedrijf dat online pro ielen samenstelt om die vervolgens door te verkopen. Er bestaan veel van dit soort bedrijven, maar de bedrijven die zelf eigenaar zijn van websites zullen ook voor zichzelf de nodige data verzamelen.
Op deze manier zijn er op een speci ieke site meerdere dataverzamelaars actief. Uit het voorbeeld van Quantcast blijkt dat als een gebruiker de cookies accepteert, diegene ermee akkoord gaat dat honderden bedrijven data mogen verzamelen.
1.2 Probleemstelling
Het verzamelen van informatie over gebruikers is steeds belangrijker geworden, wat onder andere blijkt uit de schaal waarop informatie verzameld wordt door bedrijven als Quantcast. Door de omvang van de dataverzameling en het gebruik daarvan, is het belangrijk om te onderzoeken wat de gebruiker er zelf van vindt. Onderzoek naar de invalshoek vanuit de gebruiker is een toevoeging aan de bestaande literatuur. Huidig onderzoek op het gebied van Big Data is voornamelijk gerelateerd aan privacy (Awad & Krishnan, 2006; Gerber et al., 2018; Turow, 2012; Zimmer et al., 2010). Daarnaast zijn er onderzoeken gedaan naar onderwerpen die voor een deel overlap hebben met online pro ilering. Zo is er onderzoek beschikbaar over personalisatie van onder andere advertenties, waarvoor online pro iling een basis kan vormen (Aguirre et al. , 2015; Malheiros et al. , 2012; Peppers et al. , 1999; Tam & Ho, 2006; Tucker, 2014). Ook is er onderzoek gedaan naar mogelijke nadelen van online pro ilering (Liao & Fu, 2013; Martijn & Tokmetzis, 2017; Pazzani & Billsus, 2007; Tene & Polonetsky, 2013; Turow, 2012; Verhaege, 2015).
Gezien de huidige literatuur met betrekking tot online pro ilering, is het interessant om te onderzoeken wat bijdraagt aan een positieve ervaring van online pro ilering. Daarnaast komen er wellicht grenzen naar voren wat als negatief ervaren wordt. De resultaten kunnen gebruikt worden door bedrijven om de inzet van online pro ilering te verbeteren. Het is goed om rekening te houden met eventuele grenzen van klanten en hen bijvoorbeeld geen ongemakkelijk gevoel te geven. Zo is de volgende onderzoeksvraag opgesteld:
Welke factoren dragen bij aan de acceptatie van online profilering?
Deze vraag zal beantwoord worden aan de hand van een acceptatie model. Momenteel is er nog geen acceptatie model beschikbaar voor online pro ilering of een vergelijkbaar principe. Het Technology Acceptance Model (TAM) komt wellicht het meest in de buurt ter verklaring van de acceptatie van online pro ilering. Het nieuwe acceptatie model zal een toevoeging zijn aan de huidige literatuur.
Voordat het model samengesteld kan worden, moeten er eerst een aantal deelvragen beantwoord worden aan de hand van een literatuuronderzoek. Hieronder vallen de volgende vragen:
Welke toepassingen van online profilering bestaan er? Wat zijn positieve aspecten van online profilering?
Wat zijn negatieve aspecten van online profilering? Bestaat er een acceptatie model die als basis kan dienen?
Welke factoren zouden kunnen bijdragen aan de verklaring van de acceptatie van online profilering?
In hoofdstuk 2 worden de resultaten van het literatuuronderzoek vermeld. Hoofdstuk 3 beschrijft de kwalitatieve en kwantitatieve onderzoeksmethoden en de hypotheses. De resultaten van dit onderzoek zijn te vinden in hoofdstuk 4. Ten slotte geeft hoofdstuk 5 de conclusie en hoofdstuk 6 de discussie.
2. Literatuuronderzoek
2.1 Online profilering voordelen
Online pro ilering houdt het verzamelen van informatie over het online surfgedrag in over vele verschillende websites met het doel een pro iel op te stellen met daarin de gewoontes en interesses van de speci ieke gebruiker (Wiedmann et al. , 2002). Online pro ilering zorgt ervoor dat bedrijven informatie over verschillende eigenschappen van gebruikers kunnen opslaan. Een bedrijf kan op deze manier namelijk dichterbij de klant komen en hierop inspelen, wat onderdeel is van customer relationship management ofwel one-to-one marketing (Peppers et al. , 1999). Dit houdt in dat bedrijven willen en kunnen inspelen op individuele klanten gebaseerd op wat de klant vertelt en wat het bedrijf weet over de klant. Hierdoor kan de omzet worden verhoogd, kosten verlaagd en het bedrijf algeheel ef iciënter te werk kan gaan (Baird & Parasnis, 2011; Tene & Polonetsky, 2013). Evenzo blijkt uit het onderzoek van McAfee en Brynjolfsson (2012) dat bedrijven die zichzelf als data-gedreven zien beter presteerden op inanciële en operationele vlakken. Het is een belangrijk aspect van marketing om het belang van pro ilering te begrijpen (D&B, 2013).
Doordat bedrijven hun klantenkring beter begrijpen zal er meer geluisterd worden naar de klanten, waardoor die meer invloed hebben (Chen et al. , 2012). Online pro ilering kan op deze manier ook positief uitpakken voor de gebruiker. Daarnaast wordt online pro ilering met name gebruikt om een persoonlijke beleving te bieden. Door het gebruik van persoonlijke data hebben bedrijven namelijk een beter beeld van wat een klant interessant vindt. Hierdoor kunnen bedrijven hun product op zo een manier aanbieden dat dit het meest aantrekkelijk is voor de speci ieke klant. Betere personalisatie zorgt voor een hogere relevantie van de aangeboden service ( Aguirre et al. , 2015 ) . De personalisatie is tevens een belangrijk onderdeel van customer relationship management, waar het ook wel een learning relationship genoemd wordt (Peppers et al., 1999). Bij een learning relationship is er een continu proces gaande van verwerking en aanpassing. De interactie met een klant kan elke keer nieuwe informatie opleveren die vervolgens gebruikt kan worden om de personalisatie voor die speci ieke klant te verbeteren. Dit wordt meer gewaardeerd door een klant wanneer de behoeftes van de
klantenkring verschillen. Bij grote verschillen tussen klanten is het namelijk moeilijker om een uniforme site te maken die alle gebruikers aanspreekt. Terwijl dit een minder groot probleem is wanneer de gebruikers op elkaar lijken. Bovendien kan gepersonaliseerde inhoud de aandacht van gebruikers trekken en die vasthouden (Tam & Ho, 2006). Gebruikers zijn namelijk eerder geneigd om persoonlijke inhoud verder te verkennen. De inhoud kan interessanter zijn voor gebruikers wanneer het meer bij hen past. Ook kan personalisatie overdaad aan informatie verminderen, omdat wat er weergegeven wordt speci ieker gemaakt is voor een gebruiker. Deze voordelen kunnen er tevens voor zorgen dat een gebruiker minder lang hoeft te zoeken.
2.2 Toepassingen
2.2.1 Advertenties
Online pro ielen kunnen gebruikt worden bij het tonen van gepersonaliseerde advertenties. Klanten kunnen deze persoonlijke advertenties aantrekkelijker vinden en beter passend bij hun interesses (Tucker, 2014). Echter kunnen klanten het ook onaangenaam vinden wanneer ze het gevoel hebben dat hun privacy geschonden wordt. Wanneer bedrijven openlijk informatie verzamelen en dit gebruiken voor advertenties leidt dit tot meer intenties om door te klikken (Aguirre, 2015). In tegenstelling tot verborgen informatieverzameling, waarbij klanten minder zullen doorklikken op advertenties. Het is belangrijk dat bedrijven betrouwbaar overkomen en marketing strategieën toepassen die bijdragen aan het opbouwen van vertrouwen. De afweging tussen personalisatie en behoud van privacy blijkt tevens uit onderzoek van Malheiros
et al. (2012). 30 participanten kregen de taak om een vakantie te boeken, waarbij
advertenties getoond werden met verschillende mate van personalisatie. Deelnemers gaven aan dat advertenties meer opvielen wanneer deze foto’s, locaties of namen bevatten van eerder zelf opgezochte vakanties. De deelnemers keken zelfs twee keer zo lang naar advertenties met foto’s die ze eerder hadden gezien. Al bleek ook dat deelnemers een gevoel van ongemak konden hebben wanneer de advertenties te veel overeenkomen met wat ze eerder opgezocht hadden. Te concluderen valt dat personalisatie helpt om de aandacht van klanten te trekken, maar dat de meest persoonlijke advertenties ook de minst geaccepteerde zijn. Dit is een belangrijk gegeven bij de afweging tussen personalisatie en behoud van privacy. Waarbij ook het openlijk verzamelen van informatie of het geven van controle aan gebruikers kan worden meegenomen (Aguirre, 2015; Tucker, 2014). Facebook had een beleidsverandering doorgevoerd waarin gebruikers meer controle kregen over persoonlijke informatie en de privacy instellingen. Na deze verandering is de kans twee keer zo groot dat Facebook gebruikers een positieve reactie hebben en zullen doorklikken op een persoonlijke advertentie. Hieruit blijkt dat het niet per se nadelig hoeft te zijn voor bedrijven om de controle over privacy te geven aan klanten.
2.2.2 Kortingen
Bij het tonen van advertenties kunnen ook kortingen worden gegeven. Dit kan bijvoorbeeld handig zijn wanneer een gebruiker op zoek is naar een bepaald product en dit als aanbieding langs komt. Het zou voor gebruikers tijd en geld kunnen schelen. Daarnaast kunnen persoonlijke kortingen op andere manieren dan advertenties gegeven worden. Een bekend voorbeeld is de Albert Heijn bonuskaart (Albert Heijn, 2019). Naast de normale wekelijkse bonus, kunnen klanten het toestaan om persoonlijke kortingen te ontvangen. Hoe vaker de Bonuskaart gescand wordt hoe beter Albert Heijn de winkelbehoeftes leert kennen. Dit wordt gebruikt om kortingen te bieden op producten die bij de klant past.
2.2.3 Aanbevelingssystemen
Personalisatie door online pro ilering kan worden teruggezien in bijvoorbeeld de toepassing van aanbevelingssystemen. Dit is een service waarbij het bedrijf de producten die waarschijnlijk bij de voorkeuren van een klant passen duidelijk aanbieden boven andere producten. Het aanbevelen van producten of services aan de hand van de beschrijving ervan en het pro iel van de gebruiker staat bekend als content-based recommendation systems (Pazzani & Billsus, 2007). Dit biedt een extra service aan de klant omdat er vaak te veel items aanwezig zijn in de database om alles te bekijken. Door de items in een subset weer te geven of in een speci ieke volgorde kan dit klanten veel tijd schelen om te vinden wat ze willen. Aanbevelingssystemen worden onder andere gebruikt voor online winkelen, restaurant sites of het aanbevelen van media. Om aanbevelingen te kunnen maken zijn in het pro iel met name informatie over de voorkeuren van een klant en de voorgaande interacties met de site van belang. Tot de interactie met de website behoren onder andere wat een klant eerder heeft gekocht of heeft bekeken, wat een klant eerder heeft opgezocht of reviews die een klant gegeven heeft. Deze informatie wordt gebruikt om het gemakkelijker te maken om terug te keren naar een eerder bezocht artikel of om een al gekocht artikel als minder belangrijk weer te geven. Bovendien wordt de data gebruikt om het algoritme te trainen. Een algoritme is een reeks geprogrammeerde instructies voor het uitvoeren van berekeningen (den Boon, 2019) Door het trainen van algoritmes wordt het proces continu verbeterd, omdat de algoritmes blijven leren over de precisie van de voorspellingen.
De aanbevelingen kunnen op verschillende manieren worden weergegeven. Zo wordt er bij Spotify een persoonlijke playlist gemaakt met daarin nummers die een gebruiker luistert en overeenkomende nummers. Daarnaast zijn er bij een nummer ook al overeenkomende nummers te zien. De online-streamingdienst Net lix maakt ook gebruik van een aanbevelingssysteem om gebruikers te helpen bij het vinden van een serie of ilm met minimale moeite (Net lix, 2019). De aanbeveling wordt samengesteld door een combinatie van verschillende factoren. Zo zijn belangrijke factoren de interactie met de service, andere kijkers met vergelijkbare voorkeuren en informatie over een serie of ilm. Door het vergelijken van klanten wordt er gebruik gemaakt van
groepspro ilering. Dit houdt, in tegenstelling tot individuele pro ilering, in dat de pro ielen van gebruikers met elkaar vergeleken worden om bijvoorbeeld betere aanbevelingen te kunnen geven. De informatie over een serie of ilm gaat verder dan het indelen van ilms in genre (Plummer, 2017). Er is een team binnen Net lix dat series en
ilms tagged. Deze taggs zijn bijvoorbeeld of het in de ruimte afspeelt, dat er een corrupte politieagent in zit of dat er gevoelens van schuld zijn bij een hoofdpersoon. Ook hebben de acteurs of het jaar van uitgave invloed. Andere factoren die onder andere worden meegenomen in het algoritme zijn de tijd waarop en hoe lang achter elkaar iets gekeken wordt of op wat voor apparaat het wordt bekeken. Opvallend is dat demogra ische gegevens als geslacht of leeftijd niet worden meegenomen in het algoritme. De personalisatie vindt vervolgens plaats in drie lagen. Eerst worden categorieën geselecteerd die passen bij de klant, zoals komedies of politie-detective tv series. Vervolgens worden binnen die categorieën de ilms of series weergegeven die voor de klant geselecteerd zijn. Ten slotte worden de ilms en series gerangschikt volgens de voorspelde voorkeuren. Dit aanbevelingssysteem is bedoeld om klanten op een makkelijke manier in aanraking te laten komen met series of ilms zonder dat er al teveel moeite en tijd ingestoken wordt.
2.2.4 Zoekresultaten
Een vergelijkbare toepassing van online pro ilering is het weergeven van persoonlijke zoekresultaten. Bij het weergeven de zoekresultaten maken zoekmachines gebruik van een online pro iel om passende resultaten te geven. Hierbij wordt gekeken naar eerdere zoekopdrachten en naar welke soort artikelen werd gezocht (Maksimava, 2017). Ook locatie is een belangrijke factor. Wanneer er bijvoorbeeld gezocht wordt naar een Italiaans restaurant worden er eerst een aantal opties weergegeven in de buurt van de gebruiker. Door het meenemen van onder andere deze factoren kunnen zoekresultaten per gebruiker van elkaar verschillen. De grote verschillen van de inhoud blijken tevens uit een onderzoek naar Google (Statt, 2018). Voor dit onderzoek moesten 76 participanten uit Amerika de zoekopdracht “ gun control ” invoeren in Google Search. De resultaten werden vervolgens met elkaar vergeleken, waarbij er 62 verschillende sets uit naar voren kwamen.
2.2.5 Nieuws
Een onderdeel van persoonlijke resultaten bestaat uit het tonen van persoonlijk nieuws. Bijvoorbeeld Google geeft in de service Google News de optie voor het tonen van gepersonaliseerd nieuws (Google, 2019). Wanneer iemand is ingelogd op zijn of haar Google Account wordt bijgehouden wat er gelezen wordt. Hierdoor wordt het algoritme getraind om vervolgens het soort resultaten weer te geven waar de gebruiker in geı̈nteresseerd is en minder andere resultaten.
2.3 Online profilering nadelen
2.3.1 Aansturen
Naast de voordelen zijn er ook een aantal mogelijke nadelen van online pro ilering. Ten eerste kan online pro ilering mensen ongemerkt in een bepaalde richting duwen (Turow, 2012). Zo blijkt uit het onderzoek van Turow dat gegevens als kledingmaat, informatie a komstig van een stappenteller of zoekopdrachten gebruikt kunnen worden om mensen in te delen in de categorie overgewicht. De categorie kan vervolgens onder andere gebruikt worden om advertenties weer te geven over sportscholen, afvallen en diëten. Ongemerkt zullen deze mensen er over na kunnen gaan denken naarmate het vaker langs komt. Waarmee mensen in de categorie overgewicht in de richting gestuurd worden om af te vallen. Het is een ethische kwestie om te bepalen hoe ver het aansturen op een bepaalde keuze mag gaan en op welke vlakken dit misschien wel zou mogen.
2.3.2 Gevoelige kwesties
Een andere ethische kwestie is hoe ver bedrijven mogen gaan in het voorspellen van mensen en het indelen in categorieën (Tene & Polonetsky, 2013). Zo wilde het Amerikaanse bedrijf Target voorspellen of vrouwen zwanger zijn, misschien zelfs al voordat de vrouwen er zelf van op de hoogte zijn (Duhigg, 2012). De gedachte erachter is om vrouwen voordat ze overladen worden met advertenties wanneer de baby echt geboren is, de aandacht al te kunnen trekken en als klanten vast te houden. Er was onder andere een lijst met producten vastgesteld om te kunnen voorspellen of een vrouw zwanger is en zelfs wanneer de bevalling ongeveer zal plaatsvinden. Een voorbeeld hiervan is wanneer een vrouw bodylotion zonder geur of voedingssupplementen gaat kopen. Het model is effectief gebleken in het voorspellen van zwangerschappen, al is het wellicht niet geheel ethisch. Zo is het al voorgekomen dat er een boze man naar de Target kwam, omdat zijn dochter die naar de middelbare school gaat coupons kreeg voor baby producten. Uiteindelijk bleek de dochter inderdaad zwanger te zijn (Duhigg, 2012). Het kan verkeerd vallen wanneer Target advertenties uitgestuurd met daarop “Gefeliciteerd met uw eerste kind”, wanneer de vrouw zelf of haar familie hier nog niet van op de hoogte is. Zelfs als ze hier al wel van op de hoogte zijn kan het ongemakkelijk aanvoelen dat een bedrijf dit weet. Naast het voorspellen van zwangerschappen blijkt dat wanneer klanten een belangrijk levensgebeurtenis meemaken zij vaak hun koopgewoontes veranderen zonder dat ze dat zelf per se doorhebben. Het gebruik van deze gegevens en een goed getimede advertentie kan iemands koopgewoonte vervolgens voor vele jaren daarna vastleggen. Er ontstaat hierdoor een steeds meer scheve verhouding tussen bedrijven en klanten (Tene & Polonetsky, 2013). Bedrijven weten namelijk veel over hun klanten door het bijhouden van online pro ielen en kunnen daardoor zelf beter worden. Zoals in het voorbeeld van Target waarbij zwangere vrouwen geworven worden als vaste klant, waardoor Target meer omzet kan behalen. Klanten hebben echter vaak geen weet over welke gegevens een bedrijf over hen bezit en hoe deze informatie gebruikt kan worden (Duhigg, 2012; Tene & Polonetsky, 2013).
2.3.3 Uitsluiten en discriminatie
Ook kan het voorkomen dat bepaalde mensen of groepen worden uitgesloten (Turow, 2012). Er wordt door algoritmes berekend wat individuele gebruikers te zien krijgen . Dit wordt gedaan aan de hand van de gegevens die beschikbaar zijn in het online pro iel, waarmee een bepaalde reputatie wordt vastgesteld. Door een speci ieke reputatie kunnen mensen worden gezien als doel (target) of verspilling (waste). Mensen waarvan bekend is dat ze in een achterstandswijk wonen kunnen bijvoorbeeld als waste worden gezien bij het adverteren voor een duur automerk, terwijl mensen in een dure wijk een target zijn. Bovendien kan het uitsluiten van mensen voor discriminatie zorgen, wanneer speci ieke doelgroepen bijvoorbeeld geen toegang hebben tot bepaalde kortingen, producten of services (Tene & Polonetsky, 2013). Daarnaast kan online pro ilering gebruikt worden bij het opstellen van risicogroepen. Er is een voorbeeld waarbij steeds meer mensen uit minderheidsgroepen als risico worden gezien, doordat vergelijkbare mensen uit een minderheidsgroep al een risico bleken te zijn (Martijn & Tokmetzis, 2017).
2.3.4 Informatiebubbel
Gebruikers kunnen terechtkomen in een zogenaamde informatiebubbel. Hier is sprake van wanneer er een afgesloten systeem van informatieverstrekking is (Verhaege, 2015). Mensen kunnen een eenzijdig beeld krijgen doordat ze geen informatie zien die hun standpunt tegenspreekt. Dit kan gevaarlijk zijn voor de samenleving en bijvoorbeeld de bestaande verschillen uitvergroten. Mensen kunnen steeds minder in aanraking komen met andere standpunten en hun gedachtegang wordt steeds meer bevestigd door het zien van informatie die bij hun mening past. Door het versterken van de gedachtes, kunnen ze in een negatieve spiraal terecht komen. Aan de hand van online pro ilering kan bijvoorbeeld bekend zijn wie extremistische gedachten heeft of welke politieke voorkeur iemand heeft. Dit zou gebruikt kunnen worden door bijvoorbeeld politieke partijen om meer mensen achter zich te krijgen, met het gevaar dat de samenleving daardoor meer verspreid kan raken. Dit kan worden tegengegaan door mensen met verschillende denkbeelden in contact te brengen, waardoor het minder waarschijnlijk is dat zij geı̈soleerd raken in hun eigen informatiebubbel. Dit blijkt tevens uit het onderzoek van Liao en Fu (2013) waarbij respondenten een sterke mening hadden over bepaalde maatschappelijke problemen. Na het lezen van andere meningen hielden zij er een gematigde houding op na.
2.3.5 Reputatie
Een ander discussiepunt is de reputatie die aan een gebruiker wordt toegekend aan de hand van een online pro iel. Zo wordt er aangehaald dat het moeilijk is om van een bepaald pro iel af te komen (Turow, 2012). Dit kan zeker gebeuren wanneer een gebruiker terecht is gekomen in een informatiebubbel en daardoor dezelfde informatie blijft zien waardoor die mening in stand wordt gehouden en diegene in die informatiebubbel blijft. Echter wanneer iemand nog niet te diep in een informatiebubbel
is geraakt, is daar zeker tegenin te brengen dat eigenschappen in het pro iel continu kunnen veranderen. Wanneer een gebruiker één keer iets opzoekt kan het meteen veranderen of diegene als target of waste wordt gezien. Een voorbeeld hiervan is een jong koppel dat eerst wordt gezien als net afgestudeerden en daarom bijvoorbeeld informatie te zien krijgt over appartementen of banen. Wanneer zij een keer op zoek gaan naar informatie over zwangerschap kan het jonge stel dat eerst als waste werd gezien voor advertenties naar babyproducten nu veranderen in target. Zij kunnen in de categorie startend gezin terecht komen waardoor zij naast babyproducten wellicht ook informatie te zien krijgen over gezinswoningen. Aan de ene kant blijkt een online pro iel continu te kunnen veranderen, maar aan de andere kant kunnen mensen ook vast komen te zitten aan een bepaald imago. De continu veranderende reputatie heeft invloed op de kwaliteit van personalisatie, doordat het lastig kan zijn om aanbevelingen te geven wanneer interesses te snel veranderen (Pazzani & Billsus, 2007). Een voorbeeld hiervan is wanneer iemand naar een groot sportevenement kijkt als het wereldkampioenschap voetbal, maar in het dagelijkse leven niet geı̈nteresseerd is in deze sport.
2.4 Privacy
Een aantal van de nadelen hebben onder andere te maken met privacy. Privacy wordt beschreven als “de controle hebben als individuele gebruiker om de voorwaarden te beheersen waarop persoonlijke informatie wordt verkregen en gebruikt” (Awad & Krishnan, 2006). Vragen die komen kijken met betrekking tot privacy en online pro ilering zijn onder andere wat bedrijven mogen weten van gebruikers en hoe ver zij mogen gaan in het verzamelen en gebruiken van data. Bij online pro ilering worden alle gegevens die bekend zijn over een individuele gebruiker opgeslagen in een pro iel. Informatie kan gedeeld worden met andere partijen waardoor het moeilijk is om de privacy te waarborgen. Een gebruiker heeft er vaak geen weet van met hoeveel bedrijven informatie gedeeld wordt en wat er met die informatie wordt gedaan, zoals ook bleek uit het voorbeeld van Quantcast in de introductie. Bovendien kan er ook indirect informatie verzameld worden (Turow, 2012). Dit wordt bijvoorbeeld gedaan aan de hand van vergelijkbare individuen of via vrienden op sociale media.
Mensen maken zich zorgen over dataverzameling en het gebruik van de gegevens (Awad & Krishnan, 2006). Ze worden steeds meer beschermend over hun persoonlijke informatie en vinden privacy erg belangrijk (Gerber et al., 2018; Zimmer et al., 2010). Echter doen gebruikers vaak niet de moeite om hun gegevens te beschermen. Dit fenomeen staat bekend als de privacy paradox. Alhoewel er tot zover nog geen aangetoonde verklaring is voor deze paradox, zijn er een aantal verschillende theorieën. Zoals de privacy calculus met de verklaring dat de mogelijke voordelen door het opgeven van privacy zwaarder wegen.
Een andere paradox gerelateerd aan privacy en online pro ilering is de personalization-privacy paradox (Aquirre, 2015). Dit houdt in dat responspercentages hoger worden bij personalisatie. Daar staat tegenover dat te veel personalisatie kan zorgen voor een ongemakkelijk gevoel, waardoor er een lagere responspercentage is. De personalisation paradox houdt in dat personalisatie een effectieve maar ook een ineffectieve marketingstrategie kan zijn, a hankelijk van de context.
2.5 Dataverzameling
Dataverzameling voor online pro ilering kan reactive of non-reactive uitgevoerd worden (Wiedmann et al ., 2002). Non-reactive dataverzameling houdt in dat de gebruiker niet doorheeft dat zijn of haar gedrag gevolgd wordt. Het kan plaatsvinden zonder al te veel verstoring, omdat de gebruiker het niet doorheeft en er dus niet op reageert. Deze manier van dataverzameling kan het beste gebruikt worden om waarneembaar surfgedrag te volgen. Voorbeelden van gegevens zijn het IP adres of de tijd gespendeerd op een bepaalde pagina voor het voltooien van een bestelling. Bij reactive dataverzameling is de gebruiker wel op de hoogte dat zijn of haar gedrag wordt gevolgd en eventueel gebruikt wordt. Wat ertoe kan leiden dat een gebruiker hierop reageert. Het wordt vooral gebruikt om socio-demogra ische en psychogra ische eigenschappen te volgen. De gegevens kunnen onder andere ingedeeld worden in identi icatie data, communicatie data of beschrijvende data. Identi icatie data bestaat bijvoorbeeld uit gebruikersnaam, adres, telefoonnummer of e-mail adres. Communicatie data geeft onder andere inzicht in wanneer en op welke manier een klant in contact komt met een bedrijf. Beschrijvende data wordt gebruikt om voorkeuren van klanten te bepalen. Hieronder valt onder andere informatie over vorige aankopen en koopgedrag, zoals welke producten, in welke prijsklasse en welke betaalmethode. Ook sociogra ische en psychogra ische gegevens vallen onder beschrijvende data. Sociogra ische gegevens zijn bijvoorbeeld geboortedatum, geslacht, inkomen, studie of beroep. Bij psychogra ische gegevens moet gedacht worden aan interesses, meningen, hobbies en levensstijl.
2.6 Technology Acceptance Model
Een bestaand en algemeen geaccepteerd acceptatie model is het Technology Acceptance Model (TAM) (Legris et al. , 2003). Het model is in 1986 samengesteld om te voorspellen of een informatiesysteem of technologie gebruikt zal worden. Het model is sindsdien in vele onderzoeken getest en aangevuld. In het originele TAM zijn de componenten Perceived Usefulness (PU) en Perceived Ease of Use (PEOU) de belangrijkste factoren voor het verklaren van het gebruik van een systeem of technologie (Figuur 1). Perceived Usefulness houdt in of de gebruiker het handig vindt om gebruik te maken van het systeem en welke voordelen eraan vastzitten, zoals het verhogen van de werkprestatie. Perceived Ease of Use houdt in of het systeem gemakkelijk te gebruiken is. In de studies naar het TAM zijn er verschillende variabelen vastgesteld binnen de component External Variables. Voorbeelden van externe variabelen zijn geslacht, ervaring, eerder gebruik, training, vrijwilligheid en imago. Een aantal van deze externe variabelen zijn als vaste
componenten meegenomen in het TAM 2 (Figuur 2). Deze variabelen zijn Subjective Norm, Image, Job Relevance, Output
Quality en Result Demonstrability met Experience en Voluntariness als modererende effecten.
Figuur 1: TAM Figuur 2: TAM 2
Aangezien het TAM het gebruik van een informatiesysteem verklaart, kan het gehele model niet worden gebruikt om de acceptatie van online pro ilering te verklaren. Online pro ilering is namelijk geen systeem waarvan gebruik kan worden gemaakt door klanten. Het is een principe waarin persoonlijke data gebruikt wordt door bedrijven met wellicht de inzet van algoritmes. Het kan ingezet worden als een service om bijvoorbeeld persoonlijke resultaten weer te geven. De klant kan er ook niet in alle gevallen voor kiezen om gebruik te maken van online pro ilering. Vaak maakt een bedrijf hier gebruik van zonder dat de klant inspraak heeft over of het gebeurt en in welke mate het plaatsvindt. Toch zijn er wellicht componenten die ook invloed kunnen hebben op de acceptatie van online pro ilering, zoals Perceived Usefulness.
3. Methode
3.1 Kwalitatief onderzoek
Door het a leggen van interviews kan een breder en completer beeld gevormd worden over de mening van gebruikers. Dit zal ten eerste gebruikt worden bij het opstellen van de enquête voor het kwantitatieve onderzoek. Zo kan bijvoorbeeld duidelijk worden of bepaalde aspecten een introductie nodig hebben. Ook kan het helpen bij de verwoording in de enquête. Daarnaast kunnen opmerkelijke uitspraken meegenomen, om te zien of dit door meerdere mensen gedeeld wordt. Ten tweede kunnen de resultaten wellicht gebruikt worden ter verklaring of verduidelijking van resultaten uit de enquête (Burns & Burns, 2008).
De interviews worden op semigestructureerde wijze afgelegd. Dit houdt in dat er een aantal vragen en onderwerpen van tevoren zijn voorbereid in een interviewschema (Bryman, 2016). De vragen hoeven niet precies gesteld te worden zoals vastgelegd. Ook
mogen aanvullende vragen gesteld worden aan de hand van de antwoorden van participanten. De nadruk ligt op het perspectief van de geı̈nterviewde. Het is belangrijk dat de participant begrepen wordt en dat zijn of haar mening naar voren komt. Het doorvragen en de lexibiliteit in het interview zijn daarom belangrijke aspecten. Het zorgt er tevens voor dat elk interview net iets ander kan uitpakken en soms extra onderwerpen besproken worden. Over het algemeen zullen alle vragen uit het interviewschema gesteld worden met ongeveer dezelfde verwoording. Dit draagt onder andere bij aan de reproduceerbaarheid van het kwalitatieve onderzoek. Door de semigestructureerde vorm kunnen andere meningen en onderwerpen naar voren komen wanneer het onderzoek opnieuw uitgevoerd wordt. Ook heeft de kleine sample size invloed op de resultaten en hoeven de antwoorden niet per se representatief te zijn voor de gehele populatie. Al dienen de resultaten uit de interviews niet als eindresultaat, maar vormen ze als basis voor de enquête.
Er is gekozen voor semigestructureerde interviews omdat het belangrijk is dat de mening en de mate waarin de respondent het begrip kent naar voren komen. Het is belangrijk dat er ruimte is om door te kunnen vragen, om de gedachtegang van elke respondent duidelijk te maken. Bovendien is het belangrijk dat de antwoorden met elkaar vergeleken kunnen worden, waardoor het handig is om gedeeltelijk een vaste structuur aan te houden. Op deze manier kan er een duidelijk beeld gevormd worden over de kennis en mening over online pro ilering.
Een mogelijk nadeel van het a leggen van interviews is dat de interviewer effect kan hebben op de uitkomsten (Burns & Burns, 2008). Door het ongemerkt door laten schemeren van zijn of haar eigen mening of door de ervaring met interviewen. Ook aan de kant van de respondent kunnen er effecten zijn op de uitkomsten. Bijvoorbeeld door het met de interviewer eens te zijn bij alle vragen, door antwoorden te geven die voor zijn of haar gevoel verwacht worden of door problemen met het herinneren van dingen. Participanten kunnen het gevoel hebben dat ze voor het blok gezet worden, waardoor ze zich ongemakkelijk kunnen voelen en niet vrijuit antwoorden. Om deze nadelen proberen tegen te gaan is er bijvoorbeeld gekozen om de interviews bij de participanten thuis af te leggen, waardoor ze zich wellicht meer op hun gemak voelen en zichzelf kunnen zijn bij het beantwoorden van de vragen.
De structuur van de interviews is als volgt: het begrip online pro ilering, de voordelen van online pro ilering, nadelen van online pro ilering, het gebruik van persoonlijke data en tot slot of de participant voor of tegen online pro ilering is (Appendix 8.1). In het eerste deel wordt gevraagd wat de respondent denkt dat online pro ilering inhoudt en om toepassingen te noemen. In het tweede deel over de voordelen wordt gevraagd wat de voordelen zijn en of de respondent voorbeelden heeft uit persoonlijke ervaring. Hetzelfde wordt gedaan in het derde deel over de nadelen. In het deel over de data wordt behandeld welke gegevens er volgens de respondent verzameld en gebruikt
mogen worden bij het opstellen van online pro ielen. Tot slot wordt er gevraagd of de respondent voor of tegen online pro ilering is en nog iets toe te voegen heeft.
3.1.2 Participanten
Voor het kwalitatieve onderzoek zijn vier personen geı̈nterviewd. De respondenten bestaan uit een man van 66 jaar (respondent 1), een man van 24 jaar (respondent 2), een vrouw van 52 jaar (respondent 3) en tot slot een vrouw van 22 jaar (respondent 4). Waarvan beide mannen werk ofwel opleiding gerelateerd aan ICT hebben. Beide vrouwen hebben geen werk of opleiding gerelateerd aan ICT. De keuze voor deze respondenten is gemaakt om zo veel mogelijk verschillende inzichten te kunnen verzamelen. Verschillend geslacht, leeftijd en specialisatie dragen daaraan bij.
3.2 Kwantitatief onderzoek
De vragen voor de online enquête zijn gebaseerd op eigen vragen over het onderwerp, bestaande literatuur en de resultaten van het kwalitatieve onderzoek. De resultaten uit het kwalitatieve onderzoek zijn meegenomen in de enquête door meningen en opvallende uitspraken als stellingen weer te geven. De enquête is ingedeeld in vier delen (Appendix 8.2.1). In het eerste deel worden demogra ische gegevens gevraagd, bestaande uit geslacht, leeftijd, opleiding en werk of studie gerelateerd aan ICT. In het tweede deel worden een aantal stellingen gegeven over online pro ilering en wat bedrijven mogen. Zoals de stelling “Bedrijven mogen mijn gegevens gebruiken om beter in te spelen op hun klantenkring”. Het derde deel gaat verder in op de persoonlijke ervaring met online pro ilering. Hierin komen ook gevoelens ten opzichte van online pro ilering naar voren, zoals “Ik heb het gevoel dat mijn gedrag gestuurd wordt door online pro ilering”. Het laatste deel gaat over het gebruik van persoonlijke gegevens. Er zijn drie stellingen over mogelijke grenzen van datagebruik. Daarnaast wordt gevraagd om per gegeven aan te geven of dit gebruikt mag worden door bedrijven om te pro ileren. Er is een selectie gemaakt bestaande uit negentien gegevens, al kunnen er veel meer gegevens worden meegenomen in een online pro iel. De selectie is gebaseerd op het literatuuronderzoek. Het bevat bijvoorbeeld de verschillende soorten data zoals beschreven door Wiedmann et al ., (2002), namelijk identi icatie, communicatie en beschrijvende data. Tevens bevat de selectie gegevens die naar voren kwamen in het kwalitatieve onderzoek.
De antwoorden op de vragen kunnen gegeven worden aan de hand van de 5-punts likertschaal. De opties zijn: helemaal oneens, oneens, neutraal, eens, helemaal eens. Bij twee vragen over de mate van het gebruik van toepassingen zijn de opties: nooit, zelden, soms, vaak, heel vaak. Bij de analyse van de resultaten worden de cijfers 1 tot en met 5 meegegeven aan deze opties, met 1 als helemaal oneens en 5 als helemaal eens. Dit is een veelgebruikte methode voor kwantitatief onderzoek, dat meehelpt aan de validiteit en betrouwbaarheid van het onderzoek (Burns & Burns, 2008). Een nadeel kan het
middenpunt “neutraal” zijn. Als veel respondenten deze waarde invullen is het moeilijk om conclusies te trekken. Bovendien is het niet altijd duidelijk wat deze keuze inhoudt, zijn er bijvoorbeeld voor- en nadelen die tegen elkaar afwegen of heeft iemand er geen mening over. Toch is er voor gekozen om dit middelpunt mee te nemen. De gegeven voorbeelden als voor- en nadelen die tegen elkaar afwegen, zijn valide meningen en er moet een optie zijn om dit weer te kunnen geven. Bovendien is de 5-punts likertschaal waarbij het middenpunt wordt meegenomen een algemeen geaccepteerde methode.
3.2.2 Participanten
De enquête wordt online uitgestuurd om respondenten te krijgen. De doelgroep zijn Nederlanders die in ieder geval wel eens het internet gebruiken, verder zitten er geen restricties aan. Het doel van het onderzoek is namelijk om een beeld te kunnen vormen over de mening van gebruikers van online pro ilering. Dit is een brede groep, maar het is belangrijk om verschillende leeftijden, academische achtergronden etcetera mee te nemen om een conclusie te kunnen trekken. De voorwaarde dat iemand wel eens het internet gebruikt, wordt al behaald doordat de enquête online verspreid wordt.
In totaal heeft het kwantitatieve onderzoek 75 respondenten, waarvan 34 mannen en 41 vrouwen. De leeftijd van de participanten varieert van 12 tot en met 69 jaar, waarvan 40 tussen de 20 en 24 jaar oud. Bijna de helft van de participanten doet een universitaire bachelor of heeft deze afgerond. 17 respondenten doen een HBO-studie of hebben dit als hoogst afgeronde opleiding en 14 doen een universitaire master of hebben deze afgerond. De overige 8 hebben een opleiding met het niveau vmbo, havo, vwo of mbo. 38 respondenten doen een studie of hebben een baan gerelateerd aan ICT. Ten slotte waren 67 participanten al bekend met het begrip online pro ilering. De volledige descriptives zijn te vinden in de appendix (8.2.1).
3.2.3 Data analyse
Ten eerste worden de resultaten van de enquête geanalyseerd in SPSS. Door middel van de Principale Componenten Analyse (PCA) worden de vragen ingedeeld in groepen. De eerste PCA is uitgevoerd op alle vragen, behalve de acceptatie van verschillende soorten data en de demogra ische gegevens (vraag 6 t/m 31 en 51 t/m 53). In de andere PCA worden de verschillende soorten data meegenomen (vraag 32 t/m 50). Beide PCA’s zijn uitgevoerd aan de hand van Rotation Direct Oblimin (Appendix 8.2.2 & 8.2.3).
Daarnaast zijn de vragen naar eigen inzicht en gebaseerd op de literatuur ingedeeld in groepen. Vervolgens zijn de uitkomsten hiervan vergeleken met de componenten uit de PCA. Deze groepen vormen de basis voor de componenten in SmartPLS (Partial Least Squares) om de acceptatie van online pro ilering mee te verklaren. SmartPLS wordt gebruikt om een model op te stellen en deze statistisch te toetsen aan de hand van het PLS (Partial Least Squares) algoritme en bootstrapping. Uit SmartPLS blijken een aantal componenten geen invloed te hebben op de acceptatie van online pro ilering. Ook zijn er
componenten die niet te voldoen aan voorwaarden als de Cronbach’s Alpha of de Discriminant Validiteit. Daarnaast zijn er een aantal vragen die een te lage samenhang hebben met de overige indicatoren binnen een component. Het construct verklaart onvoldoende van de variantie, dus worden de vragen uit het model gehaald. De uiteindelijke componenten zijn: Privacy, Acceptatie advertenties, Intentie gebruik, Voordelen, Nadelen, Data - minst geaccepteerd, Data - gemiddeld geaccepteerd en Data - meest geaccepteerd. Hiermee wordt de component Acceptatie online pro ilering verklaard die bestaat uit de vraag: “Ik ben voor het gebruik van online pro ilering ” .
3.3 Hypotheses
De componenten die naar voren zijn gekomen, leiden tot de volgende hypotheses:
Hypothese 1:
H0: Het soort data gebruikt voor online profilering heeft geen invloed op de acceptatie van online profilering.
H1: Het soort data gebruikt voor online profilering heeft invloed op de acceptatie van online profilering.
Het soort data is aan de hand van een PCA ingedeeld in drie groepen, namelijk minst geaccepteerd, gemiddeld geaccepteerd en meest geaccepteerd. Deze soorten data zullen een eigen component vormen en individueel getest worden op signi icantie. Het soort data is meegenomen omdat uit de literatuur blijkt dat online pro ilering voornamelijk als ongemakkelijk kan worden gezien wanneer het ingaat op gevoelige zaken als zwangerschappen. Ook blijkt uit het kwalitatieve onderzoek dat de respondenten het te ver vinden gaan wanneer bijvoorbeeld betaal- of medische gegevens gebruikt worden. De groepen zoals beschreven in het onderzoek van Wiedman et al. (2002), namelijk identi icatie, communicatie en beschrijvende data , komen niet naar voren. De componenten worden ook bepaald door het onderscheid tussen sociogra ische en psychogra ische gegevens.
Hypothese 2:
H0: Privacy heeft geen invloed op de acceptatie van online profilering. H1: Privacy heeft invloed op de acceptatie van online profilering.
Privacy is direct verbonden met online pro ilering. De component Privacy bestaat uit vragen die vaststellen hoe de gebruiker tegenover privacy staat. Het geeft aan wat de participant vindt dat een bedrijf mag doen. Hieronder vallen stellingen als “Bedrijven mogen mijn gegevens gebruiken om persoonlijk nieuws weer te geven” of “Het is goed dat algoritmes mij steeds beter leren kennen” .
Hypothese 3:
H0: De acceptatie van advertenties heeft geen invloed op de acceptatie van online profilering.
H1: De acceptatie van advertenties heeft invloed op de acceptatie van online profilering.
Aan de hand van de PCA is de acceptatie van advertenties een losstaand component. Uit het kwalitatieve onderzoek blijkt ook dat advertenties onmiddellijk aan online pro ilering gekoppeld worden. De gevoelens tegenover advertenties worden daardoor verbonden aan de gevoelens over online pro ilering. De vragen die hierbij horen komen overeen met de soort vragen over privacy, zoals “Bedrijven mogen mijn gegevens gebruiken om persoonlijke advertenties weer te geven”. Ook zijn er vragen als “Het is handig om advertenties te zien gerelateerd aan mijn zoekopdrachten en interesses” . Het krijgen van aanbiedingen is hierbij meegenomen.
Hypothese 4:
H0: De ondervonden voordelen hebben geen invloed op de acceptatie van online profilering.
H1: De ondervonden voordelen hebben invloed op de acceptatie van online profilering.
De voordelen zijn belangrijk binnen een acceptatie model. Zo blijken de voordelen een belangrijke invloed te hebben binnen het TAM onder de naam Perceived Usefulness. Wanneer de gebruiker geen voordelen ondervindt, is de kans aanzienlijk kleiner dat hij of zij er positief tegenover staat.
Hypothese 5:
H0: De ondervonden nadelen hebben geen invloed op de acceptatie van online profilering. H1: De ondervonden nadelen hebben invloed op de acceptatie van online profilering.
Aangezien de voordelen binnen het TAM van invloed blijken te zijn, hebben de nadelen wellicht ook invloed op de acceptatie van online pro ilering. Binnen de literatuur zijn meerdere kwesties beschreven gerelateerd aan online pro ilering. Ook bij het kwalitatieve onderzoek komen negatieve aspecten naar voren.
Hypothese 6:
H0: De intentie om gebruik te maken van toepassingen van online profilering draagt niet bij aan de acceptatie.
H1: De intentie om gebruik te maken van toepassingen van online profilering draagt bij aan de acceptatie.
Binnen het TAM leiden de componenten naar de intentie om gebruik te maken van een bepaalde technologie (Behavioral Intention), die vervolgens leidt naar de acceptatie (Use Behavior). Online pro ilering vindt in vele gevallen plaats zonder dat een gebruiker er invloed op heeft en kan kiezen of het toegepast wordt. Zoals de zoekresultaten die automatisch gepersonaliseerd worden wanneer een gebruiker iets opzoekt. De gebruiker kan hier niet omheen en heeft geen invloed op de mate van personalisatie. Echter zijn er ook een aantal toepassingen waarbij de gebruiker er wel voor kan kiezen om mee te werken aan online pro ilering. Een voorbeeld hiervan is persoonlijk nieuws, zoals Google News. Dit is een toepassing waarbij gebruikers zelf kunnen kiezen of ze er gebruik van willen maken en kunnen aangeven of zij persoonlijke resultaten willen zien.
Naast de hypotheses over componenten die invloed kunnen hebben op de acceptatie, zijn twee hypotheses opgesteld over de invloed van de demogra ische gegevens. Er zal getest worden of deze variabelen invloed hebben op de mate van acceptatie van online pro ilering.
Hypothese 7:
H0: Er is geen verschil tussen gebruikers met studie of werk gerelateerd aan ICT of niet bij de acceptatie van online profilering.
H1: Er is een verschil tussen gebruikers met studie of werk gerelateerd aan ICT of niet bij de acceptatie van online profilering.
Binnen het TAM 2 heeft ervaring (Experience) een modererend effect op meerdere relaties tussen componenten. Binnen dit onderzoek is ervaring aangeduid met het wel of niet hebben van een studie of een baan gerelateerd aan ICT.
Hypothese 8:
H0: Er is geen verschil tussen mannen en vrouwen bij de acceptatie van online profilering. H1: Er is een verschil tussen mannen en vrouwen bij de acceptatie van online profilering.
Daarnaast wordt getest of geslacht invloed heeft op de acceptatie van online pro ilering. Ook deze variabele is een keer binnen de vele studies naar het TAM meegenomen als externe variabele.
4. Resultaten
4.1 Kwalitatief onderzoek
Beide respondenten die ICT-gerelateerd werk hebben, wisten wat online pro ilering inhoudt. Qua toepassingen dachten beide direct aan advertenties, maar naarmate het gesprek vorderde konden zij ook andere toepassingen noemen. De vrouwelijk respondenten die geen werkervaring met ICT hebben kenden het begrip en de toepassingen van online pro ilering niet of gedeeltelijk.
4.1.2 Voordelen
Na het bespreken van het begrip online pro ilering en een idee te hebben van de kennis over het onderwerp, worden de voordelen van online pro ilering besproken. Het op ideeën gebracht worden kwam bij alle respondenten naar boven als iets positiefs, aangezien het verbredend werk. Zoals aangegeven door respondent 1 “er wordt bredere context gegeven aan je zoekopdrachten, en kennelijk je smaak” (Appendix 8.1.2). Als voorbeelden worden persoonlijke Spotify afspeellijsten of evenementen op Facebook genoemd.
Daarnaast geven respondent 2 en 4 aan het ijn te vinden om resultaten te zien die gericht zijn op hunzelf. Waardoor ze er wellicht meer aan hebben dan wanneer iets willekeurigs wordt weergegeven. Als ze dingen te zien krijgen die hen interesseren heeft
dit onder andere invloed op “het op ideeën brengen” door online pro ilering. Wanneer iets al duidelijk niet bij hun smaak past, zal het op ideeën gebracht worden immers niet goed werken. Als negatief aspect wordt aangegeven dat met name reclames vaak achteraf komen. Bijvoorbeeld dat er na het boeken van een vakantie nog een lange tijd reclames voor vakantiebestemmingen getoond worden. Het nut van de advertentie en personalisatie neemt daardoor eigenlijk weer af. Na het doorvragen bij respondent 1, wil hij ook weer niet dat het voor de adverteerders duidelijk is dat de vakantie al geboekt is. Dan zouden ze namelijk toegang moeten hebben tot afgeronde transacties, wat de respondent niet prettig zou vinden.
Ten slotte wordt er aangegeven dat het krijgen van persoonlijke kortingen ook ijn is. Zoals gezegd is het menselijk om de voordeeltjes eruit te willen halen.
4.1.3 Nadelen
Vervolgens zijn de nadelen van online pro ilering besproken. Zo wordt er aangegeven dat het bijvoorbeeld soms bemoeiend over kan komen. Ook kan er een gevoel van sturing zijn wanneer iets speci iek naar boven komt in plaats van willekeurig.
In tegenstelling tot respondent 4, vinden de overige respondenten reclames soms wel irritant of hinderlijk. Zo heeft respondent 2 een adblocker aan staan om geen advertenties te krijgen. Het kan opdringerig overkomen wanneer iets is opgezocht en er vervolgens voortdurend dezelfde advertenties langs komen, met name als het te lang doorgaat. De tegenstrijdigheid is dat één van de respondent het ook wel weer handig vindt wanneer een product nog niet gekocht is maar het idee nog wel op de achtergrond speelt. Aan de hand van een advertentie kan hij er later weer op geattendeerd worden. Wat zeker ijn is wanneer het later in de aanbieding blijkt te zijn.
De toepassing van online pro ilering bij zoekmachines kan ook een nadelige kant hebben wanneer een keer buiten de standaard gezocht wordt. Dan wil respondent 1 namelijk niet iets missen en dat de zoekopdracht beperkt wordt. Echter wordt wel aangegeven dat het praktisch kan zijn om persoonlijke zoekresultaten te krijgen. Ook respondent 3 die niet veel ervaring heeft met computers lijkt a houdend over dit principe. Zij vind het niet nodig, want ze weet zelf waarnaar ze op zoek is waardoor de zoekmachine niet voor haar hoeft na te denken. Ze is ook sceptisch over het feit dat ze wellicht sneller tot haar resultaat zou komen, omdat ze gericht naar iets op zoek gaat.
Daarnaast komt privacy nog naar voren als mogelijk onprettige kant van online pro ilering. Met name wanneer erover nagedacht wordt hoe het werkt en de hoeveelheid gegevens waar bedrijven over beschikken. Er komen ook steeds meer artikelen uit over bijvoorbeeld beveiligingslekken en wat er dan allemaal over mensen naar buiten komt. Al had de respondent er nog geen persoonlijke ervaring mee en kon hij geen voorbeeld noemen waarbij privacy een probleem vormde. Wel wordt er
rekening mee gehouden door enigszins op te laten of af en toe de zoekgeschiedenis op te schonen.
Door respondent 2 wordt aangegeven dat online pro ilering ook negatieve gevolgen kan hebben wanneer het bijvoorbeeld gebruikt wordt om de prijs van zorgverzekeringen vast te stellen. Aan de hand van informatie van onder andere Google watches kan worden opgeslagen hoeveel iemand beweegt en of diegene een gezonde leefstijl heeft. Deze gegevens zouden ook gebruikt kunnen worden om advertenties weer te geven gerelateerd aan afvallen. De respondent vindt dit op het randje, omdat mensen daar echt mee gestuurd worden. De gegevens zelf van bijvoorbeeld de Google watch zijn niet per se het probleem, maar met name hoe het gebruikt wordt. Zo kan medische informatie of gegevens over een gezonde leefstijl ook positief gebruikt worden om bijvoorbeeld vroegtijdig ziektes vast te stellen. Het heeft dus ook positieve kanten en momenteel wegen die voordelen nog zwaarder. De respondent heeft er zelf ook nog geen negatieve ervaringen mee gehad. Al is dit in bijvoorbeeld China al niet meer het geval. Daar wordt alles opgeslagen in een puntensysteem, waarmee onder andere bepaald kan worden naar welke school de kinderen van een familie mogen.
Een andere negatieve consequentie is dat een online pro iel misbruikt of gelekt kan worden. Op dezelfde manier waarop bijvoorbeeld advertenties gepersonaliseerd worden, kunnen ook phishing advertenties worden getoond.
Ten slotte geeft respondent 1 aan niet graag in een groep te worden geplaatst. Het geeft een ongemakkelijk gevoel om bij een groep ingedeeld te worden door een algoritme. Al wordt ook aangegeven dat hij er altijd al moeite mee heeft gehad om in een groep geplaatst te worden.
4.1.4 Neutraal
Respondent 2 en 3 brengen ter sprake niet het gevoel te hebben dat ze iets zouden missen door online pro ilering. Het valt wellicht niet zo op zoals respondent 2 aangeeft, “want ik ben natuurlijk één persoon” (Appendix 8.1.3). Een gebruiker ziet alleen zijn of haar eigen resultaten waardoor het ook niet duidelijk hoeft te zijn wanneer er iets mist. Respondent 3 geeft ook aan hier nooit iets van gemerkt te hebben. Bovendien zou ze het niet erg vinden want als ze iets nodig heeft gaat ze ernaar op zoek. “Het is ijn dat je het allemaal aangereikt krijgt, maar naar sommige dingen ga je nog wel zelf op zoek” (Appendix 8.1.4).
4.1.5 Data
Vervolgens is er besproken welke data die voortkomt uit het internetgebruik verzameld en gebruikt mag worden voor online pro ilering. Over het algemeen zijn de respondenten het hierover eens. “Heel duidelijk wat niet mag: betaalgegevens, rekeningen, BSN nummer, dat soort gegevens verzamelen” (Appendix 8.1.2).
