Een inhoudsanalyse naar het verschil in webcare gebruik op Twitter van bedrijven in verschillende branches.
| Stefanie van der Valk | 10546332 |
| Bachelor thesis Afstudeerproject Corporate Communicatie | Anne Kroon | | 07 mei 2016 | Universiteit van Amsterdam |
Abstract
Dit onderzoek wilt de verschillen in webcare gebruik van bedrijven in verschillende branches in kaart brengen. Tot nu toe bleef theorie omtrent dit onderwerp achter. Dit onderzoek wil daar verandering in brengen door middel van het uitvoeren van een inhoudsanalyse van 480 Twitterberichten van bedrijven uit vier verschillende branches. Er werd gekeken naar de volgende drie aspecten: conversational human voice, webcarestrategieën en de
reactiesnelheid. Voor alle drie de aspecten is er een significant verschil gevonden per type branche. De bankensector maakt gemiddeld het meest gebruik van CHV in zijn
Twitterberichten. Daarnaast blijkt dat de bankensector en de vliegtuigmaatschappijen relatief gezien het vaakst de informatiestrategie en de ontkenningstrategie toepassen. Daarbij maakt de bankensector het meest gebruik van meerdere strategieën in één reactie. Tot slot kan er geconcludeerd worden dat vliegtuigmaatschappijen over algemeen het snelst reageren in vergelijking met de andere drie branches. Hoewel eerdere onderzoeken zich voornamelijk hebben gericht op de manier waarop bedrijven in het algemeen webcare gebruiken heeft dit onderzoek inzichtelijk gemaakt wat de verschillen zijn tussen branches op het gebied van webcare. Dit onderzoek dient als toevoeging aan bestaande wetenschappelijke kennis en de uitkomsten van dit onderzoek kunnen als leidraad dienen voor toekomstig onderzoek.
Inleiding
Sociale media wie gebruikt het tegenwoordig niet? Volgens het CBS (2015) maakt ruim 80% van de internetgebruikers van twaalf jaar of ouder gebruik van sociale media. Waar
traditionele media gebruik maakt van eenrichtingsverkeer, maakt sociale media gebruik van tweerichtingsverkeer. Dit houdt in dat de consument de kans krijgt om een dialoog aan te gaan met een bedrijf en een bedrijf krijgt de kans om de consument ‘live’ te volgen en te begrijpen wat er speelt (Liu & Fraustino, 2014). Door de komst van sociale media kunnen consumenten sneller ervaringen, meningen en opmerkingen over bedrijven, producten en diensten delen met een potentieel grote groep (Kerkhof, 2010; Gensler, Völckner, Lio-thompskins & Wiertz, 2013). Volgens Huibers en Verhoeven (2014) zorgt dit voor zowel kansen als bedreigingen voor bedrijven. Enerzijds biedt het een kans voor het bedrijf om de band met zijn stakeholders te versterken. Anderzijds kan er snel schadelijke informatie over het bedrijf verspreid worden door middel van elektronische mond-tot-mondcommunicatie (Huibers & Verhoeven, 2014). Deze schadelijke informatie kan uiteindelijk zorgen voor een crisis. Om te voorkomen dat schadelijke informatie tot een crisis leidt is het belangrijk voor bedrijven om goede webcare te hanteren. Van Noort en Willemsen (2012) hebben het begrip webcare als volgt gedefinieerd: ‘het monitoren en aangaan van online interacties met
(klagende) consumenten om feedback (e.g. vragen, opmerkingen en klachten) te signaleren en te behandelen’.
Het liefst ziet een bedrijf alleen maar positieve berichten voorbijkomen op Twitter, maar het kan ook voorkomen dat er negatief wordt geschreven over een bedrijf. Online, negatieve uitingen over een bedrijf of product wordt ook wel negatieve elektronische word-of-mouth (NWOM) genoemd (Nyilasy, 2006). Een bericht op Twitter kan al snel een aanzienlijk groot aantal mensen bereiken, daarom is het van belang dat een bedrijf een reactie geeft dat voldoet aan de wensen van de consument om NWOM te voorkomen. Want uit eerder onderzoek blijkt dat wanneer een reactie niet voldoet aan de wensen van de consument, de positieve effecten van webcare om kunnen slaan in negatieve effecten en dit kan schadelijk zijn voor de reputatie van een bedrijf (Van Noort & Willemsen, 2011). Om onder meer NWOM te voorkomen is er de afgelopen tijd veel onderzoek gedaan naar wat voor soort webcare bedrijven hanteren op sociale media. Zo hebben Huibers en Verhoeven (2014) onderzocht welke communicatiestrategieën Nederlandse bedrijven hanteren op Twitter. Deze strategieën kunnen variëren van ‘stakeholder georiënteerde’ strategieën tot ‘defensieve strategieën’. De ‘stakeholder georiënteerde’ strategie houdt in dat strategieën georiënteerd zijn op het
behartigen van de wensen van de consument. In tegenstelling tot de ‘stakeholder
georiënteerde’ strategie richt de ‘defensive strategie’ zich op het behartigen van de wensen van het bedrijf. Al deze communicatiestrategieën zijn ontleend aan de Situational Crisis communication Theory (SCCT) van Coombs (2007). Deze theorie geeft inzicht hoe je de reputatie van een bedrijf maximaal kunt beschermen door de communicatie van een bedrijf af te stemmen op de soort reactie die het bedrijf krijgt van de consument (Coombs, 2007). In het artikel van Huibers en Verhoeven (2014) worden niet alleen communicatiestrategieën
besproken, maar ook Conversational human voice (CHV) en Corporate voice. CHV is een informele communicatiestijl, waarin een bedrijf in zijn reactie bijvoorbeeld humor toepast of stakeholders aanspreekt met ‘je’ (Coombs, 1998; Kelleher & Miller, 2006). Corporate voice is een meer formele communicatiestijl, waarin een bedrijf op een nettere en zakelijkere manier reageert. Ook CHV hangt samen met het SCCT model van Coombs (2007). In het SCCT model worden ook richtlijnen gegeven over de manier waarop bedrijven het beste CHV kunnen gebruiken, om de reputatie van het bedrijf te beschermen.
Zoals hierboven beschreven, is er al veel wetenschappelijke literatuur verschenen over webcare wat zich richt op de communicatiestijl en communicatiestrategie. Er is tot nu toe vooral veel experimenteel onderzoek gedaan naar welke strategieën het effectiefst zijn voor bedrijven in een crisis (Coombs, 2007; Liu & Fraustino, 2014; Huibers & Verhoeven, 2014). Er zijn enkele inhoudsanalyses gedaan naar de verschillende communicatiestrategieën en communicatiestijlen die bedrijven kunnen toepassen (Dekay, 2008; Huibers & Verhoeven, 2014). Maar er is nog geen enkel onderzoek gedaan naar deze variabelen in combinatie met verschillende branches, terwijl het redelijk is om te verwachten dat bedrijven in verschillende branches ook verschil in webcare zullen hanteren. Ten eerste, omdat bedrijven verschillende producten op de markt brengen en daardoor verschillende doelgroepen bereiken. En iedere doelgroep zal een andere reactie verwachten. Mensen zullen bijvoorbeeld een snellere reactie verwachten bij een acuut probleem zoals problemen met geld zaken, dan een probleem met een kledingstuk wat is gekrompen. Daarnaast zou je kunnen verwachten dat een bank op een formelere manier reageert wanneer men een klacht heeft over een geldtransactie, dan wanneer een kleding winkel reageert op een klacht over een kledingstuk dat is gekrompen. Vandaar dat het interessant is om te onderzoeken in hoeverre verschilt het webcare gebruik van bedrijven in verschillende branches.
In dit onderzoek wordt er een inhoudsanalyse gedaan om te kijken of er daadwerkelijk verschil is in webcare gebruik tussen bedrijven in verschillende branches. Hierbij is de volgende onderzoeksvraag geformuleerd: In hoeverre verschilt het webcare gebruik van bedrijven in verschillende branches op het gebied van communicatiestijl, snelheid van
reageren en communicatiestrategie? Hierbij zal er gekeken worden hoe bedrijven reageren op Twitterberichten van hun klanten. Dit kunnen berichten zijn met vragen, opmerkingen of klachten. Het is interessant om de variabele communicatiestijl, snelheid van reageren en communicatiestrategie te onderzoeken, omdat er zo een volledig mogelijk beeld wordt geschetst over het webcare-beleid van een bedrijf. Daarnaast zal er gekeken worden naar bedrijven in de volgende vier branches: bankensector, vliegtuigmaatschappijen, detailhandel en in de zorgsector. Deze vier branches zijn geselecteerd, omdat ze erg divers van elkaar zijn en alle vier de branches bieden een ander product of type dienst aan. Hierdoor zouden de consumenten van de verschillende branches andere verwachtingen kunnen hebben per branche. Daarnaast ontbreekt er nog onderzoek naar webcare en deze vier specifieke branches.
Bij dit onderzoek geldt zowel een maatschappelijke als een wetenschappelijke relevantie. Webcare is een maatschappelijk relevant onderwerp, omdat het interessant is voor praktische betrokken bedrijven in deze branche. Het is bekend dat online communicatie directe invloed kan hebben op de corporate reputatie van een bedrijf (Huibers & Verhoeven, 2014; Floreduu, Cabiddu, & Evaristo, 2014). Dit is ook de reden dat bedrijven zoals ING, Hema en Vodafone tegenwoordig speciaal opgeleide webcare teams hebben die actief zijn binnen sociale media (Kerkhof, 2010). Er is dan ook al veel onderzoek gedaan naar welke manier van webcare bedrijven het meest toepassen. Echter ontbreekt er onderzoek naar het verschil van webcare gebruik tussen verschillende branches. Door te achterhalen wat de verschillen zijn in de branches, kunnen de webcare teams van deze branches de uitkomsten van dit onderzoek gebruiken als leidraad voor hun webcare technieken. Daarnaast is het ook interessant voor de wetenschap. In tegenstelling tot de grote hoeveelheid wetenschappelijk onderzoek naar de manier waarop bedrijven in het algemeen webcare gebruiken (Van Noort & Willemsen, 2012; Kelleher & Miller, 2006), ontbreekt er wetenschappelijk literatuur naar het verschil in
webcare gebruik tussen verschillende branches. Dit onderzoek zal dieper ingaan op voorgaand onderzoek over webcare gebruik. Met het huidig onderzoek kunnen er nieuwe inzichten over webcare tot stand komen. Deze inzichten zouden implicaties kunnen hebben
voor huidige theorievorming over webcare gebruik, omdat er nog nooit eerder onderzoek is gedaan of er verschil is in webcare gebruik tussen verschillende branches.
type product of dienst aanbied’
Theoretisch kader
In het theoretisch kader zullen de belangrijkste begrippen en concepten, die voorkomen in de hoofdvraag en deelvragen, aan bod komen. Als eerst zal het algemene begrip sociale media worden besproken. Vervolgens zal er worden omschreven wat het overkoepelende begrip webcare precies inhoudt. Daarna zal de onafhankelijke variabele branches worden besproken. Ten slotte zal er worden afgesloten met de volgende drie afhankelijke variabelen:
conversational human voice, communicatiestrategie en snelheid van reageren. Op basis van deze literatuur zijn er verschillende deelvragen en een hypothese voor de huidige studie opgesteld.
Sociale media
De populariteit van sociale media is niet onopgemerkt gebleven bij bedrijven. In korte tijd zijn sociale media uitgegroeid tot één van de populairste communicatiemiddelen voor bedrijven om te communiceren met hun stakeholders. Uit onderzoek van het CBS blijkt dat in 2015 maar liefst 63% van de bedrijven ten minste één vorm van sociale media gebruiken. Dit komt voornamelijk omdat sociale media het gemakkelijk maakt voor bedrijven om te
communiceren met hun stakeholders (Park & Cameron, 2014). Sociale media kan
gedefinieerd worden als een interactief platform waar stakeholders en bedrijven via digitale tools en applicaties content kunnen uitwisellen en over kunnen discussiëren (Kietzmann, Hermkens, McCarty & Silvestre, 2011; Jin, Liu & Austin, 2011).
In tegenstelling tot de traditionele media zoals de televisie en radio, kan op sociale media iedereen participeren in het schrijven, delen en plaatsen van content. Doordat een bericht op sociale media publiekelijk gepresenteerd wordt, bereikt dit content ook consumenten buiten de directe sociale kring van een individu (Schindler & Bickart, 2005). Wanneer er op deze berichten niet adequaat genoeg gereageerd wordt, kan er commotie over een klacht ontstaan, wat in het ergste geval kan leiden tot negatieve publiciteit voor het bedrijf of reputatie schade (Grégoire, Salle & Tripp, 2014). Daarnaast wordt deze content ook elektronisch opgeslagen, waardoor deze berichten voor altijd beschikbaar zullen blijven en gebruikt kunnen worden voor toekomstige doeleinden (Andreassen & Streukens, 2009). Door deze factoren verspreidt informatie zich snel en hebben bedrijven niet meer de controle om alle content die over hun
bedrijf bekend is te reguleren (Huibers & Verhoeven, 2014). Vandaar dat het voor bedrijven van belang is om te weten op welke manier zij het beste om kunnen gaan met sociale media.
Webcare
Door de komst van het medium internet is er in korte tijd veel veranderd in onze maatschappij. Stakeholders hebben de kans gekregen om directer, sneller en efficiënter contact op te nemen met bedrijven dan voorheen mogelijk was met traditionele media. Huibers en Verhoeven (2012) zien dit als een mogelijke bedreiging voor de reputatie van bedrijven. Een online opmerking, commentaar of klacht van een consument op sociale media is gemakkelijk toegankelijk voor een groot publiek. Hierdoor kan een negatieve reactie over een bedrijf op sociale media, potentiële consumenten ontmoedigen om gebruik te maken van het desbetreffende bedrijf (Henning-Thurau, Gwinner, Walsh & Gremler, 2004). Aangezien een bericht op sociale media publiekelijk gepresenteerd wordt, is het belangrijk voor
bedrijven om zo effectief mogelijk om te gaan met dit soort berichten. Dit wordt ook wel webcare genoemd (Demmers et al., 2013). Webcare stelt bedrijven in de gelegenheid om via sociale media hun menselijke stem te laten horen. Dit kunnen bedrijven doen door te reageren op uitingen, vragen, opmerkingen en klachten van stakeholders (Kerkhof et al., 2010; Lee & Song, 2010). Van Noort en Willemsen (2012) definiëren webcare als volgt: ‘’the act of engaging in online interactions with (complaining) consumers, by actively searching the web to address consumer feedback (e.g., questions, concerns and complaints)’’.
De reden dat bedrijven ervoor kiezen om te reageren op negatieve reacties is als volgt. Hierbij speelt het begrip social listening een grote rol (Crawford, 2009). Volgens dit begrip moet een bedrijf goed luisteren naar wat een stakeholder te vertellen heeft. Hierdoor krijgt het bedrijf de kans om de juiste strategie te bepalen of ze wel of niet moeten reageren. Uit voorgaand
onderzoek blijkt echter dat het voordeliger is voor de reputatie van een bedrijf om te reageren op een bericht met een negatieve lading, dan het bericht te negeren (Bradford & Garrett, 1995). Volgens Van Noort en Willemsen (2012) beoordelen stakeholders een bedrijf
positiever als er toch wordt gereageerd. Daarnaast blijkt uit het onderzoek van Taylor en Perry (2005) dat stakeholders geen reactie van het bedrijf interpreteren als een vorm van
ongeïnteresseerdheid van het bedrijf naar de stakeholders toe. De vraag is dus niet of er gereageerd moet worden door het bedrijf, maar hoe er gereageerd moet worden.
Type branches
Consumenten gebruiken steeds vaker sociale media kanalen als Twitter om in contact te komen met bedrijven uit verschillende branches. Hierbij kan er tweezijdige symmetrische communicatie plaats vinden tussen consumenten en bedrijven (Grunig, 2009). Een van de redenen waarom consumenten steeds vaker sociale media kanalen gebruiken om in contact te komen met bedrijven komt door de snelheid van sociale media. Het contacteren via sociale media is een stuk efficiënter en sneller dan een bedrijf bellen en een keuzemenu te doorlopen. Daarnaast heeft sociale media een groter bereik. Als je een bericht stuurt naar een bedrijf met daarin een klacht, dan zal een bedrijf adequater reageren, omdat een grote groep mensen toegang tot dat bericht hebben.
De eerste branche waar in dit onderzoek naar gekeken wordt is de bankensector. De Nederlandse bankensector is één van de grootste bankensectoren in Europa en wordt gedomineerd door de volgende drie banken: ING, Rabobank en ABN AMRO. Door de economische crisis van de afgelopen jaren, is het vertrouwen van de consument in de bankensector beschadigd. Voor de bankensector is het wederopbouwen van het vertrouwen van de consument een belangrijk aandachtspunt (Knell & Stix, 2015). Door middel van
webcare kunnen bedrijven niet alleen hun reputatie beschermen, ze kunnen deze ook proberen te verbeteren bij consumenten die over online klachten lezen (Casidy & Shin, 2015). Dit is een reden waarom webcare belangrijker is geworden voor banken. Daarnaast kan er verwacht worden dat de bankensector meer gebruikt maakt van een corporate voice, dan bedrijven in andere sectoren. Dit kan verwacht worden, omdat de bankensector een zakelijkere service aanbiedt dan de andere sectoren.
Ook luchtvaartmaatschappijen gebruiken Twitter vaker als tool om webcare te bedrijven. Luchtvaartmaatschappijen verlenen een dienst en geen product. Dit houdt in dat de arbeid direct wordt verricht aan de consument. Uit het onderzoek van Lee & Song (2010) blijkt dat de webcare van een dienst minder gericht is op het verkopen van de dienst, maar meer op het verlenen van een dienst. Het is daarom interessant om te kijken of luchtvaartmaatschappijen verschillen in hun webcare gebruik in vergelijking met andere branches.
De derde branche waar naar gekeken zal worden is de zorgsector. Net zoals bovenstaande branches verleend ook de zorgsector een product en geen dienst. Toch verschilt deze branche erg van bovenstaande branches. De zorgsector krijgt te maken met mensen die hulpbehoevend
zijn. Hierdoor kan er verwacht worden dat een bedrijf in de zorgsector een andere relatie heeft met zijn publiek dan bijvoorbeeld een luchtvaartmaatschappij. Een bedrijf in de zorgsector zal bijvoorbeeld gemoedelijker en zorgzamer omgaan met zijn stakeholders dan een bedrijf in een andere branche. Vandaar dat het interessant is om te kijken of bedrijven in de zorgsector hun webcare gebruik hier ook op aanpassen.
Als laatste branche zal er gekeken worden naar de detailhandel. In deze branche leveren bedrijven fysieke goeden voor persoonlijk gebruik aan de consument. Uit het rapport van Social media monitor 6 (2015) blijkt dat bedrijven in de detailhandel minder terughoudend zijn in hun webcare inzet dan bedrijven in andere branches. Daarnaast is de detailhandel de enige branche waar er een product wordt verkocht en geen dienst. Volgens het onderzoek van Kerkhof (2010) richt de webcare van een product zich hoofdzakelijk op de loyaliteit en merktrouw van consumenten. Je zou dus kunnen verwachten dat het webcare gebruik van bedrijven in de detailhandel hier op inspelen.
Conversational human voice
De eerste factor waarop webcare onderscheiden kan worden is het soort communicatiestijl dat een bedrijf toepast op sociale media. Stakeholders hebben andere verwachtingen van sociale media dan van traditionele media (Kuhn, 2005). Zo blijkt uit het onderzoek van Van Noort en collega’s (2014) dat het niet alleen gaat om de manier waarop een klacht op sociale media wordt opgelost, maar ook om de kwaliteit van interpersoonlijke communicatie dat een bedrijf online toepast. Stakeholders verwachten dat bedrijven in hun reactie op sociale media
transparant zijn in hun reactie en reageren met een menselijke stem (Taylor & Perry, 2005; Grunig, 2009; González-Herrero & Smith, 2008). Hierbij verwachten stakeholders interactie te krijgen met een persoon binnen het bedrijf. Kelleher en Miller (2006) noemen deze vorm van communicatie door bedrijven: conversational human voice (CHV).
CHV kan omschreven worden als een informele manier van communiceren wat ervoor zorgt dat een stakeholder meer tevredenheid en vertrouwen heeft over een bedrijf (Kelleher & Miller, 2006). Deze communicatiestijl kenmerkt zich door het gebruik van humor in
berichten, het toegeven van fouten, personalisatie van het bericht, informeel taalgebruik en het open staan voor een tweespraak (Huibers & Verhoeven, 2014; Searls & Weinberger, 2000; Kelleher & Miller, 2006; Van Noort, Willemsen, Kerkhof & Verhoeven, 2014). Uit het onderzoek van Kwon en Sung (2011) blijkt dat bedrijven meer beschouwd worden als open
en betrokken bij een situatie wanneer zij gebruik maken van CHV. Ook uit het onderzoek van Yang, Kang en Johnson (2010) blijkt dat het gebruik van CHV ervoor zorgt dat de
stakeholders zich meer betrokken voelde bij het bedrijf. Stakeholders voelen zich meer betrokken bij een bedrijf doordat het gebruik van CHV de indruk wekt dat een bedrijf enkel gericht is op het creëren van een dialoog in plaats van gericht te zijn op commerciële doeleinden (Searls & Weinberger, 2000). Daarnaast creëert een gesprek waarin CHV wordt gebruikt het gevoel van een één-op-één gesprek in plaats van een één-op-veel gesprek, wat zorgt voor een betere relatie met de stakeholders (Mayer Sobko & Utz, 2003).
Ondanks alle zojuist genoemde voordelen van het gebruik van CHV, gebruiken bedrijven vaker een corporate voice (CV) (Huibers & Verhoeven, 2014). CV is een meer formele communicatiestijl dan CHV. Al de zojuist genoemde onderzoeken kijken naar het gebruik van CHV door bedrijven in het algemeen, maar ze maken geen onderscheidt van het gebruik van CHV in verschillende branches. Terwijl je kan verwachten dat een ziekenhuis met een gemoedelijker en zorgzamere toon reageert op een klacht van een patiënt dan een bank reageert op een klacht van een aandeelhouder. Een bank verleent namelijk een zakelijkere dienst dan een ziekenhuis. Vandaar dat het interessant is om te kijken of er verschillen bestaan in de stijl van communiceren tussen bedrijven in verschillende branches. Hiervoor is de volgende deelvraag opgesteld:
RQ1: In hoeverre verschilt het gebruik van conversational human voice in de
volgende vier branches: de bankensector, de vliegtuigmaatschappijen, de detailhandel en de zorgsector?
Webcarestrategieën
Bedrijven hebben de keuze om op verschillende manieren te reageren op een worth-of-mouth bericht. Deze verschillende manieren worden communicatiestrategieën genoemd. Volgens Benoit (1997) zijn er de volgende vijf imagobehoudende communicatiestrategieën:
ontkenning, ontwijken van de verantwoordelijkheid, het verminderen van de aanstootgevende van de gebeurtenis, een corrigerende actie en mortificatie. Er kan ook een andere indeling gemaakt worden in de communicatiestrategieën. Huibers en Verhoeven (2014) spreken niet over imagobehoudende strategieën, maar over webcarestrategieën. Deze webcarestrategieën zijn ontleend aan de Situational Crisis Communication Theory (SCCT) van Coombs (2007) en zullen gebruikt worden voor dit onderzoek. Deze theorie beschrijft hoe bedrijven het beste
kunnen reageren op stakeholders, maar welke reactie het beste is, is afhankelijk van het type bericht van een stakeholder (Huibers & Verhoeven, 2014).
De eerste strategie die in het onderzoek van Huibers en Verhoeven (2014) wordt besproken is: de informatie strategie. Deze strategie geeft objectieve informatie aan degene die een klacht of opmerking heeft, bijvoorbeeld waar iemand meer informatie kan vinden en wat de oorzaak van het probleem is. De tweede strategie die toegepast kan worden door bedrijven is de verontschuldigingsstrategie. Bij deze strategie accepteert het bedrijf de verantwoordelijkheid waarover geklaagd wordt en vraag het bedrijf de lezer om vergeving. De derde strategie is de sympathiestrategie. Hierbij laat het bedrijf zien dat ze sympathie tonen voor de klager. De vierde strategie is die van ontkenning. Hierbij heeft het bedrijf twee keuzes: het probleem ontkennen of ontkennen dat het probleem door de organisatie veroorzaakt is. De
rechtvaardigingstrategie is de vijfde strategie die een bedrijf kan toepassen. Bij deze strategie probeert een bedrijf andere ervan te overtuigen dat het probleem niet zo groot is. De zesde strategie is de compensatiestrategie. Deze strategie is van toepassing als het bedrijf de klager een vergoeding wilt geven, terugbetalen of schadeloos wilt stellen. De laatste strategie is de corrigerende actiestrategie. Hierbij wilt het bedrijf het probleem oplossen door te zeggen welke stappen er momenteel worden genomen om te voorkomen dat het in de toekomst nogmaals gebeurt.
Verwacht wordt dat er verschillen in het toepassen van de webcarestrategieën zullen bestaan tussen bedrijven in verschillende branches. Er kan vanuit worden gegaan dat de detailhandel vaker de compensatiestrategie toepast dan de zorgsector. Wanneer een rits van een broek kapot gaat, kan de broek gemakkelijk teruggebracht worden naar de kledingwinkel en het geld kan teruggestort worden. Het aanbieden van een compensatie is effectief, omdat het bedrijf aandacht besteed aan de negatieve ervaring van een consument en zijn verantwoordelijkheid neemt voor hetgeen wat fout is gegaan (Lee, 2004). Deze oplossing kan niet worden gegeven wanneer er een fout wordt gemaakt in de zorgsector. Wanneer een chirurg een fout maakt tijdens een operatie, kan een ziekenhuis niet een patiënt aanbieden zijn geld terug te geven. Hierdoor kan de verwachting worden gecreëerd dat bedrijven in verschillende branches verschillende strategieën meer zullen toepassen.
In voorgaand onderzoek wordt er vaak gekeken naar het verschil in de
Coombs, 2006). Echter ontbreekt er onderzoek naar deze variabele in combinatie met verschillende branches. Om deze reden is de volgende deelvraag opgesteld.
RQ2: Waarin verschillen de bankensector, vliegtuigmaatschappijen, detailhandel en de zorgsector als het gaat om de communicatiestrategieën waarmee een bedrijf reageert?
Snelheid van reageren.
Een andere element van webcare, is de snelheid waarmee een bedrijf reageert op een WOM tweet (Kaplan & Haellein, 2010). Volgens het onderzoek van Chevalier en Mayzin (2006) blijkt dat hoe sneller een bedrijf reageert op een online bericht van de stakeholder hoe
tevredener de stakeholder zal zijn. De snelheid van de reactie is van belang, omdat dit ervoor zorgt dat een bedrijf in zijn reactie op de klacht van een stakeholder het bericht zelf kan framen in plaats van dat de media dat doet (Coombs, 2010). Anderzijds beweert het onderzoek van Kerkhof en collega’s (2010) dat reactiesnelheid geen invloed heeft op de evaluatie van stakeholders, maar een bedrijf toont wel inzet wanneer het snel reageert
(Schultz & Goritz, 2011). Het verschil in resultaat van bovenstaande onderzoeken, kan komen doordat het verschilt per branche of de reactiesnelheid invloed heeft op de evaluatie van de stakeholder of niet. Ieder bedrijf produceert een ander product of verleend een ander soort dienst, waarbij het ene product of de dienstverlening belangrijker is dan het andere product of dienstverlening. Er zijn twee redenen die leiden tot de verwachting dat er verschillen in snelheid van reageren zullen bestaan tussen bedrijven in verschillende branches. Ten eerste de grootte van het dagdeel waarin een branche het product aanbiedt. Men kan op ieder tijdstip van de dag een vliegticket kopen en vluchten vliegen ook in de nacht. Dit is in tegenstelling met een kledingstuk wat alleen gekocht kan worden tijdens de openingsuren van een kleding winkel. Daarom kan er verwacht worden dat vliegtuigmaatschappijen sneller zullen reageren dan bedrijven in de detailhandel. Ten tweede speelt de accuraatheid van een probleem mee. Er kan verwacht worden dat een klacht in de zorgsector sneller beantwoord moet worden dan een klacht in de detailhandel. Er wordt verwacht dat wegens deze redenen bedrijven in de
zorgsector en vliegtuigmaatschappijen eerder zullen reageren op reacties van stakeholders als bedrijven in de bankensector en de detailhandel. Dit leidt tot de volgende hypothese:
H1: ‘’De zorgsector en vliegtuigmaatschappijen reageren sneller op reacties van stakeholders als bedrijven in de detailhandel en de bankensector’’.
Methode
De onderzoeksmethode bestaat uit een kwantitatieve inhoudsanalyse waar gekeken wordt in hoeverre branches verschillen op het gebied van webcare. Binnen de sociale wetenschappen wordt er veel gebruik gemaakt van deze onderzoeksmethode om mediaberichten te analyseren (Krippendorf, 2004). Deze onderzoeksmethode is hier geschikt voor aangezien er gekeken zal worden of bepaalde woorden of concepten voorkomen in Twitterberichten en of dit verschilt per branche. Aan de hand hiervan kan er antwoord worden gegeven op de onderzoeksvraag.
Steekproef
Om het verschil in webcare tussen verschillende branches met elkaar te kunnen vergelijken wordt er gekeken naar webcare-uitingen van verschillende bedrijven op het platform Twitter. Het onderzoek richt zich op bedrijven in de bankensector, vliegtuigmaatschappijen,
detailhandel en zorgsector. Uit iedere branche zijn twee bedrijven geselecteerd, wat op een totaal komt van acht bedrijven (zie tabel 1). De Rabobank en de ING vertegenwoordigen in dit onderzoek de bankensector. Er is gekozen voor deze twee banken, omdat dit te twee grootste banken van Nederland zijn. De ING en Rabobank bezitten samen 73% van de marktaandelen (Banken.nl). De bedrijven die zijn geselecteerd uit de vliegtuigbranche zijn: KLM en Transavia. Deze twee bedrijven zijn ook geselecteerd, omdat ze de twee grootste luchtvaartmaatschappijen zijn in Nederland. Uit de derde branche zijn de bedrijven H&M en Coolblue gekozen. De keuze voor deze bedrijven is gebaseerd op de ranglijst gepubliceerd in de sociale media monitor 6. Als laatste is er gekozen voor de bedrijven OLVG en VU
Medische centrum. Deze bedrijven vertegenwoordigen de zorgsector en zijn gekozen, omdat zij beschikken over een actief Twitter account.
De balans tussen alle vier de branches zorgt voor een grotere validiteit in het onderzoek. Van ieder bedrijf zullen er 60 Twitterberichten worden geanalyseerd. Dit komt uit op een totale steekproef van 480 Twitterberichten. De geanalyseerde Twitterberichten van de geselecteerde bedrijven zijn afkomstig van april 2015 tot en met maart 2016. Er is gekozen voor deze periode, omdat dit het meest recente tijdsperiode is. Daarnaast is er ook voor gekozen om berichten mee te nemen uit iedere maand, zodat het jaargetijde of de maand geen invloed kan hebben op de uitkomsten en zodat de kans op bias door de actualiteit geminimaliseerd wordt (Yates, Moore & Starnes, 2008).
Sample bedrijven (n = 8).
Branche Naam bedrijf 1 Naam bedrijf 2
Bankensector Rabobank ING
Vliegtuigmaatschappij KLM Transavia
Detailhandel H&M Coolblue
Zorgsector OLVG VU Medisch centrum
Om een representatieve steekproef van deze branches te generen is er gebruik gemaakt van cluster sampling. De populatie werd onderverdeeld in twaalf clusters gebaseerd op de maanden van het jaar, waarna er random vijf Twitterberichten per maand werden geselecteerd.
Codeboek & procedure
Om antwoord te kunnen geven op de onderzoeksvraag is er gebruik gemaakt van een
codeboek als analyse-instrument (zie Bijlage B). Het codeboek fungeert als leidraad tijdens de inhoudsanalyse en bestaat uit twee delen: het algemene deel (A) en het inhoudelijke deel (B). Het algemene deel in het codeboek begint met vragen zoals de naam van de codeur, de naam van het bedrijf, het itemnummer, het datum van het bericht, ect. Deze informatie is helder en vanzelfsprekend, dus behoeft geen verdere instructie. Daarna volgt het inhoudelijke deel wat bestaat uit de volgende drie variabelen: conversational human voice, webcarestrategieën en reactiesnelheid.
De Twitterberichten zijn afzonderlijk gecodeerd door drie codeurs. Voorafgaand aan het coderen hebben de drie codeurs gezamenlijk een codeboek opgesteld. Hierin staat over iedere variabele een definitie en een uitleg, zodat iedere codeur goed geïnstrueerd te werk kon gaan. Om overeenstemming tussen de drie codeurs vast te stellen zijn er zes webcare reacties per bedrijf dubbel gecodeerd. Toen alle 48 berichten een Krippendorff’s Alpha van 0,6 of hoger hadden kon het coderen beginnen. Het coderen werd gedaan met behulp van de vragenlijst software Qualtrics (Qualtrics.com, 2015). De vragenlijst begon met een aantal instructies voor de codeurs om de betrouwbaarheid en kwaliteit van het onderzoek te waarborgen. Om de betrouwbaarheid en kwaliteit van dit onderzoek te waarborgen codeert elke codeur maximaal drie uur per dag, met om het uur een pauze van een half uur. Voor een uitgebreide
beschrijving van de procedure wordt doorverwezen naar Bijlage 2. Vervolgens werd de data hieruit omgezet naar het statistiekprogramma SPSS, waarin de data geanalyseerd kon worden.
Operationalisatie van de variabelen
Conversational human voice
Om te onderzoeken in welke mate bedrijven in verschillende branches gebruik maken van CHV, zijn er tien vragen opgesteld die het concept CHV meten. Deze tien vragen zijn afkomstig uit het onderzoek van Van Noort et al. (2014) en werden allemaal gemeten op een dichotome schaal. Doordat alle tien de vragen een Krippendorff’s Alpha van 0,60 of hoger hadden, werden ze allemaal als betrouwbaar beschouwd (zie tabel 2). Nadat alle gegevens ingevoerd waren in SPSS, zijn de tien losse vragen die samen de aanwezigheid van CHV in Twitterberichten meten bij elkaar opgeteld tot een nieuwe ratio variabele die het gebruik van CHV per Twitterbericht meet. Deze variabele werd CHV TOTAAL genoemd: hoe hoger de score, hoe hoger het CHV gehalte in een Twitterbericht.
Tabel 2
Betrouwbaarheid CHV
Variabele Alpha
Informele persoonlijke begroeting 0,97 Persoonlijke voornaamwoorden eerste persoon 0,97 Persoonlijke voornaamwoorden tweede persoon 1,00
Initiale werknemer 0,98
Gebruik van informele afkortingen 0.74 Gebruik van non-verbale cues 0,94 Gebruik van samenvoegingen 1,00 Gebruik van tussenwerpsels 1,00
Gebruik van humor 0,83
Expliciete fout 0,61
Webcarestrategieën
De tweede afhankelijke variabele webcarestrategieën werd gemeten aan de hand van zeven dichotome vragen (zie tabel 3). Deze vragen zijn afkomstig uit het onderzoek van Huibers en Verhoeven (2014). Wanneer de strategie aanwezig was in het bericht werd de vraag
beantwoord met ‘ja’, wanneer de strategie niet aanwezig was in het bericht werd de vraag beantwoord met ‘nee’. De betrouwbaarheid van deze zeven vragen is gemeten door de Krippendorff’s Alpha te berekenen (zie tabel 3). Uit de Krippendorff’s Alpha bleek de intercodeurbetrouwbaarheid voor al deze variabelen betrouwbaar te zijn. Vervolgens zijn de zeven webcarestrategieën doormiddel van compute bij elkaar opgeteld om te kijken of er een verband bestaat tussen het type branche en de hoeveelheid webcarestrategieën dat wordt toegepast.
Tabel 3
Betrouwbaarheid strategieën
Omschrijving variabele Strategie Krippendorff’s
Alpha Het bedrijf geeft objectieve informatie aan de
stakeholder
Informatiestrategie 0,89
Het bedrijf accepteert de
verantwoordelijkheid over waarover geklaagd wordt en vraagt de lezer om vergeving
Verontschuldigingsstrategie 1,00
Het bedrijf toont sympathie voor de stakeholder
Sympathiestrategie 0,85
Het bedrijf ontkent het bestaan van een probleem of ontkent dat het probleem door de het bedrijf zelf is veroorzaakt
Ontkenningsstrategie 0,75
Het bedrijf overtuigt de stakeholder dat het probleem niet zo groot is
Rechtvaardigingsstrategie 0,74
Het bedrijf biedt de stakeholder een vergoeding aan
Compensatiestrategie 0,80
Het bedrijf lost het probleem op door te zeggen welke stappen er worden genomen
om herhaling te voorkomen.
Reactiesnelheid
De derde afhankelijke variabele ‘reactiesnelheid’ van het betrokken bedrijf werd gemeten aan de hand van vier vragen. De eerste twee vragen gingen over de datum en het tijdstip waarop de stakeholder de WOM tweet plaatst. De laatste twee vragen gingen over de datum en het tijdstip waarop het bedrijf reageerde op het bericht van de stakeholder. Zoals weergegeven in tabel 4 waren al deze vier de vragen betrouwbaar. Om uiteindelijke de exacte reactiesnelheid te berekenen in minuten, is er een extra variabele op rationiveau gecreëerd in SPSS. Deze variabele werd handmatig berekend en is reactiesnelheid genoemd. De interval variabele reactiesnelheid is berekend door het verschil te berekenen tussen het tijdstip van de WOM tweet en reactie van het bedrijf hierop te berekenen in minuten.
Tabel 4
Betrouwbaarheid reactiesnelheid
Variabele Alpha
Datum WOM tweet 0,98
Tijdstip WOM tweet 0,98
Datum tweet bedrijf 0,95
Tijdstip tweet bedrijf 0,98
Data analyse
Om te kunnen vaststellen wat de verschillen zijn tussen branches in het gebruik van CHV, is er een eenwegs-variantieanalyse uitgevoerd. De categorische onafhankelijke variabele ‘type branche’ is gemeten op nominaal niveau en de numerieke afhankelijke variabele ‘CHV’ is gemeten op ratio niveau. Hierbij werd een asymmetrische verband verwacht. Vervolgens werd er voor alle zeven strategieën die samen de afhankelijke variabele ‘webcarestrategieën’ meten, een chikwadraattoets uitgevoerd. Ook hierbij werd de categorische onafhankelijke variabele ‘type branche’ gemeten op nominaal niveau en de zeven strategieën werden ieder gemeten op een dichotome schaal. Als laatste werd er voor de interval variabele
reactiesnelheid ook een eenwegs-variantyanalyse uitgevoerd met de variabele type branche als onafhankelijke variabele en reactiesnelheid als afhankelijke variabele.
Resultaten
In deze thesis is onderzoek gedaan naar het verschil in webcare gebruik op Twitter tussen bedrijven in verschillende branches. In totaal zijn er 480 Twitterberichten geanalyseerd, waarvan 25,42% van de Twitterberichten afkomstig zijn uit de bankensector (n = 122), 24,90% van de Twitterberichten zijn afkomstig uit de vliegtuigmaatschappijen (n = 119), detailhandel (n = 118) en de zorgsector (n = 121). In tabel 5 wordt een overzicht gegeven van de bedrijven in de vier verschillende branches en de kenmerken ervan.
Tabel 5
Sample bedrijven (N = 8)
Branche Bedrijf 1 Bedrijf 2 Totaal
Banken sector Rabobank n = 61 50% ING n = 61 50% N = 122 100% Vliegtuigmaatschappij KLM n = 59 49,58% Transavia n = 60 50,42% N = 119 100% Detailhandel H&M n = 60 50,85% Coolblue n = 58 49,15% N = 118 100% Zorgsector OLVG n = 61 50,41% VU Medisch centrum n = 60 49,59% N = 121 100%
Conversational human voice
De eerste deelvraag luidt als volgt: ‘In hoeverre verschilt het gebruik van conversational human voice in verschillende branches?’. Voor het beantwoorden van deze deelvraag is een eenwegs-variantieanalyse uitgevoerd met de variabele type branche als categorische
onafhankelijke variabele en CHV als numerieke afhankelijke variabele. Voordat de eenwegs-variantieanalyse uitgevoerd kan worden, moet er eerst gecontroleerd worden of de data voldoet aan de drie assumpties van een ANOVA. Ten eerste is de afhankelijke variabele gemeten op interval niveau. Ten tweede kan er geconcludeerd worden dat de normaliteit van de branches bij benadering normaal verdeeld is. Dit werd tevens bevestigd op basis van de histogrammen van de verschillende branches. De normaliteit van bankensector (n = 122 ), vliegtuigmaatschappijen (n =119), detailhandel (n =118) en zorgsector (n =121) is bij benadering normaal verdeeld. Vervolgens wordt er gekeken of de data voldoet aan de derde assumptie: homogeniteit van de varianties. De Levene’s F toetst toont aan dat de varianties niet significant van elkaar verschillen (Levene’s F (3,476) = 0,401, p = 0,752). Hieruit kan
geconcludeerd worden dat de data voldoet aan alle drie de assumpties, wat betekend dat er een eenwegs-variantieanalyse kan worden uitgevoerd.
De eenwegs-variantieanalyse laat zien dat de branches significant verschillen op CHV F (3, 476) = 29.12, p < 0.001). Uit de post-hoc test middels Bonferroni komt naar voren dat de bankensector (M = 2,96, SD = 1,27) significant hoger schoort op CHV dan de detailhandel (M = 2,41, SD = 1,21) (mverschil= 0,55, p = 0.004) en de zorgsector (M = 1,55, SD = 1,19) (Mverschil= 1,41, p < 0.001). Daarnaast blijkt dat de vliegtuigmaatschappijen (M = 2,78, SD = 1,43) significant hoger scoort in de mate van CHV dan de zorgsector (Mverschil= 1,23, p <0.001). En als laatste komt er naar voren dat de detailhandel significant hoger scoort in de mate van CHV dan de zorgsector (Mverschil= 0,85, p < 0,001).
Webcarestrategieën
De tweede deelvraag luidt als volgt: Waarin verschillen branches als het gaat om de communicatiestrategieën waarmee een bedrijf reageert? Deze deelvraag is onderzocht met behulp van zeven chikwadraattoetsen op het verband tussen variabelen in kruistabellen. De voorwaarde voor een chi-kwadraattoets zijn dat beide variabele categorische gemeten zijn en dat elke cel van de kruistabel een minimale verwachte waarde van vijf heeft. Uit de analyse bleek dat voor zowel de ontkenningsstrategie als de compensatiestrategie niet aan deze
assumptie voldaan kon worden. Voor deze twee strategieën is de Fishers exacttoets toegepast. Uit de resultaten blijkt dat er een verband is tussen de type branches en het wel of niet
toepassen van de informatiestrategie en de ontkenningstrategie (zie tabel 6). Alle
onderstaande percentages zijn ten opzichte van het totaal aantal beoordeelde tweets binnen elke branche. Uit de chi-kwadraattoets tussen branche en informatiestrategie bleek een significant verband, 𝜒2 = (479) = 39,26, p < 0,001. Uit de tabel kan opgemaakt worden dat binnen de bankensector (65,6%) en vliegtuigmaatschappijen (67%) relatief vaker de
informatiestrategie wordt toegepast dan binnen de detailhandel (43,6%) en zorgsector (33%).
Uit de Fishers exacttoets tussen branche en ontkenningsstrategie bleek een significant verband, Fishers exacttoets = (479) 8.67, p = 0,022. Uit de tabel kan opgemaakt worden dat binnen de bankensector (5,7%) en vliegtuigmaatschappijen (4,2%) relatief vaker de
ontkenningstrategie wordt toegepast dan de detailhandel (1,7%) en zorgsector (0%). Bij de overige variabele is er geen significant verband gevonden.
Het gebruik van webcarestrategieën Bankensector Vliegtuig- maatschappij Detailhandel Zorgsector Informatiestrategie* 80 (65,6%) 80 (67,2%) 51 (43,6%) 41 (33,9%) Verontschuldigingsstrategie 9 (7,4%) 13 (10,9%) 9 (7,7%) 11 (9,1%) Sympathiestrategie 59 (48,4%) 56 (47,1%) 53 (45,3%) 69 (57%) Ontkenningsstrategie** 7 (5,7%) 5 (4,2%) 2 (1,7%) 0 (0%) Rechtvaardigingstrategie 8 (6,6%) 4 (3,4%) 8 (6,8%) 6 5,0% Compensatiestrategie 5 (4,1%) 3 (2,5%) 3 (2,6%) 4 (3,3%) Corrigerende actiestrategie 26 (21,3%) 25 (21%) 27 (23,1%) 34 (28,1%)
Noot Deze tabel is enkel een weergave van hoe vaak de strategieën zijn gebruikt. Er konden meerdere strategieën gecombineerd worden, in
één Twitterbericht. * significant verschil volgens de chi-kwadraattoets p <0.001. ** significant verschil volgens de Fisher exact toets p<0.05
Vervolgens werd er een eenwegs-variantieanalyse uitgevoerd om te kijken of er een verband bestaat tussen het type branche en de hoeveelheid webcarestrategieën dat wordt toegepast. Voordat de eenwegs-variantieanalyse uitgevoerd kan worden, moet er eerst gecontroleerd worden of de data voldoet aan de drie assumpties van een ANOVA. Ten eerste is de afhankelijke variabele normaal verdeeld en gemeten op interval niveau. Ten tweede kan er geconcludeerd worden dat de normaliteit van de branches bij benadering normaal verdeeld is, omdat de populatie groot genoeg is. Dit werd tevens bevestigd op basis van de histogrammen van de verschillende branches. Vervolgens wordt er gekeken of de data voldoet aan de derde assumptie: homogeniteit van de varianties. De Levene’s F toetst toont aan dat de variantie niet significant van elkaar verschilt (Levene’s F (3, 475) = 0,89, p = 0,446.), wat betekend dat er een eenwegs-variantieanalyse kan worden uitgevoerd.
Er is een significant verschil in het aantal webcarestrategieën dat gebruikt wordt per type branche, F (3, 475) = 2,97, p = 0,031). Uit de post-hoc test middels Bonferroni komt naar voren dat de bankensector (M = 1,59, SD = 0,77) marginaal significant hoger scoort op het aantal webcarestrategieën dat ze gebruikt per Twitterbericht dan dat de detailhandel gebruikt per Twitterbericht (M = 1,30, SD = 0,98) (Mverschil= 0,29, p = 0,031).
[WAARDE]0 112,29 [WAARDE],00 199,14 0 50 100 150 200 250 ZORGSECTOR DETAILHANDEL VLIEGTUIGMAATSCHAPPIJEN BANKENSECTOR
Gemiddelde reactiesnelheid per branche
Reactiesnelheid in minuten
Voor de laatste variabele reactiesnelheid is de volgende hypothese opgesteld: ‘’De zorgsector en vliegtuigmaatschappijen reageren sneller op reacties van stakeholders dan bedrijven in de detailhandel en de bankensector’’. Om deze verwachting te toetsen is er een
eenwegs-variantieanalyse uitgevoerd met de variabele type branche als onafhankelijke variabele en snelheid van reageren als afhankelijke variabele. Deze toets laat een significant effect zien, F (3, 476) = 21,00, p < 0,001. De vliegtuigsector (M = 82,00, SD = 204,84) is significant sneller in reageren dan de bankensector (M = 199,14, SD = 337, 29) (mverschil= -117,14, p = 0.004) en de zorgsector (M = 197,81, SD = 309,57) (mverschil= -115,81, p = 0.004).
Figuur 2
De gemiddelde reactiesnelheid per branche.
Discussie
Conclusie & implicaties
In dit onderzoek is onderzocht in hoeverre bedrijven in verschillende branches verschillen als het gaat om het gebruik van de conversational human voice, het hanteren van de
webcarestrategieën en de snelheid van reageren op een Twitterbericht. Kijkend naar de resultaten kan er het volgende geconcludeerd worden. Ten eerste kan er geconcludeerd worden dat de bankensector het meest gebruikt maakt van CHV. Daarnaast gebruiken zowel de bankensector als de vliegtuigmaatschappijen de informatiestrategie het meest tijdens het reageren op Twitter berichten. Dit is in tegenstelling tot de detailhandel en de zorgsector die meer gebruik maken van de sympathiestrategie tijdens het reageren op Twitterberichten. Tot slot kan er geconcludeerd worden dat over het algemeen vliegtuigmaatschappijen het snelste reageren op Twitterberichten en dat de bankensector het langzaamst reageert.
De eerste deelvraag luidt als volgt: ’in hoeverre verschilt het gebruik van conversational human voice in verschillende branches?’. Vooraf is de verwachting opgesteld dat bedrijven in de zorgsector in hogere mate met CHV zouden reageren dan bedrijven in de bankensector, maar dit bleek niet het geval. Uit de resultaten kan geconcludeerd worden dat de bankensector gemiddeld het meest gebruik maakt van CHV in zijn Twitterberichten, gevolgd door
vliegtuigmaatschappijen, de detailhandel en als laatste de zorgsector. Hieruit kan geconcludeerd worden dat bedrijven in de zorgsector over het algemeen formeler
communiceren met zijn stakeholders dan bedrijven in de bankensector. De verwachting dat zorgsector het meest gebruikt maakt van CHV is niet uitgekomen. Uit het onderzoek van Huibers en Verhoeven (2014) blijkt dat veel bedrijven nog niet afweten van het gebruik van CHV en graag een formele corporate identiteit willen uitstralen. Uit de bevindingen van huidig onderzoek blijkt dat CHV wel degelijk veel gebruikt wordt door bedrijven in verschillende branches. Alleen maakt de zorgsector minder gebruik van CHV in hun
berichtgeving. Een verklaring hiervoor zou kunnen zijn dat in dit onderzoek gekeken is naar publieke bedrijven in de zorgsector. De bedrijven uit de andere drie branches zijn private bedrijven. Uit het onderzoek van Hull en Lio (2006) blijkt dat publieke bedrijven gedreven worden door sociale doeleinden te behalen en private bedrijven hebben als doeleinden om winst te behalen. Door het gebruik van CHV voelen stakeholders zich meer betrokken bij een bedrijf, dit wordt ook wel consumer engagement genoemd en kan er toe bijdragen dat
stakeholders meer producten kopen van het betrokken bedrijf (Goh et al., 2013). Dit verschil is dus wellicht toe te wijzen aan het feit dat publieke bedrijven niet als doeleinden het behalen van winst hebben en daardoor minder gebruik maken van CHV.
De tweede deelvraag luidde als volgt: Waarin verschillen branches als het gaat om de communicatiestrategieën waarmee een bedrijf reageert? Voorafgaand aan de analyses werd verwacht dat de detailhandel vaker de compensatiestrategie zou toepassen dan de zorgsector. Het blijkt dat dit niet het geval is. Uit de resultaten blijkt dat er enkel een verband is tussen de type branches en het wel of niet toepassen van de informatiestrategie en de
ontkenningstrategie. Zo blijkt dat de vliegtuigmaatschappijen in 67% van hun Twitterberichten de informatiestrategie toepassen. Dit is relatief gezien vaker dan de bankensector (66%), de detailhandel (44%) en de zorgsector (34%). Daarnaast blijkt dat de bankensector in 6% en de vliegtuigmaatschappijen in 4% de ontkenningstrategie toepassen. Dit is relatief gezien vaker dan de detailhandel in 2% en zorgsector in 0%. Deze uitkomsten maakt het inzichtelijk voor bedrijven in de verschillende branches welke webcarestrategieën
ze het meest gebruiken. Het zou interessant zijn om in vervolgonderzoek deze kennis verder te ontwikkelen door ook te kijken naar de reputatie van de branches in combinatie met de webcarestrategieën die de branches het meest toepassen. Als deze informatie aan het licht komt, kunnen branches werken aan een effectief webcarebeleid wat specifiek past bij de branches waarin ze opereren. De resultaten over het type branche en de hoeveelheid strategieën ondersteunen eerder onderzoek, waaruit blijkt dat er gemiddeld meerdere strategieën werden gecombineerd in één bericht (Huibers & Verhoeven, 2014). De bankensector combineert gemiddeld de meeste strategieën gevolgd door de
vliegtuigmaatschappijen, de zorgsector en als laatste de detailhandel.
Als laatste is er gekeken naar de mate waarin het type branche samenhangt met de snelheid waarmee het bedrijf reageert op een Twitterbericht. Voorafgaand zijn er twee verwachtingen opgesteld. De eerste verwachting gaat over de grootte van het dagdeel waarin een branche het product aanbiedt. Hierbij werd verwacht dat vliegtuigmaatschappijen sneller zullen reageren dan bedrijven in de detailhandel. De tweede verwachting gaat over de accuraatheid van een probleem. Bij deze verwachting werd er verondersteld dat bedrijven in de zorgsector en vliegtuigmaatschappijen sneller zullen reageren op reacties van stakeholder dan bedrijven in de bankensector en in de detailhandel. Uit de resultaten kan geconcludeerd worden dat vliegtuigmaatschappijen over algemeen het snelste reageerde met gemiddeld 82 minuten, gevolgd door de detailhandel met gemiddeld 112 minuten, de zorgsector met gemiddeld 197 minuten en de bankensector met gemiddeld 199 minuten. De vooraf opgestelde
verwachtingen zijn deels uitgekomen. Zo reageerde de vliegtuigmaatschappijen inderdaad sneller dan de andere branches, maar de verwachting dat de zorgsector sneller zou reageren dan de detailhandel en de bankensector klopte niet. Huidig onderzoek ondersteund het rapport van Social Brakers (2016), waaruit blijkt dat private bedrijven over het algemeen sneller reageren op Twitter dan bedrijven in de zorgsector. Een verklaring hiervoor zou kunnen zijn dat private bedrijven vaak een groter budget ter beschikking hebben dan bedrijven in de publieke sector (Hull & Lio, 2006), waardoor private bedrijven over meer middelen beschikken waardoor ze sneller kunnen reageren. Een andere verklaring zou kunnen zijn dat de inkomsten in de zorgsector niet direct afhankelijk zijn van het publiek, waardoor het snel reageren op online berichten niet één van hun prioriteiten is. Bedrijven in de publieke sector zoals de zorgsector zijn niet winstgericht en hoeven daardoor minder te concurreren in tegenstelling tot branches in de private sector.
Beperkingen & suggesties voor vervolgonderzoek
Zoals in de inleiding vermeld, is er nog geen onderzoek gedaan waarin het webcare gebruik van verschillende branches is vergeleken. Er is geprobeerd om dit onderzoek te laten fungeren als basis voor onderzoek op dit terrein. Bij de bevindingen van dit onderzoek kunnen er een aantal kanttekeningen worden geplaatst die wellicht bepalend zijn voor de resultaten.
In het onderzoek zijn weinig significante verbanden gevonden. Een oorzaak hiervan kan de grootte van de sample zijn. In totaal zijn er 480 Twitterberichten meegenomen wat inhoudt 120 Twitterberichten per branche. Dit zijn mogelijk te weinig Twitterberichten per branche om een goede conclusie te kunnen trekken over het webcare gebruik van de desbetreffende branche. Daarnaast worden er enkel twee bedrijven per branche opgenomen in dit onderzoek. De vraag is of dit voldoende is om de gevonden resultaten in dit onderzoek te kunnen
generaliseren. Enerzijds kan er worden geconcludeerd dat dit sample representatief is om uitspraken te doen over alle vier de branches in Nederland, omdat voor alle vier de branches de twee grootste of populairste bedrijven zijn opgenomen. Anderzijds kan er worden gezegd dat er niet gegeneraliseerd mag worden, omdat elke branche maar door twee bedrijven gerepresenteerd wordt. Een grotere sample en meerdere bedrijven die een branche
vertegenwoordigen wijzen ogenschijnlijk uit op resultaten die beter te generaliseren zijn dan de resultaten van huidig onderzoek.
Een tweede kanttekening kan geplaatst worden bij de uitkomsten van
intercodeursbetrouwbaarheid van de afhankelijke variabele CHV. Deze variabele werd gemeten aan de hand van tien items, waarbij het item ‘expliciete fout’ een relatief lagere betrouwbaarheid had in vergelijking tot de andere negen items. Enerzijds heeft dit item mogelijk kunnen leiden tot vertekening van de resultaten. Anderzijds kan de invloed van deze individuele item niet heel groot geweest zijn, doordat in huidig onderzoek alle tien de items samengevoegd zijn tot een schaalvariabelen. In vervolg onderzoek zou deze variabele beter geoperationaliseerd moeten worden in het codeboek, zodat deze variabele een hogere intercodeursbetrouwbaarheid krijgt.
Daarnaast is er ook op het codeboek een aantal dingen aan te merken. Doordat de variabele reactiesnelheid werd gemeten aan de hand van vier losse vragen, konden deze niet bij elkaar worden opgeteld waardoor de reactiesnelheid in minuten met de hand moest worden
noodzaak om deze variabele anders te meten. Daarnaast is een groot deel van de variabelen emeten op dichotoom niveau, waardoor deze maar beperkt bruikbaar zijn in statische toetsen. Met dit onderzoek is getracht de wetenschappelijke literatuur over het gebruik van CHV, webcarestrategieën en de reactiesnelheid van bedrijven in verschillende branches aan te vullen en daarnaast een stap te zetten in het relatief onbekende onderzoeksveld van two-way
communication via sociale media. Door de geringe mogelijkheden, tijd en andere beperkingen is uitgebreider onderzoek over dit onderwerp vereist. Om in een vervolgonderzoek een nog duidelijker beeld te schetsen over het webcare gebruik van bedrijven in verschillende
branches zou het hele dialoog van de Twitterberichten meegenomen moeten worden. Zo kan er ook een uitspraak worden gedaan over de tevredenheid van de stakeholders over het bedrijf. Daarnaast is het interessant om andere sociale media zoals Facebook en Instagram te onderzoeken en te vergelijken met het gebruik op Twitter. Dit biedt bedrijven kennis over het toepassen van webcare op verschillende media.
Literatuurlijst
Andreassen, T. W., & Streukens, S. (2009). Service innovation and electronic word-of-mouth: Is it worth listening to? Managing Service Quality: An International Journal, 19(3), 249-265. doi: 10.1108/09604520910955294
Bradford, J. L., & Garrett, D. E. (1995). The effectiveness of corporate communicative responses to accusations of unethical behavior. Journal of Business Ethics, 14(11), 875-892. doi: 10.1007/BF00882067
Casidy, R., & Shin, H. (2015). The effects of harm directions and service recovery strategies on customer forgiveness and negative word-of-mouth intentions. Journal of Retailing and Consumer Services, 27, 103-112. doi:10.1016/j.jretconser.2015.07.012
Chevalier, J.A., & Mayzlin, D. (2006). The effect of word of mouth on sales: online book reviews. Journal of Marketing Research, 43(3), 345 – 354
Coombs, W.T. (1998). An analytic framework for crisis situations: better responses from a better understanding of the situation. Journal of Public Relations Research, 10(3), 177-191.
Coombs, W.T. (2006). The protective powers of crisis response strategies: Managing reputational assets during a crisis. Journal of Promotion Management, 12 (3/4), 241-261
Coombs, W.T. (2007). Protecting organization reputation during a crisis, the development and application of situational crisis communication theory. Corporate Reputation review, 10(3), 163-176
Coombs, W.T. & Holladay, S.J. (2009). Further explorations of post-crisis communication: Effects of media and response strategies on perceptions and intentions. Public Relations Review, 35, 1-6
Crawford, K. (2009). Following you: Disciplines of listening in social media. Continuum: Journal of Media & Cultural Studies, 23(4), 525-535
Dekay, S.H. (2012). How large companies react to negative Facebook comments. Corporate Communications: An international Journal, 17(3), 289-299
doi:10.1108/13563281211353539
Demmers, J., Van Dolen, W. M., & Weltevreden, J. W. J. (2013). Attentive customer care or privacy infringement? Dealing with customer feedback on social networking sites. Working paper, University of Amsterdam
Evers, D., Kooijman, D. C., & Van der Krabben, E. (2012). Toekomst van de Nederlandse detailhandelsstructuur: Een verkenning van drijvende krachten. Real Estate Research Quarterly, april, 2012.
Floreddu, P. B., Cabiddu, F., & Evaristo, R. (2014). Inside your social media ring: How to optimize online corporate reputation. Business Horizons, 57(6), 737–745.
http://doi.org/10.1016/j.bushor.2014.07.007
Gensler, S., Völckner, F., Liu-Thompkins, Y., & Wiertz, C. (2013). Managing brands in the social media environment. Journal of Interactive Marketing, 27(4), 242-256.
doi:10.1016/j.intmar.2013.09.004
González-Herrero, A. & Smith, S. (2008). Crisis communications management on the web: How internet-based technologies are changing the way public relations professionals handle business crises. Journal of Contingencies and Crisis management, 16(3), 143-153.
Grégoire, Y., Salle, A., & Tripp, T.M. (2014). Managing social media crises with your customers: The good, the bad, and the ugly. Business Horizons, 58(4), 843-861 Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word-of
mouth via consumer-opinion platforms: What motivates consumers to articulate themselves on the internet? Journal of interactive marketing, 18(1), 38-52.
voor Communicatiewetenschap, 42(2), 165.
Hull, C. E., & Lio, B. H. (2006). Innovation in non-profit and for-profit organizations: Visionary, strategic, and financial considerations. Journal of Change Management, 6(1), 53-65. doi: 10.1080/14697010500523418
Jin, Y., Liu, B. F., & Austin, L. L. (2011). Examining the role of social media in effective crisis management: The effects of crisis origin, information form, and source on publics’ crisis response. Communication Research, 4(1), 74-79. Doi:
10.1177/00936502114398
Kelleher, T., & Miller, B. M. (2006). Organizational blogs and the human voice: Relational strategies and relational outcomes. Journal of Computer‐Mediated
Communication, 11(2), 395-414.
Kerkhof, P. (2010). Merken en social media. In: S. van den Boom, E. Smit, & S. de Bakker (Eds.), Nachtmerrie of droom: de ROI van customer media, p. 149-154. Heemstede (NL): Customer Media Council
Kietzmann, J.H., Hermkens, K., McCarthy, I.P., & Silvestre, B.S. (2011). Sociale media? Get serious! Understanding the functional building blocks of social media. Business
Horizons, 54, 241-251
Knell, M., & Stix, H. (2015). Trust in Banks during Normal and Crisis Times—Evidence from Survey Data. Economica, 82(s1), 995-1020.
Krippendorff, K. (2004). Reliability in content analysis. Human Communication Research, 30 (3), 411-433
Kwon, E.S. & Sung, Y. (2011). Follow me! Global marketers’ Twitter use. Journal of Interactive Advertising, 12(1), 4-16.
Lee, B. K. (2004). Audience-oriented approach to crisis communication: A study of Hong Kong consumers’ evaluation of an organizational crisis. Communication
research, 31(5), 600-61
Lee, Y. L., & Song, S. (2010). An empirical investigation of electronic word-of-mouth: Informational motive and corporate response strategy. Computers in Human Behavior, 26(5), 1073-1080
Liu, B. F., Fraustino, J. D., & Jin, Y. (2014). How disaster information form, source, type, and prior disaster exposure affect public outcomes: Jumping on the social media
bandwagon? Journal of Applied Communication Research, 1-22. Doi: 10.1080/00909882.2014.982685
Nyilasy, G. (2006). Word of mouth: what we really know–and what we don’t. Connected marketing, 161-184.
Park, H., & Cameron, G.T. (2014). Keeping it real: Exploring the roles of conversational human voice and source credibility in crisis communication via blogs. Journalism & Mass Communicatie Quarterly, 91(3), 487-507. doi: 10.1177/1077699014538827 Qualtrics (2016). Opgehaald 28 april 2016, van http://www.qualtrics.com/about/
Schindler, R. M., & Bickart, B. (2005). Published word of mouth: Referable, consumer generated information on the Internet. Online consumer psychology: Understanding and influencing consumer behavior in the virtual world, 35-61. Schultz, F., Utz, S., & Göritz, A. (2011). Is the medium the massage? Perceptions of and
reactions to crisis communication via twitter, blogs and traditional media. Public relations review, 37(1), 20-27
Searls, D., & Weinberger, D. (2000). Markets are conversations. In R. Levine, C. Locke, D. Searls, & D. Weinberger (Eds.), The Cluetrain Manifesto: The end of business as usual (pp. 75– 114). New York: Perseus.
Social Bakers. (2015). March 2015 Social Marketing Report Netherlands. Geraadpleegd op http://www.socialbakers.com/resources/reports/regional/netherlands/2013/august/
Sparks, B.A., So, K.K.F., & Bradley, G.L. (2016). Responding to negative online reviews: The effects of hotel responses on customer inferences of trust and concern. Tourism Management, 53, 74-85. Doi: 10.1016/j.tourman.2015.09.011
Taylor, M., & Perry, D.C. (2005). Diffusion of traditional and new media tactics in crisis communication. Public Relations Review, 31(2), 209-217.
doi10.1016/j.pubrev.2005.02.018
Van Noort, G., & Willemsen, L.M. (2012). Online damage control: The effects of proactive versus reactive webcare interventions in consumer-generated and brand-generated platforms. Journal of Interactive Marketing, 26, 131-140,
Van Noort, G., Willemsen, L.M., Kerkhof, P., & Verhoeven, J.W. (2014). Webcare as an integrative tool for customer care, reputation management, and online marketing: a literature review. In P.J. kitchen & E. Uzunoglu (Red.), Integrated communications in the postomodern era (pp. 77-99). Palgrave Macmillan UK.
Verhoef, P. C., & Bügel, M. (2010). Klantprestaties van Nederlandse banken. Economische Statistische Berichten, 95, 262-265.
Yang, S., Kang, M., & Johnson, P. (2019). Effects of narratives, openness to dialogic communication, and credibility on engagement in crisis communication through organizational blogs. Communication research, 37, 473-497.
doi:10.1177/0093660210362682
Bijlage A – Instructie codeurs
Woord vooraf
Dit codeboek is een handleiding hoe de algemene informatie en de inhoudelijke informatie gecodeerd zullen moeten worden. Om ervoor te zorgen dat het codeerproces zo gestructureerd mogelijk verloopt dient elke codeur voorafgaand aan het coderen de onderstaande instructies zorgvuldige te lezen.
Inleiding
De eenheid van analyse die in dit onderzoek wordt onderzocht is de reactie van een bedrijf op een klacht van de consument op Twitter. Deze reacties zullen worden gecodeerd door drie onderzoekers (Stefanie van der Valk, Britt Faber en Esther Hakvoort). In totaal zullen er 12 bedrijven in het sample worden opgenomen die zich in zes verschillende sectoren bevinden. Deze sectoren zijn: de bankensector, de detailhandel, overheidsinstellingen, verplegingssector en vliegtuigmaatschappijen. Om een gelijke verdeling te krijgen zal er van ieder bedrijf 50 samples worden gecodeerd.
Aanpak
Tijdens het coderen wordt er alleen gekeken naar de eerste reactie van het betrokken bedrijf, als deze uit meerdere delen bestaat, worden deze delen ook meegenomen. Verder wordt er alleen gekeken naar de zichtbare tekst en niet naar de afbeeldingen, links of video’s. Om de betrouwbaarheid en kwaliteit van dit onderzoek te waarborgen codeert elke codeur maximaal drie uur per dag, met om het uur een pauze van een half uur. Daarnaast dient er gecodeerd te worden tussen 09:00h en 13:30h in een afgesloten ruimte waar geen andere personen aanwezig zijn.
Bijlage B - Codeboek
A. Algemene informatie
AA: Noteer het itemnummer. ……….
A1: Codeur ID 1. Stefanie 2. Esther 3. Britt
A2: Datum van het bericht* ……….
*Dit is de datum waarop het bericht is verschenen. Wanneer er een conversatie is en er meerdere berichten zijn, noteer dan de datum van het eerst verschenen bericht.
A3: Naam van het Twitter account van de organisatie* 1. @ INGnl 2.@ Rabobank 3. @KLM 4. @Transavia 5. @H&M Netherlands 6. @Coolblue NL 7. @OLVG 8. @VumcAmsterdam 9. @NS online 10. @Pro Rail 11. @Amsterdam NL 12. @Belastingdienst
Bijvoorbeeld: ‘Piet’ stuurt een tweet naar KLM, dit doet hij door het op hun wall te plaatsen, door @KLM te vermelden in zijn twitter bericht. De naam van de organisatie is dan KLM. Er wordt uitsluitend gekeken naar @[organisatie], wanneer er #[organisatie] staat vermeld, vul dan 99 in en stop met coderen.
A4: Branche 1. Bankensector *1ING, 2RABO. 2. Vliegtuigmaatschappij *1KLM, 2Transavia. 3. Detailhandel *1H&M, 2Coolblue. 4. Zorgsector
*1OLVG, 2VU Medisch centrum 5. Spoorwegbedrijf
*1NS, 2ProRail. 6. Overheidsinstelling
*1Gemeente Amsterdam, 2Belastingdienst.
B: Inhoudelijke informatie Variabele 1
Codeer de reactiesnelheid van de betrokken organisatie. B1: Reactiesnelheid*
* Toelichting:
De term reactiesnelheid houdt in, binnen hoeveel minuten de eerste reactie aangeven in minuten.
Om het tijd te bekijken waarop de stakeholder of organisatie het bericht heeft geplaatst, klik dan eerst op het bericht van de stakeholder die gericht is naar de organisatie. Nadat je dit hebt gedaan kun je het tijdstip bekijken. Klik vervolgens op de eerste reactie van de organisatie naar de stakeholder toe, dan kun je hier ook het tijdsmoment zien waarop dit geplaatst is.
Schrijf van beide de verschillende tijdstippen en de (verschillende) data op, achteraf wordt er in SPSS een extra variabele gemaakt waarbij de reactiesnelheid precies wordt berekend.
B 1.1 Wordt er gereageerd door de betrokken organisatie? 0. Nee*
1. Ja
*Toelichting: Indien nee en er dus niet wordt gereageerd door de betrokken organisatie, stop dan met coderen.
B1.2 Datum van de WOM Tweet* dd/mm/jjjj
*Toelichting: Dit is het datum waarop de stakeholder het (eerste) bericht heeft gericht aan de betrokken organisatie. Noteer is de dag, daarna de maand en tot slot het jaartal.
Bijvoorbeeld: 02/06/2014.
B1.3 Tijdstip van de WOM Tweet* hh:mm
*Toelichting: Dit is de tijdstip waarop de stakeholder het (eerste) bericht geeft gericht aan de betrokken organisatie. Noteer het uur en daarna de minuten. Bijvoorbeeld: 13:02
B1.4 Datum (eerste) reactie van de betrokken organisatie* dd/mm/jjjj
*Toelichting: Dit is het datum waarop de organisatie voor het eerst reageert om het bericht van de stakeholder. Noteer is de dag, daarna de maand en tot slot het jaartal. Bijvoorbeeld: 02/06/2014.
B1.5 Tijdstip (eerste) reactie van betrokken organisatie* hh/mm
*Toelichting: Dit is de tijdstip waarop de organisatie voor het eerst reageert op het bericht van de stakeholder. Noteer het uur en daarna de minuten. Bijvoorbeeld 13:02
Variabele 2
Codeer de soort webcarestrategie(ën) waarvan de organisatie gebruikt maakt. B2: Webcarestrategieën
Communicatiestrategieën zijn manieren waarop een bedrijf kan reageren op een crisis
(Huibers & Verhoeven, 2014). Huibers en Verhoeven (2014) hebben deze manieren ingedeeld aan de hand van de volgende zeven strategieën: informatiestrategie,
verontschuldigingstrategie, sympathiestrategie, ontkenningsstrategie,
rechtvaardigingstrategie, compensatiestrategie en corrigerende actiestrategie. De combinatie van onderstaande strategieën is mogelijk.
B2.1 Informatie
Verschaft het bedrijf informatie in zijn reactie aan degene die een klacht heeft?
Het geven van objectieve informatie door de betrokken organisatie aan de stakeholder die een tweet richting de organisatie heeft geplaatst. De betrokken organisatie kan bijvoorbeeld informatie geven over de oorzaak van het probleem, hoe de klacht genoteerd staat in het systeem, etc.
0. Nee 1. Ja
B2.2 Verontschuldiging
Verontschuldigt het bedrijf zich in de reactie?
De betrokken organisatie neemt de verantwoordelijkheid op zich voor hetgeen waarover geklaagd wordt, er kan eventueel om vergeving worden gevraagd. Wanneer er een
verantwoordelijkheid wordt genomen en/of er om vergeving wordt gevraagd, noteer dan 1 (Ja). Wanneer geen van beide voorkomen in het bericht, noteer dan 0 (nee). De organisatie gebruikt bijvoorbeeld woorden als; sorry, het spijt ons, vergeef ons.
0. Nee 1. Ja
B2.3 Sympathie
Toont het bedrijf sympathie in de reactie?
De betrokken organisatie toont sympathie naar de stakeholder die een Twitter bericht richting de organisatie gericht heeft, door leed of vreugde van de stakeholder mee te voelen zonder te veel inhoudelijk op het bericht in te gaan. Bijvoorbeeld door medeleven voor de stakeholder
