GRADUATE SCHOOL OF COMMUNICATION
Klagende klant, lastige klant?
De invloed van reactiviteit, crisisresponsstrategie en conversational human
voice op herstel van klanttevredenheid na negatieve word-of-mouth
Bachelorthesis, track Corporate Communication Begeleider: Mw. MSc Anne Kroon
Karolina Kwiatkowska Studentnummer: 10563989 Amsterdam, 6 juni 2016
"Coping with the digital evolution and
the social web is rated one of the most
important issues for communication
management over the coming years."
Inhoudsopgave Abstract 4 Inleiding 5 Theoretisch Kader 7 Klanttevredenheid 8 Reactiviteit 9 Crisisreponsstrategie 10
Conversational human voice 12
Methode 13 Sample 14 Operationalisering 14 Meetinstrument 16 Procedure 17 Analyse 17 Resultaten 18 Toetsing hypotheses 19 Discussie 21 Implicaties 22
Limitaties en suggesties voor vervolgonderzoek 23
Literatuurlijst 26
Bijlagen 31
Abstract
Binnen deze bachelor thesis staat het herstellen van klanttevredenheid na een negatieve uiting van een stakeholder over een organisatie online centraal. Er is specifiek gekeken naar wat de effecten van reactiviteit, crisisreponsstrategie en conversational human voice zijn op klanttevredenheid. Het onderzoek is uitgevoerd aan de hand van een inhoudsanalyse (N=300) onder vier grote Nederlandse organisaties (KPN, NS, Albert Heijn en KLM). Om de effecten in kaart te brengen, zijn meerdere logistische regressies uitgevoerd.
Uit de resultaten is gebleken dat het hanteren van een defensieve houding door de organisatie na negatieve word-of-mouth, de klanttevredenheid significant verlaagt. Voor de variabelen reactiviteit en conversational human voice is geen significant effect gevonden. Binnen het overgrote deel (86,3%) van de onderzochte berichten, bleken de organisaties een conversational human voice te hanteren.
Het onderzoek biedt tevens een aantal interessante implicaties voor organisaties. Organisaties doen er goed aan om in het dialoog na negatieve word-of-mouth klachten niet te ontkennen of te rechtvaardigen. Daarnaast is het, eerdere onderzoeken in acht nemend, goed om in het dialoog met stakeholders online te allen tijde conversational human voice te gebruiken.
Inleiding
Frustratie over de NS kwijtraken via Twitter, via de Facebook van Vodafone kenbaar maken dat het internet het al twee dagen niet doet of op Google Plus een slechte recensie achterlaten bij de gemeente Amsterdam omdat een medewerker vanochtend erg onbeleefd was.
Anno 2016 is communicatie via het internet niet meer weg te denken uit het dagelijkse leven (Distaso, Vafeiadis & Amaral, 2015; Graham, 2015; Grégoire, Salle & Tripp, 2015). De communicatielijnen tussen organisaties en consumenten zijn door de komst van het internet sterk verkort waardoor er voor organisaties grote kansen zijn bijgekomen (Kerkhof, 2010; Gensler, Völckner, Liu-Thompkins & Wiertz, 2013). Zo kunnen organisaties hun stakeholders makkelijker benaderen, kunnen zij de concurrentie beter peilen en biedt het internet mogelijkheid tot bredere productontwikkeling (Ghosh, 1997).
Naast deze grote kansen, is voor organisaties echter ook de grote uitdaging ontstaan om online berichten van stakeholders, in de literatuur ook wel beschreven als electronic word-of-mouth (eWOM) in goede banen te leiden (Hennig-Thurau, Gwinner, Walsh en Gremler, 2004). Het risico van eWOM is dat het een negatieve insteek kan hebben en kan escaleren, wat de organisatie zou kunnen ontwrichten (Dekay, 2012; Huibers, 2014; Distaso et al.,2015; Graham, 2015; Grégoire et al., 2015). Dit soort eWOM met een negatieve insteek wordt in de literatuur ook wel negative electronic word-of-mouth (NeWOM) genoemd en wordt door Hennig-Thurau et al. (2004) specifiek omschreven als: ‘alle [...] negatieve uitlatingen gemaakt door potentiële, huidige of eerdere klanten over een product, organisatie of dienst, beschikbaar gemaakt voor een veelvoud aan mensen en instituties via internet.’ Deze NeWOM wordt met meer aandacht door de consument gelezen en als meer oprecht beschouwd dan positieve word-of-mouth (Van Noort & Willemsen, 2011). Het is daarom in het belang van de organisatie om NeWOM in goede banen te leiden en escalatie te voorkomen. Om deze reden maken veel organisaties gebruik van webcare (Kerkhof, 2010; Willemsen, Neijens, & Bronner, 2012).
Gezien het feit dat webcare breed definieerbaar is, wordt binnen dit onderzoek de definitie van Van Noort en Willemsen (2012) aangehouden. Deze keuze is bewust gemaakt omdat dit een vaak gebruikte definitie binnen wetenschappelijke artikelen over dit onderwerp is (Huibers & Verhoeven, 2014; Bekkers, Edwards, & de Kool, 2013; Grégoire et al., 2015). Van Noort en Willemsen (2012) definiëren webcare als volgt: 'Het monitoren en aangaan van online interacties met (klagende) consumenten om feedback (bijvoorbeeld vragen, opmerkingen en klachten) te signaleren en te behandelen.'
Gezien het feit dat webcare een steeds prominentere rol binnen de praktijk speelt, heeft het zich het laatste decennium ook ontwikkeld tot een relevant onderzoeksgebied (Angermeier, 2010; Baird, 2011; Hinmon, 2011). In de literatuur bestaat er een consensus dat organisaties te allen tijde reactie dienen te geven op NeWOM en dat berichten negeren niet ten gunste komt van de organisatie (Grégoire, 2015; Coombs, 2007; Hooijdonk & Liebrecht, 2015). Over de wijze waarop zij echter reactie dienen te geven op NeWOM, zijn verschillende bevindingen gedaan. Zo beschrijft Coombs (2007) in zijn Situational Crisis Communication Theory (Hierna: SCCT) verschillende strategieën aan de hand waarvan organisaties kunnen handelen tijdens een crisissituatie. Deze strategieën zouden het imago van de organisatie kunnen herstellen en de reputatieschade tot een minimum kunnen beperken (Coombs, 2007). Een andere strategie om het webcare beleid in te richten zou gebaseerd kunnen worden op het onderzoek van Hooijdonk en Liebrecht (2015) en van Van Noort en Willemsen (2012) waaruit blijkt dat de consument reactiviteit en een proactieve houding van organisaties op prijs stelt. Kelleher en Meller (2006) stellen daarentegen dat organisaties zich vooral antropomorf zouden moeten opstellen en op een menselijke manier zouden moeten communiceren om op deze wijze commitment, vertrouwen en tevredenheid te waarborgen.
Kortom, er is veel onderzoek gedaan naar welke vorm van webcare optimaal ten gunste komt van een organisatie. Veel van het tot nu toe gedane onderzoek focust zich rondom het vraagstuk wat het effect is van welk type webcare op bijvoorbeeld het imago of de reputatie van de organisatie (Coombs, 2007; Coombs & Holladay, 2008; Huibers & Verhoeven, 2014; Distaso et al., 2015). Dit zijn effecten die echter op lange termijn plaatsvinden. Een reputatie opbouwen is iets wat veel tijd kost en dit is niet iets wat op zeer korte termijn onderhevig is aan verandering (Cornelissen, 2008). Er is tot nu toe weinig onderzoek gedaan naar de effecten van een bepaald webcare beleid op korte termijn.
Binnen dit onderzoek wordt een de hand van een inhoudsanalyse van Facebookberichten onderzocht welke vorm van webcare het beste toegepast kan worden om een zo hoog mogelijke klanttevredenheid te bereiken. Hierbij worden elementen zoals crisisresponsstrategie (CRS), conversational human voice en reactiviteit meegenomen om te bepalen welk beleid het meest ten gunste komt van een hoge klanttevredenheid. De overkoepelende vraag die binnen dit onderzoek centraal staat luidt als volgt:
Wat is de invloed van crisisresponsstrategie, conversational human voice en reactiviteit op herstel van klanttevredenheid na NeWOM?
De relevantie van deze vraagstelling ligt voornamelijk in het feit dat het handvatten bied aan organisaties om het webcare beleid in te richten. Organisaties hebben er baat bij dat de tevredenheid onder klanten hoog is. Hoe hoger de klanttevredenheid des te waarschijnlijker dat een klant terugkomt bij de organisatie (Söderlund, 1998). Daarnaast kan een lage klanttevredenheid zorgen voor een negatieve spiraal. Indien er een lage klanttevredenheid is, ontstaan er meer klachten, wat leidt tot nog meer NeWOM (Söderlund, 1998). Het is daarom van belang dat organisaties kennis hebben over de factoren die klanttevredenheid verhogen en effectief op NeWOM kunnen inspelen.
Daarnaast biedt dit onderzoek een vernieuwende slag biedt in de literatuur. Zoals eerder beschreven, worden in de huidige literatuur vooral de lange termijneffecten zoals imago of reputatie van webcare in kaart gebracht (Coombs, 2007; Coombs & Holladay, 2008; Huibers & Verhoeven, 2014; Distaso et al., 2015). Binnen dit onderzoek wordt de korte termijnvariabele klanttevredenheid gemeten.
Bovendien is de methode binnen dit onderzoek een vernieuwing ten opzichte van de huidige literatuur. In de huidige literatuur met betrekking tot crisismanagement, worden de resultaten van het onderzoek vooral gebaseerd op surveys (Hansson, Wrangmo, & Solberg Søilen, 2013; Distaso et al. 2015; Graham et al., 2015) of literatuurstudies (Van Noort, Van Willemsen, Kerkhof & Verhoeven, 2014; Grégoire et al., 2015). Binnen dit onderzoek wordt de methode van inhoudsanalyse toegepast. Een inhoudsanalyse van bestaande berichten op media zou mogelijk als waardevoller beschouwd kunnen worden, omdat hierbij een daadwerkelijk objectieve, systematische analyse van sociale mediaberichten wordt uitgevoerd (’ T Hart, Boeije, & Hox, 2009).
Theoretisch Kader
Om de onderzoeksvraag te kunnen beantwoorden is het van belang om alle meegenomen concepten binnen dit onderzoek beter te begrijpen. Binnen deze paragraaf worden de variabelen klanttevredenheid, reactiviteit, crisisresponsstrategie en conversational human voice uitgebreid uiteen gezet en worden op basis van bestaande bevindingen hypotheses opgesteld.
Om te verklaren hoe de klanttevredenheid na NeWOM hersteld kan worden, wordt binnen dit onderzoek de basis gelegd bij de Situational Crisis Communication Theory (SCCT) van Coombs (2007). Binnen het SCCT-model wordt gesteld dat de communicatiestijl en de
woordkeuze invloed kunnen uitoefenen op de perceptie die het publiek heeft op een organisatiecrisis. Het SCCT-model stelt dat bij het bepalen van het type respons in het begin het crisistype en de mate van verantwoordelijkheid van de organisatie bepaald dienen te worden. Hierbij geldt dat hoe groter de verantwoordelijkheid van de organisatie in de crisis, des te toegeeflijker de organisatie zich op zou moeten stellen om de reputatieschade laag te houden, een positieve houding van stakeholders te waarborgen (Coombs, 2007) en mogelijk ook om een hoge klanttevredenheid te bereiken.
Klanttevredenheid
In de meest simpele definitie wordt klanttevredenheid omschreven als "een evaluatie van de consument van de aankoop en gebruikservaring met een product, service, merk of organisatie" (Johnson, 2015). Een organisatie zou de klanttevredenheid kunnen sturen door drie factoren in acht te nemen (Johnson, 2015) namelijk: de kwaliteit, waarde en verwachtingen.
Binnen de huidige literatuur rondom webcare wordt vooral in kaart gebracht welke vorm hiervan optimaal is om het imago of reputatie van organisaties te waarborgen (Coombs, 2007; Coombs & Holladay, 2008; Huibers & Verhoeven, 2014; Distaso et al., 2015). Voor organisaties is deze informatie relevant, omdat foutieve webcare desastreus kan zijn en zelfs kan leiden tot faillissement (Dekay, 2012; Huibers, 2014; Distaso et al, 2015; Grégoire et al., 2015; Graham, 2015).
Het is echter opmerkelijk dat bestaand onderzoek zich vooral focust rondom lange termijn variabelen. Een reputatie opbouwen of een imago creëren zijn kwesties die veel tijd vergen en welke op zeer korte termijn niet onderhevig zijn aan verandering (Cornelissen, 2008). Daarnaast blijkt uit het Reputation Quotiënt model van Fombrun en Van Riel (2004) dat emotionele aantrekkelijkheid en tevredenheid over de organisatie of product de sleutel zijn tot een goede reputatie. Deze factoren dienen eerst aangesproken te worden voorafgaand aan het creëren (of afbreken) van een reputatie. In het kader van eWOM, is het daarom wellicht ook interessant om een stap terug te nemen en de componenten in acht te nemen die voorafgaan aan het bouwen van een reputatie. Het zou namelijk frappant zijn indien een reputatie waar jaren aan gewerkt is, verwoest zou worden omdat één online interactie tussen stakeholder en organisatie niet naar wens is. Dit is wellicht geen realistische verhouding.
Een stakeholder binnen een interactie tevreden stellen is daarentegen wel realistisch. Een klant kan tevreden zijn met het antwoord op zijn of haar klacht. Daarnaast is klanttevredenheid wellicht beter stuurbaar dan een imago of een reputatie. Het bereiken van
klanttevredenheid stabiliseert de relatie tussen klant en organisatie en zorgt voor meer loyaliteit naar de organisatie toe (Faase, Helms & Spruit, 2011; Kaltcheva, Winsor & Parasuraman, 2013; Balaji, Jha & Royne, 2015). Bovendien kan herstel van klanttevredenheid na NeWOM zelfs leiden tot positieve word-of-mouth offline (Balaji et al., 2015), in de volksmond ook wel bekend als 'mond-tot-mond reclame'. Op lange termijn leiden deze componenten tot een goede reputatie en imago van een organisatie (Fombrun & Van Riel, 2004). In de komende paragrafen wordt een aantal variabelen besproken die mogelijk invloed uitoefenen op het herstel van klanttevredenheid na NeWOM.
Reactiviteit
Ongeveer de helft van de mensen die een bericht plaatst op de sociale media van een organisatie, verwacht hier een antwoord op van diezelfde organisatie (Willemsen et al., 2012). Binnen de literatuur is men het er echter over eens dat organisaties te allen tijde dienen te reageren op berichten van stakeholders op sociale media (Grégoire et al., 2015; Coombs, 2007; Hooijdonk & Liebrecht, 2015). Gebrek aan reactie vanuit een organisatie zou namelijk een beeld van desinteresse kunnen schetsen (Taylor & Perry, 2005) wat kan leiden tot een slechter imago (Bradford & Garrett, 1995). Organisaties die negatieve berichten verwijderen worden zelfs ervaren als minder eerlijk en minder betrouwbaar dan organisaties die wel een reactie geven op negatieve berichten (Shaw & Coker, 2012).
In een recenter onderzoek van Van Noort en Willemsen (2012) wordt er onderscheid gemaakt tussen reactieve en proactieve webcare. Reactieve webcare houdt in dat de organisatie enkel reageert op berichten waarbij de stakeholder expliciet vraagt om een antwoord en proactieve webcare houdt in dat de organisatie op alle berichten reageert, ongeacht of dit verzocht is of niet (Van Noort & Willemsen, 2012). Volgens de theorie van Taylor en Perry (2005) is het van belang dat organisaties te allen tijde een proactieve houding aan dienen te nemen om een slecht imago of reputatie te voorkomen, zelfs als er vanuit de stakeholder niet expliciet verzocht is om een antwoord. Uit een recenter onderzoek van Van Hooijdonk en Liebrecht (2015) is echter gebleken dat de stakeholder een proactieve houding op prijs stelt, maar dat een reactieve houding niet per sé zou leiden tot een slechter imago of reputatie van de organisatie.
Een grote kanttekening die echter bij de bovenstaande onderzoeken geplaatst kan worden, is dat deze zich niet specifiek focussen rondom NeWOM. Resultaten kunnen afwijken op het moment dat de focus wel hierop gelegd wordt. Er is gebleken dat drijfveren tot het plaatsen van NeWOM zeer uiteen kunnen lopen (Hennig-Thurau et al., 2004). Zo zou
een consument een bericht kunnen plaatsen om zijn of haar negatieve emoties te ventileren en stoom af te blazen (Hennig-Thurau et al., 2004; Willemsen et al., 2012; Ward & Ostrom, 2006; Wetzer, Zeelenberg & Pieters, 2007). Een ander waarschuwen voor een slechte ervaring met een bepaalde organisatie of product kan echter ook een drijfveer zijn (Hennig-Thurau et al., 2004). Het is mogelijk dat een reactie van een organisatie op NeWOM waar het motief 'het waarschuwen van anderen' achter schuilt, helemaal niet op prijs gesteld wordt door de klant. Het zou in zo een geval juist een nog lagere klanttevredenheid tot gevolg kunnen hebben.
Desalniettemin dient er rekening gehouden te worden met de bevindingen van Van Hooijdonk en Liebrecht (2015), waaruit blijkt dat de stakeholder een proactieve houding op prijs stelt. In het kader van herstel van klanttevredenheid na NeWOM, kan een proactieve houding in theorie een sterke factor zijn die een rol speelt bij dit herstel. Volgens Johnson (2015) is 'verwachting' één van de componenten waar een organisatie op in dient te spelen bij het verhogen van klanttevredenheid. Het zou goed mogelijk kunnen zijn dat een antwoord 'boven verwachtingen' vanuit een organisatie helpt de klanttevredenheid te verhogen. Op basis van deze bevindingen kan de volgende hypothese worden opgesteld:
H1 Proactief webcare beleid leidt tot hogere klanttevredenheid dan reactief webcare beleid
De variabele 'reactiviteit' draait echter enkel om het vraagstuk wanneer organisaties antwoord zouden moeten geven op NeWOM. Op welke manier zij NeWOM zouden moeten beantwoorden om klanttevredenheid te herstellen, wordt duidelijk in de volgende paragrafen waar de opvolgende variabelen binnen deze studie uiteen worden gezet.
Crisisresponsstrategie
Op basis van het SCCT-model hebben Huibers en Verhoeven (2014) een scala aan mogelijke responsstrategieën opgesteld welke variëren van defensief (belang van de organisatie voorop stellen) naar tegemoetkomend (de zorgen van de stakeholder voorop stellen). Hierbij worden de informatiestrategie, verontschuldigingstrategie, sympathiestrategie, ontkenningsstrategie, rechtvaardigingstrategie, compensatiestrategie, corrigerende actiestrategie genoemd.
Tabel 1: Crisisreponsstrategieën
Crisisresponsstrategie Definitie Auteurs
Informatie Het verschaffen van objectieve informatie aan degene die een klacht heeft, bijvoorbeeld waar meer informatie gevonden kan worden, wat de oorzaak is van het probleem etc.
Schultz, Utz en Göritz (2011)
Verontschuldiging Accepteren van
verantwoordelijkheid voor hetgeen over geklaagd wordt en vragen om vergeving.
Benoit (1997), Coombs (2007), Coombs & Holladay (2008)
Sympathie Het tonen van sympathie met degene die de klacht heeft geuit.
Schultz et al. (2011) Ontkenning Ontkennen dat er iets aan de hand
is of dat de oorzaak van de klacht bij de organisatie ligt.
Coombs (2007); Benoit (1997)
Rechtvaardiging De oorzaak van de klacht is niet zo erg als het lijkt.
Coombs (2007), Claeys, Cauberghe & Vyncke, (2010) Compensatie Het vergoeden, terugbetalen of
schadeloosstellen van degene die klaagt
Benoit (1997), Coombs (2007), Claeys et al. (2010), Corrigerende actie Het oplossen (repareren) of
voorkomen van hetgeen waarover geklaagd wordt door te zeggen welke stappen er worden genomen
Benoit (1997)
Deze strategieën worden gecategoriseerd in drie clusters, namelijk het individueel tegemoetkomende cluster (informatie, sympathie en compensatie), het structureel tegemoetkomende cluster (verontschuldiging en corrigerende actie) en het defensieve cluster (rechtvaardiging en ontkenning) (Huibers & Verhoeven, 2014).
Om een hoge reputatie te waarborgen, zouden organisaties één van de bovenstaande, of een combinatie van bovenstaande strategieën toe moeten passen (Huibers & Verhoeven, 2014). Hierbij wordt wel de kanttekening geplaatst dat niet elke strategie toepasbaar is in iedere situatie om de reputatie te beschermen (Schultz et al., 2011). In het kader van het huidige onderzoek naar klanttevredenheid, zou op basis van deze kanttekening ook gesteld kunnen worden dat niet elke strategie toepasbaar is in iedere situatie om klanttevredenheid te verhogen.
Huibers en Verhoeven (2014) stellen dat de responsstrategieën uit het individueel tegemoetkomende cluster het meest bevorderend zijn voor een goede reputatie en hier meer aan bijdragen dan een structureel tegemoetkomende houding. In de literatuur wordt als
verklaring hiervoor gegeven dat het tonen van persoonlijkheid, emotie en een individuele benadering binnen een dialoog op prijs gesteld word door de stakeholder (Levine, Locke, Weinberger & Searls, 2000; Taylor & Perry, 2005; González-Herrero & Smith, 2008).
Tabel 2: De drie strategieclusters volgens Huibers & Verhoeven (2014)
Cluster Prioriteit Crisisresponsstrategie
Individueel tegemoetkomend Zorgen van de stakeholder vooropstellend
Informatie, sympathie, compensatie
Structureel tegemoetkomend Zorgen van de stakeholder vooropstellend
Verontschuldiging, corrigerende actie
Defensief Belang van de organisatie
vooropstellend
Rechtvaardiging, ontkenning
In het kader van het huidige onderzoek kunnen de bovenstaande bevindingen worden meegenomen bij het opstellen van de eerste hypotheses. Het is echter wel het geval dat bestaande theorieën zich focussen omtrent lange termijn effecten. Zaak is om met behulp van de hypotheses in kaart te brengen of de korte termijnvariabele ‘klanttevredenheid’ ook strategieafhankelijk is. Daarnaast is het van belang om te bekijken of de gevonden positieve effecten van een tegemoetkomende houding (Coombs, 2007; Huibers & Verhoeven, 2014) ook gelden voor klanttevredenheid. Op basis van deze bevinding kunnen de volgende hypothese worden opgesteld:
H2 Een individueel tegemoetkomende houding leidt tot een hogere klanttevredenheid dan een structureel tegemoetkomende houding
H3 Gebruik van een defensieve houding leidt tot lagere klanttevredenheid dan geen gebruik van een defensieve houding
Conversational human voice
In de huidige literatuur wordt conversational human voice omschreven als een informele manier van communiceren welke zorgt voor meer commitment, vertrouwen en tevredenheid over de organisatie (Kelleher & Meller, 2006). Kenmerkend aan deze stijl van communiceren is het gebruik van humor, het toegeven van fouten en het geven van feedback (Kelleher & Miller, 2006; Kwon & Sung, 2011). Ondanks de bewezen positieve effecten van conversational human voice en een antropomorfe houding van organisaties (Kelleher &
Miller, 2006; Hooijdonk & Van Liebrecht, 2015), lijken organisaties in het beginsel toch vaak de neiging te hebben om te spreken met een meer zakelijkere, corporate voice (Sparks, Bradley & Callan, 1997; Levine et al., 2000). De onderzoeken waar deze bevinding uit voorkomt kunnen op het gebied van webcare echter beschouwd worden als gedateerd. Webcare is een vrij nieuw verschijnsel wat zich het laatste decennium enorm ontwikkeld heeft (Angermeier, 2010; Baird, 2011; Hinmon, 2011). Het zou daarom goed mogelijk kunnen zijn dat de bevindingen die 15 jaar geleden op het gebied van webcare gedaan zijn, inmiddels niet meer gelden en dat organisaties inmiddels wel routinematig met een conversational human voice spreken.
Volgens González-Herrero en Smith (2008) en Kuhn (2005) verwachten stakeholders ook van organisaties dat zij zich antropomorf opstellen en authentieke, transparante conversaties met een menselijke stem voeren. Deze bevindingen in acht genomen, lijkt het niet wenselijk om op klachten te reageren met een corporate voice (Sparks, Bradley & Callan, 1997). Op basis hiervan kan de volgende hypothese worden opgesteld:
H4 Gebruik van conversational human voice leidt tot hogere klanttevredenheid dan geen gebruik van conversational human voice
Methode
Om antwoord te kunnen geven op de hoofdvraag binnen deze studie, is een inhoudsanalyse uitgevoerd onder 400 berichten op Facebook. De keuze om de analyse op Facebook uit te voeren is bewust gemaakt, aangezien anno 2016 dit platform met 9,6 miljoen actieve gebruikers nog steeds het meest populaire sociale medium is (Marketingfacts, 2016). Daarnaast biedt Facebook de gebruikers uitgebreide mogelijkheid tot het plaatsen van content, waardoor zonder al te veel beperkingen interactie tussen organisaties en stakeholders kan ontstaan (Waters, Burnett, Lamm, & Lucas, 2009). Zo is het aantal tekens in een bericht op Facebook bijvoorbeeld ongelimiteerd, in tegenstelling tot Twitter waar een limiet van 140 tekens per bericht bestaat.
Ook is de onderzoeksmethode, inhoudsanalyse, bewust gekozen. Deze zou gezien de aard van de onderzoeksvraag mogelijk als waardevoller beschouwd kunnen worden, omdat hierbij een daadwerkelijk objectieve, systematische analyse van social mediaberichten wordt uitgevoerd (’T Hart, Boeije, & Hox, 2009). De berichten die geanalyseerd worden zijn
bestaande uitingen van stakeholders en organisaties, wat goede kansen biedt op een sterke validiteit, betrouwbaarheid en generaliseerbaarheid van het onderzoek (Small, 2011).
Sample
Er is voor gekozen om vier grote Nederlandse organisaties uit verschillende branches te onderzoeken, namelijk: KPN (telecom), Albert Heijn (voeding), KLM (reizen) en NS (publieke sector). Deze organisaties voeren een actief webcare beleid op sociale media (Linssen, 2016; De Beste Social Awards, 2015) en lopen qua branche uiteen. Het sample bestaat uit alle eerste berichten van stakeholders op de Facebookpagina's van deze organisaties vanaf 22 februari tot 1 mei 2016. De keuze om te coderen vanaf 22 februari 2016 is bewust gemaakt aangezien Facebook op die datum een nieuwe feature geïntroduceerd heeft, waarin men een verschillende soort like kan geven op een bericht (o.a. boos, verdrietig, verbaast). Dit vormt een vernieuwende slag binnen dit onderzoek en biedt daarnaast ook meer mogelijkheden voor het meten van de variabele klanttevredenheid.
Van de berichten vanaf 22 februari 2016 is een gestratificeerde steekproef getrokken. Een gestratificeerde steekproef wordt omschreven als een steekproef waarbij de oorspronkelijke populatie wordt opgedeeld in verschillende deelpopulaties (’t Hart, Boeije & Hox, 2009). Binnen dit onderzoek vormen de vier organisaties allen een deelpopulatie. Vervolgens is per organisatie een quotasteekproef getrokken tot het gewenste aantal NeWOM (N=75 per organisatie en N=300 in totaal) is bereikt.
De data is verzameld door twee codeurs en er is gewerkt met een samengesteld codeboek. Dit houdt in dat niet alle variabelen en eenheden bruikbaar zijn geweest voor het huidige onderzoek. Het oorspronkelijke sample van beide codeurs zou N=400 bedragen en iedere codeur zou 200 berichten coderen. Een groot gedeelte van deze berichten bevatte echter positieve eWOM, welke niet bruikbaar is voor het huidige onderzoek. Om deze reden is er na deze gezamenlijke codering individueel doorgecodeerd om N=300 aan NeWOM te bereiken, met per organisatie het evenredige aantal van 75 eenheden.
Operationalisatie
Alvorens het meten van deze variabelen, dient telkens vastgesteld te worden welke toon het desbetreffende bericht heeft en of deze NeWOM bevat. De operationalisering van de variabele 'toon bericht' is gebaseerd op het onderzoek van Van Zoonen, Verhoeven en Vliegenthart (2015) waarin sentiment meetbaar gemaakt wordt. De toon van het bericht wordt vastgesteld door naar bijvoeglijke naamwoorden in het bericht te kijken en vast te stellen of
deze positief, negatief of neutraal zijn. De berichten met positieve toon zijn niet meegenomen binnen dit onderzoek maar waren relevant voor het onderzoek van de tweede codeur. Bij een neutrale toon van het bericht, werd er niet verder gecodeerd.
De operationalisering van variabele crisisresponsstrategie is gebaseerd op die van Huibers en Verhoeven (2014) en is onderverdeeld in zeven categorieën; één categorie per strategie. Per bericht is op dichotome schaal aangegeven of de strategie niet (=0) of wel (=1) door de organisatie wordt gebruikt. De aanwezigheid van meerdere strategieën in één bericht was hierbij mogelijk.
De variabele reactiviteit is onderverdeeld in twee categorieën en wederom dichotoom. De twee antwoordcategorieën zijn proactief (=1) en reactief (=0). Hierbij wordt een reactie als proactief gecodeerd indien de stakeholder niet letterlijk verzocht heeft om een reactie van de organisatie, maar de organisatie toch een antwoord geeft in vorm van tekst.
Om te meten of de organisatie conversational human voice gebruikt, is een zestal punten in het codeboek opgenomen. Deze punten zijn gebaseerd op het onderzoek van Van Hooijdonk en Liebrecht (2015). Het eerste punt omvat 'personalisatie'. Met deze techniek spreekt de organisatie de stakeholder persoonlijk aan, of geeft het de stakeholder mogelijkheid om de mensen achter de webcare-berichten persoonlijk aan te spreken. Het tweede punt omvat het informeel taalgebruik. Met deze techniek bootst de organisatie een natuurlijke en expressieve stijl van communiceren na die gangbaar in alledaagse conversaties. Het derde punt omvat het gebruik van humor, het vierde punt het verontschuldigen en/of toegeven van fouten, Het vijfde punt omvat het tonen van empathie of sympathie met de positie van de stakeholder en het laatste punt omvat uitnodigende retoriek of het verwelkomen van dialoog. De antwoordcategorieën bestaan uit 'aanwezig' (=1) en 'niet aanwezig' (=0). Zodra één (of meer) punten als 'aanwezig' wordt gecodeerd binnen een bericht, spreekt de organisatie binnen dat bericht met een conversational human voice.
De laatste variabele, klanttevredenheid, is gemeten onder het meest recente bericht of like die geplaatst is door de stakeholder in het dialoog met de organisatie. Hierbij is rekening gehouden met het soort like die de stakeholder geeft. Indien dit een boze of verdrietige like is, indiceert dit dat de klant ontevreden is. Klanttevredenheid is gemeten op nominale schaal waarbij antwoordmogelijkheden variëren tussen ontevreden (=0), tevreden (=1) en niet vast te stellen (=3).
Meetinstrument
Om de eenheden te kunnen analyseren is er een meetinstrument opgesteld in de vorm van een codeboek (zie bijlage I). In dit codeboek is een codeurshandleiding opgenomen, waarin duidelijk gemaakt is op welke wijze de codeurs de berichten dienen te interpreteren. Het codeboek is ontwikkeld op basis van een aantal reeds bestaande codeboeken (Huijbers & Verhoeven, 2014; Van Hooijdonk & Liebrecht, 2015; Van Zoonen et al., 2015). Aan de hand van het codeboek worden de variabelen 'responsstrategie', 'conversational human voice', 'reactiviteit' en 'klanttevredenheid' gemeten.
Voorafgaand aan het codeerproces, zijn de codeurs getraind en is het codeboek ge-pretest. Dit is gedaan om in kaart te brengen of de gebruikte definities adequaat zijn en of de codeurs overeenkomende interpretaties hebben van de beschrijvingen. Het codeboek is meerdere malen doorgenomen en in- overleg gewijzigd, alvorens de definitieve versie is vastgelegd. Aan de hand van het codeboek hebben de codeurs 40 overeenkomende berichten gecodeerd om de intercodeurbetrouwbaarheid (Krippendorff, 2004) vast te stellen. De resultaten hiervan zijn te vinden in de onderstaande tabel. Er is gebleken dat de Krippendorff’s Alpha redelijk- tot zeer betrouwbaar is.
Tabel 3: Intercodeurbetrouwbaarheid per item (Krippendorff’s Alpha)
Variabele Krippendorff’s Alpha (α)
Soort bericht .83
Reactiviteit .85
Conversational human voice .8
Strategie informatie .83
Strategie verontschuldiging .81
Strategie sympathie .75
Strategie ontkenning 1
Strategie rechtvaardiging .73 Strategie corrigerende actie .66
Strategie compensatie .83
Procedure
Ondanks het feit dat er met twee codeurs gewerkt is, verliep het codeerproces individueel. Het codeboek werd opgenomen in het programma Qualtrics wat het codeerproces efficiënter maakte. Het aantal gecodeerde berichten per organisatie kon hierdoor goed gemonitord worden en na afloop van het codeerproces konden resultaten eenvoudig worden geëxporteerd naar een SPSS-bestand voor nadere analyse.
De Facebookpagina's van KPN, Albert Heijn, KLM en NS zijn openbaar, wat vrije toegang tot de berichten mogelijk maakte vanaf de privé Facebookaccounts van de codeurs. Om te voorkomen dat berichten dubbel gecodeerd zouden worden, is afgesproken dat de ene codeur de berichten van KPN en NS codeert en de andere codeur de berichten van KLM en Albert Heijn. Daarnaast is met oog op de intensiviteit van het codeerwerk, afgesproken dat de codeurs steeds na 45 minuten coderen minstens 10 minuten pauzeren. Dit zou de kans op slordigheidsfouten minimaliseren.
Analyse
Alvorens het toetsen van de hypotheses is de dataset opgeschoond, zijn variabelen gehercodeerd en zijn de crisisresponsstrategieën gereduceerd tot de drie clusters volgens Huibers en Verhoeven (2014). Ook is de variabele 'klanttevredenheid' gehercodeerd. Tijdens de analyse bleek dat bij een groot aantal eenheden niet vastgesteld kon worden of de stakeholder tevreden is of niet. Om toch alle eenheden (N=300) mee te nemen in de analyse, zijn twee nieuwe variabelen geconstrueerd. De eerste variabele meet de klanttevredenheid en bestaat uit de categorieën 'tevreden' (=1) en 'niet tevreden' (=0). De tweede variabele meet de klantontevredenheid en bestaat uit de categorieën 'ontevreden' (=0) en 'niet ontevreden' (=1). Op deze manier wordt N=300 behouden en worden er geen eenheden weggegooid.
Uiteindelijk zijn er zeven variabelen gecreëerd waarmee de analyses uitgevoerd zijn. De eerste drie onafhankelijke variabelen afgeleid van de crisisreponsstrategieën, namelijk: het individueel tegemoetkomende cluster (informatie, sympathie en compensatie), het structureel tegemoetkomende cluster (verontschuldiging en corrigerende actie) en het defensieve cluster (rechtvaardiging en ontkenning). Daarnaast zijn de onafhankelijke variabelen conversational human voice en reactiviteit meegenomen in de analyse. Er is in kaart gebracht in hoeverre deze onafhankelijke variabelen effect hebben op de afhankelijke variabelen klanttevredenheid en klantontevredenheid.
De verwachtingen zijn dat proactief webcare beleid leidt tot hogere klanttevredenheid dan reactief webcare beleid, dat een individueel tegemoetkomende tot een hogere
klanttevredenheid leidt dan een structureel tegemoetkomende houding, dat gebruik van een defensieve houding leidt tot lagere klanttevredenheid dan geen gebruik van een defensieve houding en dat gebruik van conversational human voice leidt tot hogere klanttevredenheid dan geen gebruik van conversational human voice.
Om deze verwachtingen te toetsen worden twee logistische regressie uitgevoerd. De eerste logistische regressie brengt de effecten op klanttevredenheid in kaart en de tweede logistische regressie de effecten op klantontevredenheid. Alle variabelen binnen dit onderzoek, zowel de onafhankelijke als de afhankelijke, zijn dichotoom gemeten. Ook is de verwachte relatie asymmetrisch: er wordt specifiek gekeken naar het effect op klanttevredenheid en klantontevredenheid.
Resultaten
Binnen deze paragraaf wordt er een beschrijvende statistiek toegepast op het sample en worden de resultaten van de statistische analyses uiteen gezet. Vervolgens zal op basis van de uitkomsten van deze statistische analyses besproken worden of de hypotheses aangenomen- of verworpen worden.
Er is gebleken dat van N=300 in 34,3% van de gevallen (103 keer) de stakeholder tevreden was over het verschafte antwoord van de organisatie op de NeWOM. In 65,7% van de gevallen (197 keer) was de stakeholder niet tevreden.
In 13,7% van de gevallen (41 keer) was de stakeholder ontevreden over het antwoord en in 86,3% van de gevallen (259 keer) was de stakeholder niet ontevreden.
Daarnaast is uit de dataset naar voren gekomen dat in 81,7% van de gevallen (245 keer) een individueel tegemoetkomende houding door de organisatie werd aangenomen en in 18,3% van de gevallen (55 keer) niet. In 52,7% van de gevallen (158 keer) werd er een structureel tegemoetkomende houding aangenomen en in 47,3% van de gevallen (142 keer) niet. De defensieve houding werd in 15,3% van de gevallen (46 keer) aangenomen en in 84,7% van de gevallen (254 keer) niet. De clusters sluiten elkaar echter niet uit, aangezien een eenheid meerdere strategieën kan bevatten en daardoor in meerdere clusters gecategoriseerd kan worden.
In 77,3% van de gevallen (232 keer) nam de organisatie een reactieve houding aan in het de manier van antwoord geven op NeWOM en in 22,7% van de gevallen (68 keer) een proactieve houding. In 86,3% van de gevallen (259 keer) maakten de organisaties gebruik van
conversational human voice in het dialoog met de stakeholder. In 13,7% van de gevallen (41 keer) was dit niet het geval.
Toetsing hypotheses
Daar alle variabelen binnen dit onderzoek dichotoom gemeten zijn, wordt er een logistische regressie uitgevoerd om de hypotheses te testen en de onderzoeksvraag te kunnen beantwoorden (Lammers, Pelzer, Hendrickx, & Eisinga, 2007). Voordat de uitkomsten van deze logistische regressie echter geanalyseerd mogen worden, dient er bekeken te worden of het geschatte model goed bij de verkregen data past. In theorie zou hiervoor de Hosmer en Lemeshow Goodness-of-fit Test gebruikt kunnen worden. De uitkomsten van deze toets zijn echter niet altijd even betrouwbaar. Bij kleinere samples kunnen de uitkomsten van de toets namelijk indiceren dat het model goed bij de data past, terwijl dit niet het geval is. Bij grotere samples kan het tegenovergestelde voorkomen (Hosmer & Lemeshow, 1989).
Om deze reden is binnen dit onderzoek de Chi-Square (χ²) toets uitgevoerd om vast te stellen of het geschatte model goed bij de verkregen data past. Deze toets vergelijkt de aannemelijkheidratio van het geschatte model (-2 Log Likelihood, hier gelijk aan 359,83) met de aannemelijkheidsratio van een model met een constante. Het verschil tussen deze twee aannemelijkheidsratio's in de huidige dataset is χ²(5, N=300)=26,1. Een χ² van 26,1 is significant bij 5 vrijheidsgraden, hetgeen betekent dat het huidige model met de variabelen reactiviteit, crisissreponsstrategie (individueel cluster, structureel cluster en defensief cluster) en conversational human voice beter bij de data past dan een model waarin deze variabelen niet worden meegenomen. Er kan gesteld worden dat het model een gepaste fit heeft.
Daarnaast is het zo dat binnen een logistische regressie er geen standaard proportie verklaarde variantie (R2) berekend wordt. Het is immers onlogisch om bij dichotome variabelen te spreken over mate van variantie. Om toch de relatie tussen onafhankelijke en afhankelijke variabele weer te geven, wordt bij de logistische regressie gebruik gemaakt van een pseudo-R maat, namelijk de R2 van Nagelkerke.
In de onderstaande tabel worden de resultaten gepresenteerd van de logistische regressie van reactiviteit, conversational human voice en CRS op klanttevredenheid.
Tabel 6: Geschatte parameters van het logistische regressie-model voor de logit op klanttevredenheid (N=300). B-coëfficiënt s.e. Constante -1,49 .56 Reactiviteit .61 .32 CRS Individueel tegemoetkomend -.24 .32 Structureel tegemoetkomend .5 .27 Defensief -1,49* .51 CHV .5 .42 Nagelkerke R2 .115 *Significant (p<.05)
Uit de toets blijkt dat het model 11,5% van de variantie in klanttevredenheid verklaart en dat een defensieve houding van een organisatie de kans op tevredenheid significant verlaagd.
Voor de logistische regressie voor de variabele klantontevredenheid is wederom een Chi-Square (χ²) toets uitgevoerd om vast te stellen of het verkregen model goed bij de data past. De aannemelijkheidratio van het geschatte model bedraagt hier -2 Log Likelihood=189,43). Het verschil tussen dit aannemelijkheidsratio en de aannemelijkheidsratio van de constante in de huidige dataset is χ²(5, N=300)=49,89. Een χ² van 49,89 is significant bij 5 vrijheidsgraden, hetgeen betekent dat het huidige model met de variabelen reactiviteit, crisisresponsstrategie (individueel cluster, structureel cluster en defensief cluster) en conversational human voice beter bij de data past dan een model waarin deze variabelen niet worden meegenomen. Er kan gesteld worden dat ook dit model een gepaste fit heeft.
Tabel 5: Geschatte parameters van het logistische regressie-model voor de logit op klantontevredenheid (N=300). B-coëfficiënt s.e. Constante 2,79 .87 Reactiviteit -.79 .59 CRS Individueel tegemoetkomend -.19 .51
Structureel tegemoetkomend .06 .42
Defensief -2,42* .42
CHV .64 .47
Nagelkerke R2 .279 *Significant (p<.05)
Uit de toets blijkt dat dit model 27,9% van de variantie in klantontevredenheid verklaart en dat een defensieve houding van een organisatie de kans op ontevredenheid significant verhoogt. De overige variabelen zijn binnen dit model met CRS niet relevant genoeg om een significant effect te bewerkstelligen.
Het verband tussen de onafhankelijke variabelen en de afhankelijke variabelen klanttevredenheid en klantontevredenheid zijn beide lineair. Ook blijkt uit de analyse van residuen dat deze homoscedastisch en normaal verdeeld zijn.
Hiermee is voldoende bewijs gevonden om H3 aan te nemen. Er kan dus gesteld worden dat het gebruik van een defensieve houding inderdaad leidt tot lagere klanttevredenheid dan geen gebruik van een defensieve houding. De overige hypotheses worden echter allen verworpen. Er is onvoldoende bewijs gevonden om deze aan te nemen omdat de overige variabelen niet relevant genoeg zijn om een significant effect te bewerkstelligen. Deze resultaten worden nader toegelicht in de discussiesectie van dit onderzoek.
Discussie
Deze studie focust zich rondom het vraagstuk welke invloed reactiviteit, crisisreponsstrategie en conversational human voice hebben op het herstel van klanttevredenheid na NeWOM. Uit de resultaten is gebleken dat gebruik van een defensieve houding bij beantwoording van NeWOM leidt tot lagere klanttevredenheid dan geen gebruik van een defensieve houding. Deze bevindingen sluiten aan op het onderzoek van Huibers en Verhoeven (2014) die stellen dat de responsstrategieën uit het individueel tegemoetkomende cluster het meest bevorderend zijn voor een goede reputatie en hier meer aan bijdragen dan een structureel tegemoetkomende houding.
Voor de bevinding van Huibers en Verhoeven (2014) dat responsstrategieën uit het individueel tegemoetkomende cluster gunstiger zouden werken dan responsstrategieën uit het
structureel tegemoetkomende cluster, is binnen dit onderzoek geen bevestiging gevonden. Klaarblijkelijk geldt deze bevinding enkel voor het verwerven van een betere reputatie van een organisatie maar niet zozeer voor een hogere klanttevredenheid.
In eerder onderzoek (Levine et al., 2000; Sparks et al.,1997) is aangetoond dat organisaties in het beginsel toch vaak de neiging te hebben te spreken met een meer zakelijkere, corporate voice. In de verzamelde data bleek het overgrote deel van de organisaties echter te spreken met een conversational human voice. Gezien het feit dat webcare 15 jaar geleden in haar kinderschoenen stond en zich de afgelopen jaren ontzettend ontwikkeld heeft (Angermeier, 2010; Baird, 2011; Hinmon, 2011), kan gesteld worden dat de bevindingen die in die tijd gedaan zijn over dit onderwerp, beschouwd kunnen worden als gedateerd.
Ondanks de eerder bewezen positieve effecten van conversational human voice en een antropomorfe houding van organisaties (Kelleher & Miller, 2006; Hooijdonk & Van Liebrecht, 2015), is binnen dit onderzoek geen bewijs gevonden dat gebruik van conversational human voice de klanttevredenheid verhoogt. Dit zou bijvoorbeeld te maken kunnen hebben met gewenning aan deze communicatiestijl. De klant kan inmiddels gewend geraakt zijn aan het feit dat organisaties routinematig spreken met een conversational human voice waardoor deze variabele- in een model met andere variabelen, geen significant effect meer heeft.
Het feit dat binnen dit onderzoek geen significante effecten zijn gevonden van reactiviteit op klanttevredenheid, bevestigen de bevindingen uit een recent onderzoek van Van Hooijdonk en Liebrecht (2015). De stakeholder kan een proactieve houding wellicht op prijs stellen, maar een reactieve houding leidt niet per sé tot schade van de organisatie. Er kan gesteld worden dat er meer nodig is dan een proactieve houding om de klanttevredenheid te herstellen.
Concluderend kan worden gezegd worden dat crisisresponsstrategie invloed uitoefent op herstel van klanttevredenheid na NeWOM. De variabelen conversational human voice en reactiviteit hebben geen significant effect op dit herstel.
Implicaties
Huidig onderzoek bevat implicaties die zowel voor onderzoek op het gebied van webcare als voor organisaties van belang kunnen zijn. Het onderzoek heeft een vernieuwende slag geboden in de literatuur door de effecten op de korte termijn variabele 'klanttevredenheid' in kaart te brengen. Het belang van het onderzoeken van deze variabele is binnen dit onderzoek
uitgebreid onderbouwd en biedt een basis voor toekomstig onderzoek op dit gebied. Concluderend kan gesteld worden dat huidig onderzoek een eerste stap heeft gezet in de richting van klanttevredenheidonderzoek in het kader van webcare.
Tevens biedt dit onderzoek interessante implicaties voor organisaties. Omdat geldt: hoe hoger de klanttevredenheid des te waarschijnlijker dat een klant terugkomt bij de organisatie (Söderlund, 1998), is het aan te bevelen dat organisaties alle mogelijke middelen inzetten om klanttevredenheid te verhogen. Organisaties doen er goed aan om te allen tijde een defensieve houding in het dialoog met de klant na NeWOM te ontwijken. Dit is in lijn met de bevindingen van Huibers en Verhoeven (2014) die stellen dat een defensieve houding leidt tot slechtere reputatie en imago. De resultaten uit dit onderzoek laten zien dat het, naast de reputatie en het imago, ook de klanttevredenheid niet ten gunste komt. Sterker nog, de klanttevredenheid wordt door gebruik van een defensieve houding sterk verlaagd.
Daarnaast is het goed als organisaties te allen tijde met een conversational human voice spreken. Uit het sample binnen dit onderzoek is gebleken dat een overgroot gedeelte van de organisaties deze communicatiestijl reeds in het webcare beleid geïmplementeerd heeft. In een model met CRS heeft conversational human voice geen significant op klanttevredenheid. Eerder onderzoek in acht nemend (Kelleher & Miller, 2006; Hooijdonk & Van Liebrecht, 2015), zijn de positieve effecten van conversational human voice echter groot en zou het te maken kunnen hebben met een eventuele modererende variabele (bijvoorbeeld gewenning) dat het binnen dit onderzoek geen significant effect heeft op klanttevredenheid. Daarom doen organisaties er goed aan om een conversational human voice te blijven hanteren.
Limitaties en suggesties voor vervolgonderzoek
Er is bij deze studie een aantal kanttekeningen te plaatsen die impact hebben op zowel de resultaten als de generaliseerbaarheid ervan. Zo ontstond er een overlapping in de crisisreponsstrategieën omdat het meetinstrument zodanig was geconstrueerd dat het mogelijk was meerdere strategieën per bericht te coderen. Hierdoor vond er geen uitsluiting plaats tussen de drie clusters waardoor er een mate van collineariteit ontstaan is. Het gevaar hiervan is dat de weergegeven effecten op klanttevredenheid variabele arbitrair kunnen zijn. Er bestaat echter geen absolute regel om vast te stellen wanneer de collineariteit de resultaten ernstig bedreigt (Field, 2000). Om deze reden is het onnodig om de resultaten binnen dit onderzoek als ongeldig te verklaren. Desalniettemin kan er in toekomstig rekening gehouden
worden met het voorkomen van overlapping in crisisreponsstrategieën om zo het risico van bedreiging van de resultaten te minimaliseren.
Ook is het aan te bevelen om in vervolgonderzoek de drijfveren tot het plaatsen van NeWOM mee te nemen als variabelen. In de literatuur die zich focust rondom crisisresponsstrategieën wordt de kanttekening geplaatst dat niet iedere strategie toepasbaar is in iedere situatie om een positief effect op de organisatie te bewerkstelligen (Schulz et al., 2011; Huibers & Verhoeven, 2014). Omdat 'de situatie' klaarblijkelijk een relevante rol speelt in het effect dat een bepaalde crisisresponsstrategie kan hebben op klanttevredenheid, is het van belang om deze rol specifiek in kaart te brengen. Een consument kan een klacht plaatsen om stoom af te blazen (Hennig-Thurau et al., 2004; Willemsen et al., 2012; Ward & Ostrom, 2006; Wetzer, Zeelenberg & Pieters, 2007) of om een ander waarschuwen voor een slechte ervaring met een bepaalde organisatie of product (Hennig-Thurau et al., 2004). Er zou in kaart gebracht kunnen worden welke rol een bepaald drijfveer heeft op het effect van crisisreponsstrategie op klanttevredenheid.
Daarnaast bleek de klanttevredenheid bij een groot aantal berichten niet meetbaar. Bij een groot deel van de NeWOM op Facebook namen organisaties het initiatief om de klacht verder via een persoonlijk bericht af te handelen. Op deze wijze werd de verdere afhandeling van klachten uit publieke sferen gehaald, wat het moeilijk maakte om vast te stellen of de klant echt tevreden was. Het is lastig gebleken om met een inhoudsanalyse vast te stellen wat een klant werkelijk over de afhandeling van de klacht denkt. Volgens Johnson (2015) en Dimitriades (2006) is klanttevredenheid een complex begrip dat uit twee componenten bestaat. Het eerste component wordt de 'cumulatieve klanttevredenheid' genoemd en omvat een meer oppervlakkige benadering van het begrip. Het tweede component, de 'transactie specifieke' klanttevredenheid, neemt de onderliggende dimensies in acht om zo een concreet beeld te schetsen van de totstandkoming van klanttevredenheid. Deze bevinding in acht nemend, lijkt binnen dit onderzoek enkel de cumulatieve klanttevredenheid zijn gemeten. Om de transactie specifieke klanttevredenheid vast te stellen, lijkt een kwalitatieve onderzoeksmethode of een survey wellicht een betere methode. De stakeholder wordt dan immers persoonlijk benaderd en kan aangeven in hoeverre hij of zij tevreden is. Dit laat minder aan interpretaties van de onderzoeker over en is wellicht een meer valide manier om klanttevredenheid in al haar componenten te meten.
Tot slot is het verstandig in acht te nemen dat het theoretische kader binnen dit onderzoek verreweg het meest gebaseerd is op westerse literatuur. Het sample waar de resultaten op gebaseerd zijn, is onder Nederlandse organisaties getrokken. Er dient rekening
gehouden te worden met de kans dat de positieve effecten van conversational human voice kunnen afwijken binnen andere, niet-westerse culturen.
Dit onderzoek heeft een vernieuwende slag geboden in onderzoek naar klanttevredenheid binnen webcare. Het heeft handvatten geboden in de vorm van het theoretisch kader en methode. In eerder onderzoek is reeds aangetoond welke impact klanttevredenheid heeft op organisaties (Faase et al.,2011; Kaltcheva et al., 2013; Balaji et al., 2015). De impact hiervan mag niet gebagatelliseerd worden. Een suggestie voor vervolgonderzoek is daarom om dit onderwerp verder uit te bouwen en nog meer de diepte in te gaan. Het is in het vervolg, niet alleen in termen van klanttevredenheid maar bij webcare-onderzoek in het algemeen, van belang om niet enkel te kijken naar het respons van een organisatie op een bericht, maar de berichten ook te categoriseren aan de hand van drijfveren. Er kan dan onderzocht worden welk drijfveer op welke manier het beste aangesproken kan worden om een beoogd effect te krijgen, bijvoorbeeld klanttevredenheid te verhogen.
Het is belangrijk dat er onderzoek gedaan blijft worden en dat kennis over webcare uitgebreid wordt. Zoals Macnamara en Zerfass (2012) stellen, is het omgaan met de digitale revolutie en het sociale web een van de belangrijkste onderzoeksgebieden voor communicatiemanagement voor de komende jaren. Dit onderzoek heeft een steentje bijgedragen aan dit onderzoeksgebied voor communicatiemanagement en een basis geboden waarop voortgeborduurd kan worden.
Literatuurlijst
Angermeier, L. (2010). Protecting your Facebook page: how to handle negative comments. Retrieved on May 1th 2016 from: www.stepaheadinc.com/2010/01/protecting-your-facebook-page-how-to-handle-negative-comments/.
Baird, S.N. (2011). What do you do with negative comments?. Retrieved on May 1th 2016 from: www. dailycowbell.com/2011/01/06/what-do-you-do-with-negative-comments/ Balaji, M.S, Jha, S. & Royne, M.B. (2015). Customer e-complaining behaviours using social
media. The Service Industries Journal, 35(11-12), 633-654.
Bekkers, V., Edwards, A., & de Kool, D. (2013). Social media monitoring: Responsive governance in the shadow of surveillance?. Government Information Quarterly, 30(4), 335-342.
Benoit, W. L. (1997). Image repair discourse and crisis communication. Public Relations Review, 23(2), 177-186.
Claeys, A. S., Cauberghe, V., & Vyncke, P. (2010). Restoring reputations in times of crisis: An experimental study of the situation crisis communication theory and the moderating effects of locus of control. Public Relations Review, 36(3), 256-262. 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. (2008). Helping crisis managers protect reputational assets. Management Communication Quarterly, 16, 165-186.
Cornelissen, J. (2008). Corporate communication. A guide to theory and practice. London: SAGE Publications.
De Beste Social Awards (2016). De beste social awards 2015. Retrieved on June 1th from: https://debestesocialawards.nl/winnaars/2015
Dimitriades, Z. S. (2006). Customer satisfaction, loyalty and commitment in service organizations: Some evidence from Greece. Management Research News, 29(12), 782-800.
Distaso, M.W., Vafeiadis, M. & Amaral, C. (2015). Managing a health crisis on Facebook: How the response strategies of apology, sympathy, and information influence public relations. Public Relations Review, 41(2). 222-231.
CRM. International Journal of Electronic Customer Relationship Management, 5(1). Field, A.P. (2000). Discovering statistics using SPSS for Windows: advanced techniques for
beginners. California: Sage Publications.
Fombrun, C.J., Riel, C.B.M. van (2004), Reputatiemanagement: Hoe succesvolle ondernemingen bouwen aan sterke reputaties. Amsterdam: Pearson Education Benelux.
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
Ghosh, S. (1997). Making business sense of the Internet. Harvard Business Review, 76(2), 126-135.
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.
Graham, M. W., Avery, E. J., & Park, S. (2015). The role of Social Media in Local Government crisis communications. Public Relations Review, 41(3), 386-394.
Grégoire, Y., Salle, A., & Tripp, T. M. (2015). Managing social media crises with your customers: The good, the bad, and the ugly. Business Horizons, 58(2), 173-182. Hansson, L., Wrangmo, A., & Solberg Søilen, K. (2013). Optimal ways for companies to use
Facebook as a marketing channel. Journal of Information, Communication and Ethics in Society, 11(2), 112-126.
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.
Hinmon, D. (2011). Don’t let fears of negative comments paralyze your social media plans. Retrieved on May 1th 2016 from: www.hivestrategies.com/2011/02/don percentE2 percent80 percent99t-let-fears-of-negative-comments-block-your-social-media-plans/ Hooijdonk, C. van & Liebrecht, C. (2015). Kijk, de consument praat terug! Een onderzoek
naar de strategie en toonzetting in webcaredialogen tussen instituties en hun klanten op Twitter. Tekstblad, 21(5/6), 22-27.
Hosmer Jr., D.W., Lemeshow, S. & Sturdivant, R. X. (1989). Logistic Regression for
Matched Case-‐Control Studies. Applied Logistic Regression, Third Edition, 243-268. Huibers, J., & Verhoeven, J. (2014). Webcare als online reputatiemanagement. Tijdschrift
Jansen, B.J., Zhang, M., Sobel, K., & Chowdury, A. (2009). Twitter power: Tweets as electronic word of mouth. Journal of the American Society for Information Science and Technology, 60(1), 2169-2188.
Johnson, M. D. (2015). Customer Satisfaction. International Encyclopedia of the Social & Behavioral Sciences, 2, 630-632.
Kaltcheva, V. D., Winsor, R. D., & Parasuraman, A. (2013). Do customer relationships mitigate or amplify failure responses? Journal of Business Research, 66(4), 525–532. 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.
Krippendorff, K. (2004). Reliability in content analysis. Human Communication Research, 30(3), 411-433. doi: 10.1111/j.1468-2958.2004.tb00738.x
Lammers, J., Pelzer, B., Hendrickx, J., & Eisinga, R. (2007). Categorische Data Analyse met SPSS, Inleiding in loglineaire analysetechnieken. Assen: Van Gorcum.
Levine, R., Locke, C., Weinberger D., & Searls, D. (2000). The cluetrain manifesto: The end of business as usual. Cambridge: Perseus Publishing.
Linssen, E. (2016). Vijf lessen uit de contentstrategie van Albert Heijn. Retrieved on June 1th from: http://www.socialmediakompas.nl/5-lessen-uit-de-contentstrategie-van-alberthei jn/
Macnamara, J. & Zerfass, A. (2012). Social media communications in organisations: The challenges of balancing openness, strategy and management. International Journal of Strategic Communication, 6(4), 287-308.
Newton, C. (2016, January 23th). The Verge. Facebook rolls out expanded Like button reactions around the world. Retrieved on May 7th 2016 from:http://www.theverge.co m/2016/2/24/11094374/facebook-reactions-like-button.
Oosterveer, D. (2016). Marketingfacts. Whatsapp overstijgt Facebook. Retvrieved on may 3th 2016 from: http://www.marketingfacts.nl/berichten/social-media-in-nederland-2016-whatsapp-overstijgt-facebook.
’T Hart, H., Boeije, H., & Hox, J. (2009). Onderzoeksmethoden. Den Haag: Boom Lemma uitgevers.
Taylor, M., & Perry, D. C. (2005). Diffusion of traditional and new media tactics in crisis communication. Public Relations Review, 31(1), 209–217.
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(1), 131-140.
Van Noort, G., Van Willemsen, L.M., Kerkhof, P., & Verhoeven, J.W.M. (2014). Webcare as an integrative tool for customer care, reputation management, and online marketing: A literature review. In P. J. Kitchen and E. Uzunoglu (Eds.), Integrated Communications in the Post-Modern Era.
Van Zoonen, W.,Verhoeven J.W.M. & Vliegenthart, R. (2015). How employees use Twitter to talk about work: a typology of work-related tweets. Computers in Human Behavior, 55(A), 329-339.
Ward, J.C, & Ostrom, A.L. (2006). “Complaining to the Masses: The Role of Protest Framing in Customer-Created Complaint Web Sites,” Journal of Consumer Research, 33(1), 220-230.
Waters, R., D., Burnett, E., Lamm, A., & Lucas, J. (2009). Engaging stakeholders through social networking: How nonprofit organizations are using Facebook. Public Relations Review, 35(1), 102-106.
Wetzer, I.M., Zeelenberg, M. & Pieters, R. (2007). Consequences of socially sharing emotions: Testing the emotion-response congruency hypothesis. European Journal of Social Psychology, 37(6), 1310-1324.
Willemsen, L.M., Neijens, P.C. & Bronner, F. (2012). The ironic effect of source identification on the perceived credibility of online product reviewers. Journal of computer-mediated communciation. 18(1), 16-31.
Schultz, F., Utz, S., & Göritz, A. (2011). Is the medium the message? Perceptions of and reactions to crisis communication via twitter, blogs and traditional media. Public Relations Review, 37(1), 20-27.
Shaw, V., & Coker, B. (2012). Keeping negative Facebook comments leads to more trust in your brand. In The 2012 World Congress in Computer Science Engineering and Applied Computing, Las Vegas, NV.
Small, T. A. (2011). What the hashtag? A content analysis of Canadian politics on Twitter. Information. Communication & Society, 14(6), 872-895.
Söderlund, M. (1998). Customer satisfaction and its consequences on customer behaviour revisited: The impact of different levels of satisfaction on word-of-mouth, feedback to the supplier and loyalty. International Journal of Service Industry Management, 9(2), 169-188.
Sparks, B. A., Bradley, G. L., & Callan, V. J. (1997). The impact of staff empowerment and communication style on customer evaluations: The special case. Psychology & Marketing, 14(5), 475-493.
Bijlage I CODEBOEK Aanvullende informatie voorafgaand aan het coderen
Dit codeboek vormt een handleiding voor het codeerproces binnen dit onderzoek naar webcare. Hierin wordt onderzocht welke strategieën organisaties gebruiken in webcare, in hoeverre zij op menselijke toon antwoord geven op bijvoorbeeld klachten en complimenten (conversational human voice) en hoe dit zich verhoudt tot de klanttevredenheid.
De inhoudsanalyse wordt uitgevoerd onder 400 berichten op Facebook. Hierbij is gekozen voor vier grote organisaties uit verschillende branches: KPN (telecom), Albert Heijn
(voeding), KLM (reizen) en NS (publieke sector). Deze organisaties staan daarnaast bekend om een actief beleid op sociale media te waarborgen en lopen qua branche uiteen.
De sample zal bestaan uit alle eerste contacten van consumenten aan de organisaties vanaf 22 februari 2016. Facebook is op die datum met een nieuwe feature gekomen waarin men een verschillende soort ‘like’ kan geven op een bericht (o.a. boos, verdrietig, verbaast). Dit vormt een nieuwe slag in het onderzoek en biedt daarnaast ook meer mogelijkheden bij het meten bij de variabele ‘tevredenheid’.
Van de berichten vanaf 22 februari 2016 wordt een quota-steekproef getrokken tot het gewenste aantal berichten (N=400) is bereikt. De berichten worden evenredig getrokken onder de verschillende organisaties (100 per organisatie). Door Karolina worden 200
berichten gecodeerd en door Timothy eveneens 200 berichten. NB. Er worden alleen positieve (compliment) of negatieve (klacht) berichten behandeld, als een bericht neutraal is wordt er gestopt met coderen en telt deze niet mee voor de N=400 sample.
In dit codeboek zijn voor alle codeurs dezelfde variabelen gebruikt. Sommige variabelen worden echter achterwege gelaten in bepaald onderzoek; sommige variabelen gebruikt Timothy bijvoorbeeld wel en Karolina niet.
Codeer steeds het gehele dialoog tussen de organisatie en de stakeholder, tenzij anders staat aangegeven.
1) Algemene informatie
Noteer bij ieder bericht de algemene informatie ➢ ID nr: codeur_nummer bericht
➢ Organisatie ➢ Datum: dd-mm-jj
➢ Codeur: Karolina of Timothy
➢ Betrouwbaarheidscontrole: Ja of Nee
2) Toon bericht
Codeer hierbij enkel het oorspronkelijke bericht van de stakeholder Soort publieke reactie:
De operationalisering van deze variabele is gebaseerd op die van Van Zoonen, Verhoeven, & Vliegenthart (2015), waarin sentiment meetbaar gemaakt wordt. Deze variabele wordt
geoperationaliseerd door naar bijvoeglijke naamwoorden te kijken en vast te stellen over deze negatief, neutraal of positief zijn.
0: Negatief (klacht)
Bevat negatieve bijvoeglijke naamwoorden, zoals: saai, moeilijk, lastig. Wanneer het
negatieve woord niet in deze rij staat, wordt de codeur geacht het bijvoeglijke naamwoord in het woordenboek op te zoeken en als negatief te coderen wanneer dit ook in het woordenboek staat vermeld.
1: Positief (compliment)
Bevat positieve bijvoeglijke naamwoorden, zoals: fijn, blij, geweldig, goed, zinvol,
enthousiast. Wanneer het negatieve woord niet in deze rij staat, wordt de codeur geacht het bijvoeglijke naamwoord in het woordenboek op te zoeken en als positief te coderen wanneer dit ook in het woordenboek staat vermeld.
99: Neutraal (stop hier met coderen)
Bevat geen positieve/negatieve bijvoeglijke naamwoorden. Bijvoorbeeld; net dit product aangeschaft, ik ben nu bij deze organisatie.
Waar gaat de klacht over? De klacht kan ook over een combinatie van onderstaande categorieën gaan. Daarom: 0 = geen klacht, 1 = wel een klacht.
Product: 0/1 Dienst: 0/1 Organisatie: 0/1
➢ Codeer 1 indien er een klacht in het bericht voorkomt, ook in combinatie met compliment codeer 1
3) Online responsestrategie
Gebaseerd op Huibers & Verhoeven (2014). De variabele crisisresponsestrategie wordt onderverdeeld in zeven categorieën. Per bericht dient aangeven te worden of de strategie niet (=0) of wel (=1) wordt gebruikt. Deze strategie richt zich vooral op negatieve berichten (klachten) daarom is deze aangevuld met theorie van Willemsen (2016), beiden strategieën vormen zo samen één theorie om zo positieve en negatieve berichten te kunnen coderen. Een combinatie van strategieën is mogelijk. Voor alle strategieën geldt dat je alleen de berichten van de organisatie codeert en dus niet die van de stakeholder. Je kijkt dus of in een van de berichten van de organisatie in het dialoog de strategie voorkomt.
➢ Informatie (1)
Het verschaffen van of vragen naar objectieve informatie aan degene die een klacht heeft, bijvoorbeeld waar meer informatie gevonden kan worden, wat de oorzaak is van een probleem, etc. Indien aanwezig codeer 1
➢ Verontschuldiging (2)
Accepteren van verantwoordelijkheid voor hetgeen over geklaagd wordt en/of vraagt om vergeving. Indien aanwezig codeer 1
➢ Sympathie (3)
Het tonen van sympathie met degene die de klacht heeft geuit. Indien aanwezig codeer 1 ➢ Ontkenning (4)
De organisatie ontkent dat er iets aan de hand is of dat de oorzaak van de klacht bij hen ligt. Indien aanwezig codeer 1
➢ Rechtvaardiging (5)
De oorzaak van de klacht is niet zo erg als het lijkt. Indien aanwezig codeer 1 ➢ Compensatie (6)
Het vergoeden, terugbetalen of schadeloosstellen van degene die klaagt. Indien aanwezig codeer 1
➢ Corrigerende actie (7)
Het oplossen (repareren) of voorkomen van hetgeen waarover geklaagd wordt door te zeggen welke stappen er worden genomen. Indien aanwezig codeer 1
