Verbinding maken met de klant
Onderzoek onder telefoniebedrijven naar de invloed van communicatiestrategie, snelheid van reageren en human voice in webcare op emotie bij de consument
Tom van Lonkhuijzen 10587780 11-05-2016 Aantal woorden (excl. bijlagen): 7.972
Anne Kroon Afstudeerproject Corporate Communicatie Universiteit van Amsterdam 2015-2016
Samenvatting
Ondanks dat er veel onderzoek naar sociale media is gedaan, is er nog een leemte op het gebied van emoties. In dit onderzoek wordt door middel van een kwalitatieve inhoudsanalyse gekeken naar de mogelijke invloed van communicatiestrategie, snelheid van reageren en gebruik van human voice in webcare door bedrijven op emoties van de klant. Er wordt enerzijds getracht praktisch uitvoerbare tips te kunnen geven aan bedrijven over hoe zij webcare kunnen toepassen en anderzijds de leemte op te vullen op het gebied van onderzoek naar emoties in webcare. De vraagstelling was: ‘wat is de invloed van communicatiestrategie, snelheid van reageren en gebruik van human voice in webcare door bedrijven op de emoties van de consument?’.
De onderzoekseenheden waren Twitter-berichten van vijf verschillende bedrijven uit de Nederlandse telecombranche. Na toetsen bleek dat slechts één van de
communicatiestrategieën een significant effect had op emotie. Uit het onderzoek valt op te maken dat de variabelen human voice, snelheid van reageren en gekozen
communicatiestrategie weinig tot geen invloed hebben op de emoties van de klant. Het is dus mogelijk dat webcare geen daadwerkelijke emoties oproept bij de klanten, of dat deze
variabelen hier geen invloed hebben. In de discussie sectie worden de verrassende resultaten besproken en worden suggesties gedaan voor mogelijk vervolgonderzoek.
Inleiding
Met de opkomst van sociale media zijn veel nieuwe mogelijkheden ontstaan voor bedrijven om op een geheel nieuwe manier in contact te komen met consumenten (Kerkhof, 2010). Doordat de bedrijven een prominentere plaats in de belevingswereld innemen van de consumenten, kunnen zij hun bedrijfsreputatie (Dijkmans, Kerkhof & Beukeboom, 2015), naamsbekendheid (Treem & Leonardi, 2012) en imago (Koskamp & Kerkhof, 2012) beïnvloeden.
Een voorbeeld van een Nederlands bedrijf dat dankbaar gebruik heeft gemaakt van deze nieuwe mogelijkheden is KLM (IFIIT, 2012; Dijkmans, Kerkhof & Beukeboom, 2015). Het bedrijf maakt voornamelijk gebruik van het zogeheten ‘webcare’ (Kerkhof, 2010; Edwards & de Kool, 2015; Van Noort & Willemsen, 2011), dat door Kerkhof (2010, p. 3) gedefinieerd
wordt als: “het reageren op klachten (of op andere negatieve geluiden met betrekking tot het merk) en het online helpen van consumenten met vragen”. KLM heeft webcare omarmt en is onder andere bereikbaar via de sociale media kanalen YouTube, Pinterest, Google+,
Instagram, Facebook en Twitter, in negen verschillende talen. Mede dankzij webcare heeft KLM een vergrote verbintenis met haar klanten en een verbeterde reputatie bereikt
(Dijkmans, Kerkhof & Beukeboom, 2015).
Dat een Nederlands bedrijf webcare op deze manier omarmt, is niet verwonderlijk. Volgens gegevens van Marketingfacts (2015) maakt 76% van de Nederlanders tussen de 20 en 39 jaar gebruik van Facebook, waar dat bij Twitter ook ligt op een indrukwekkende 33%. Door de gevarieerde en ingrijpende impact van sociale media op het leven van consumenten, is het belangrijk dat bedrijven ook de ontwikkelingen van sociale media op tijd omarmen (Hanna, Rohm & Crittenden, 2011).
Aan het einde van 2015 gaf het Centraal Bureau voor de Statistiek aan dat 63% van de
Nederlandse bedrijven gebruikmaakt van een sociaal medium, waarmee Nederland één van de vooroplopende landen is op het gebied van het gebruik van sociale media door bedrijven. Per branche verschilt het gebruik van sociale media uiteraard, waarbij een uitschieter de
telecombranche is met 70%. Van deze bedrijven maakt 70% specifiek gebruik van het platform om webcare te beoefenen.
Het is hierdoor ook stuitend om te zien hoe weinig Nederlands onderzoek er beschikbaar is over het onderwerp. Academici als Kerkhof, Van Noort en Dijkmans hebben een brede basis aan literatuur aangelegd, maar veel van dit onderzoek is nog explorerend en experimenteel. Er is een leemte als het gaat om onderzoek dat praktische resultaten biedt voor bedrijven om toe te passen in hun eigen webcare. Dit onderzoek tracht stappen te zetten richting deze
uitvoerbare plannen voor bedrijven en tegelijkertijd toe te voegen aan de collectie
Nederlandse, wetenschappelijke literatuur rondom webcare. Deze Nederlandse literatuur is zeer belangrijk, gezien het hier niet alleen om communicatiewetenschappelijke vraagstukken gaat, maar ook om linguïstische vraagstukken. Gezien taal overal ter wereld verschilt, blijft het zeer relevant om ook de Nederlandse literatuur uit te breiden.
Om in beide doelen te kunnen voorzien, zal er in dit onderzoek gekeken worden naar het effect dat webcare kan hebben op emoties. Er is al een brede basis aan onderzoek naar
‘sentiment’, of een reactie positief of negatief is van aard, maar nog weinig naar emoties op sociale media. Door emoties hierbij over te slaan, wordt een belangrijke basis gemist. Emoties liggen vaak juist ten grondslag aan variabelen als betrouwbaarheid en reputatie (Kim & Cameron, 2011; Liljander & Strandvik, 1997; Choi & Lin, 2009; Jin, 2009; Jin, 2010). In het speciaal zijn de emoties van de klanten hier interessant, omdat de manier waarop een bedrijf hen online beïnvloedt, een sterke invloed heeft op bijvoorbeeld tevredenheid over dat bedrijf (Liljander & Strandvik, 1997) en attitude ten aanzien van de communicatie van het bedrijf (Kim & Cameron, 2011). Kortom; emoties staan aan de basis van de mening die de consument heeft over meerdere aspecten van het bedrijf, waardoor het zeer nodig is om onderzoek te doen naar hoe deze emoties door bedrijven via webcare beïnvloedt kunnen worden. In dit onderzoek zal specifiek worden gekeken naar twee van de beter te
operationaliseren emoties; blijdschap en boosheid.
Van de verschillende aspecten van webcare zijn er drie uitgekozen in dit onderzoek, omdat deze een groot effect te hebben op de attitude van de consument over de communicatie van een bedrijf, zoals aangetoond in eerder onderzoek. Het gaat hier om de communicatiestrategie van bedrijven (Huibers & Verhoeven, 2014; Kelleher & Miller, 2006; Coombs, 2007), de snelheid van reageren (Sparks & Bradley, 2016; Swanson & Kelley, 2001) en het gebruik van ‘human voice’ in berichten (Kelleher, 2009; Kelleher & Miller, 2006).
De communicatiestrategie is de achterliggende gedachte van het bericht, of anders: de intentie die het bedrijf heeft met het posten van het bericht. Dit is een zeer relevante variabele, gezien het invloed kan hebben op de corporate reputatie (Huibers & Verhoeven, 2014) en de
algemene tevredenheid over het bedrijf (Coombs, 2007). De snelheid van reageren is een variabele die met name recentelijk (Sparks & Bradley, 2016; Spence et al., 2016) in het oog is gesprongen in de wetenschappelijke literatuur. Uit de onderzoeken van Sparks & Bradley (2016) en Spence et al. (2016) blijkt dat snelheid van reageren bijvoorbeeld van invloed kan zijn op de tevredenheid over het bedrijf. De derde onafhankelijke variabele, het gebruik van human voice, is er een die al jaren in de wetenschappelijke literatuur onderzocht wordt (Kelleher, 2009; Kelleher & Miller, 2006; Lee, Hwang & Lee, 2006; Locke, Weinberger & Searls, 2004; Kuhn, 2005).
Het opvallende is dat deze drie zeer relevante variabelen nog niet eerder in verband zijn gebracht met emoties in wetenschappelijk onderzoek naar webcare. Er zijn vele jaren
gespendeerd aan het onderzoeken welke variabelen relevant zijn op het gebied van webcare van bedrijven, maar deze zijn nooit in verband gebracht met de elementen die aan de basis staan van attitudes; emoties (Kim & Cameron, 2011; Liljander & Strandvik, 1997; Choi & Lin, 2009; Jin, 2009; Jin, 2010). Hierdoor is dit onderzoek zeer wetenschappelijk relevant: er wordt een basis gelegd voor toekomstig onderzoek naar emoties die consumenten kunnen ervaren door de webcare van bedrijven.
In dit onderzoek is gekozen voor een inhoudsanalyse als onderzoeksmethode.
Inhoudsanalyses hebben als groot voordeel dat er gekeken wordt naar voorbeelden uit de praktijk, waardoor het mogelijk is om resultaten te vinden die ook daadwerkelijk te
generaliseren zijn naar het dagelijks leven. Specifiek voor dit onderzoek houdt dat in dat er praktische adviezen te geven zijn aan bedrijven om hun webcare vorm te geven. Dit is in lijn met het praktische doel dat deze paper dient; het bieden van hulp aan bedrijven voor het ontwikkelen van hun eigen webcare strategie.
Met inbegrip van de eerdergenoemde variabelen zal de onderzoeksvraag van dit onderzoek zijn: wat is de invloed van communicatiestrategie, snelheid van reageren en gebruik van human voice in webcare door bedrijven op de emoties van de consument?
Theoretisch kader
In het theoretisch kader worden zowel de concepten uit de vraagstelling besproken, als andere begrippen die van toepassing zijn op de vraagstelling. Als overkoepelend begrip zal eerst webcare worden behandeld. Vervolgens zal de afhankelijke variabele, emotie bij de
consument, besproken worden. Ten slotte komen de drie onafhankelijke variabelen aan bod: communicatiestrategie, snelheid van reageren en het gebruik van human voice.
Webcare
Al 70% van de Nederlandse bedrijven heeft zijn weg gevonden naar sociale media (CBS, 2015) en dat aantal groeit nog altijd jaarlijks. Eén van de belangrijkste redenen om sociale media te gebruiken voor bedrijven is webcare. Zoals eerder beschreven, omvat webcare “het reageren op klachten (of op andere negatieve geluiden met betrekking tot het merk) en het online helpen van consumenten met vragen” (Kerkhof, 2010, p. 3).
Vóór het ontstaan van Web 2.0, was klantenservice een proces waarbij het bedrijf één op één contact had met de consument die een klacht of vraag had en was dit proces voor anderen vrijwel niet zichtbaar. Echter, op sociale media is het tegenovergestelde het geval: klachten van consumenten zijn voor iedere geïnteresseerde te lezen en kunnen potentiële klanten van het bedrijf direct ‘de vuile was’ van de organisatie inzien (Van Noort & Willemsen, 2012).
Deze reacties van consumenten worden ook wel omschreven als Electronic Word of Mouth, of in het kort: eWOM. Deze communicatie is voor een bedrijf zeer belangrijk om in de gaten te houden, aangezien reacties van andere consumenten worden gezien als betrouwbaarder en bruikbaarder dan berichtgeving van het bedrijf zelf (Bickart & Schindler, 2001; Kerkhof, 2010). Daarnaast zorgt de anonimiteit van het internet er ook nog eens voor dat klachten uitvergroot worden en harder gemaakt worden, zodat bedrijven in een nog slechter daglicht gesteld worden (Gelb & Sundaram, 2002).
Emoties van de consument in diens reactie
De afhankelijke variabele in dit onderzoek is de emotie die de klant toont in zijn reactie. Uit eerder onderzoek is al gebleken dat emoties invloed hebben op tevredenheid over een bedrijf (Liljander & Strandvik, 1997) en attitude ten opzichte van de communicatie van het bedrijf (Kim & Cameron, 2011). Echter, het onderzoek naar emoties is in de literatuur over webcare momenteel nog zeer beperkt.
Er is veel onderzoek gedaan naar ‘sentiment’, wat niet een specifieke emotie inhoudt, maar zich puur focust op positieve en negatieve reacties (Stieglitz & Dang-Xuan, 2013; Palomino et al., 2016; Gaspar, Pedro & Panagiotopoulos, 2016). Anderzijds wordt er bij webcare ook vaak gekeken naar het effect op een houding tegenover het bedrijf, zoals de bedrijfsreputatie of betrouwbaarheid van een bedrijf. Hierdoor wordt, zoals in de inleiding beschreven, een belangrijk element gemist
Gezien er veel verschillende emoties bestaan, is er besloten om er twee te onderzoeken in dit paper: boosheid en blijdschap. Dit, omdat het twee emoties zijn die vaak voorkomen in online reacties en omdat deze duidelijk op te merken en te operationaliseren zijn (Van Hooijdonk & Liebrecht, 2015). Op basis van het onderzoek van Van Hooijdonk & Liebrecht uit 2015 is een
woordenlijst samengesteld, waarmee gekeken kan worden of de reactie ofwel ‘boos’, ofwel ‘blij’ is. Deze lijst is door de onderzoekers opgesteld om te testen of woorden een score kunnen krijgen over hoe intens de emotie is die erbij getoond wordt.
Communicatiestrategie
De communicatiestrategie is één van de belangrijkste aspecten van webcare en draait om de daadwerkelijke boodschap die achter het bericht schuilgaat; de intentie die aan de grondslag ligt van het bericht (Coombs, 2007). Wanneer er een klacht of vraag van een consument binnenkomt, kan een bedrijf daar op verschillende manieren mee omgaan, afhankelijk van de situatie en het probleem. De weg die het bedrijf bewandelt, komt naar voren in deze
communicatiestrategie. Huibers en Verhoeven (2014, p. 168) beschrijven in hun onderzoek naar webcare dat de communicatiestrategie aangepast wordt op het probleem en degene die de klacht uit: “de webcarestrategieën zijn dan ook gericht op het beïnvloeden van het beeld dat stakeholders hebben van de crisis en de rol die de organisatie daarin heeft gespeeld”.
Het is niet verwonderlijk dat zij hierin het woord ‘crisis’ gebruiken, in plaats van ‘probleem’ of ‘klacht’. Een groot deel van het huidige onderzoek naar online communicatiestrategieën is gebaseerd op het werk van Coombs uit 2007, waarin hij de Situational Crisis Communication Theory (SCCT) ontwikkelde. Deze theorie bevestigt dat de communicatie van een bedrijf na een crisis, de perceptie van de consument van het bedrijf beïnvloedt. Aangezien de SCCT niet gebaseerd was op sociale media, is er door onderzoekers Jin & Liu (2010) ook een model ontwikkeld waarbij rekening wordt gehouden met de mogelijke effecten van het gebruik van sociale media. Het Social Mediated Crisis Communication-model (SMCC-model) bevond dat de SCCT nog steeds stand hield wanneer het getest werd op sociale media, inclusief de strategieën die door Coombs (2007) beschreven worden.
Om de communicatiestrategieën beter te kunnen interpreteren, beschreef Coombs (2007) ook de verschillende communicatiestrategieën die toegepast kunnen worden. Deze zeven
strategieën worden in veel vervolgonderzoek naar communicatiestrategieën en webcare als leidraad gebruikt; zo ook in Nederlands onderzoek (Huibers & Verhoeven, 2004; Van Hooijdonk & Liebrecht, 2015).
De zeven strategieën zijn onder te verdelen in de drie categorieën die in dit onderzoek gebruikt zullen worden. Het gaat hierbij om defensieve strategieën (ontkenning en
rechtvaardiging), collectief tegemoetkomende strategieën (corrigerende actie) en individueel tegemoetkomende strategieën (sympathie, verontschuldiging, informatie en compensatie). In hun onderzoek vonden Huibers & Verhoeven (2014) dat de defensieve strategieën een slechtere corporate reputatie opleverden dan de tegemoetkomende strategieën. Daarnaast bleek ook dat de individueel tegemoetkomende strategieën een positiever effect hadden op de corporate reputatie dan de collectief tegemoetkomende strategieën. Deze positieve gevoelens richting het bedrijf zullen zich meer dan waarschijnlijk ook door vertalen richting positieve emoties over het bedrijf; naar blijdschap. Anderzijds zullen ontkenning en rechtvaardiging, de defensieve strategieën, eerder een boze reactie krijgen, net zoals zij negatieve gevoelens tegenover het bedrijf oproepen in het onderzoek van Huibers & Verhoeven (2014). Hiermee worden de verwachtingen opgesteld dat:
H1a: Het gebruik van tegemoetkomende strategieën in webcare door het bedrijf, heeft een positieve invloed op de waarschijnlijkheid dat de consument een blije reactie plaatst.
H1b: Het gebruik van defensieve strategieën in webcare door het bedrijf, heeft een positieve invloed op de waarschijnlijkheid dat de consument een boze reactie plaatst.
H1c: Het gebruik van individueel tegemoetkomende strategieën heeft een positievere invloed op de waarschijnlijkheid dat de consument een blije reactie plaatst dan de collectief
tegemoetkomende strategie.
Snelheid van reageren van een bedrijf op sociale media
Doordat sociale media vooral ook snelle media zijn, is de snelheid van reageren een belangrijk onderdeel van de impressie die het bedrijf achterlaat, nog meer dan bij
communicatie via traditionele media (Kerkhof, 2010). Via het internet verspreiden meningen zich namelijk zeer snel, waardoor klachten en problemen snel kunnen escaleren tot een crisis (Kerkhof, 2010).
Het belang van de snelheid van reageren voor klantenservices werd al enkele decennia eerder aangetoond. Eén van de eerste onderzoeken naar dit onderwerp kwam van Technical
Assistance Research Programs (TARP) in 1981, in samenwerking met Coca Cola. In het onderzoek werd gekeken naar de reactiesnelheid op klachten van consumenten die per brief
binnenkwamen. De onderzoekers concludeerden dat een snellere reactie zorgt voor een verbeterde klanttevredenheid en loyaliteit aan het merk. Na het onderzoek van TARP zijn er meer onderzoekers geweest die dit positieve verband tussen een snelle reactie en
klanttevredenheid gevonden hebben, over verschillende media en soorten klachten heen (Wirtz & Mattila, 2004; Davidow, 2003; Davidow, 2000; Swanson & Kelley, 2001).
Door de opkomst van sociale media is deze snelheid van reageren nog zichtbaarder geworden voor consumenten, waardoor ook een snellere reactie verwacht wordt. Een experiment van Sparks & Bradley (2016) wees uit dat een snelle reactie een verhoogde perceptie van betrouwbaarheid en klantgerichtheid geeft van het bedrijf, ten opzichte van gevallen waarin een gemiddelde of trage reactie gegeven wordt.
Contrasterend aan het eerdere onderzoek dat besproken is, werd in een recent onderzoek van Min, Lim en Magnini (2014) aangetoond dat er geen verband is gevonden tussen
klanttevredenheid en snelheid van de reactie. Echter, zoals ook besproken door Sparks & Bradley (2016), werd er hier gebruik gemaakt van een hypothetische situatie in een experimentele omgeving en zorgde het survey-format voor een vergrote kans op sociaal wenselijke antwoorden.
Gezien snelheid van reageren een positieve invloed heeft op klanttevredenheid (TARP, 1981; Wirtz & Mattila, 2004; Davidow, 2003; Davidow, 2000; Swanson & Kelley, 2001) en op de perceptie van betrouwbaarheid en klantgerichtheid van het bedrijf (Sparks & Bradley, 2016), wordt er ook verwacht dat deze positieve gevoelens zich zullen vertalen naar blijdschap. Met name de klanttevredenheid springt daarbij in het oog, gezien er een sterk verband bestaat tussen blijdschap bij consumenten en hun tevredenheid over het bedrijf (Barsky & Labagh, 1992).
Afgaande op het gepresenteerde onderzoek, wordt het volgende verwacht:
H2a: Het plaatsen van een snellere reactie in webcare door het bedrijf, heeft een positieve invloed op de waarschijnlijkheid dat de consument een blije reactie plaatst.
H2b: Het plaatsen van een langzamere reactie in webcare door het bedrijf, heeft een positieve invloed op de waarschijnlijkheid dat de consument een boze reactie plaatst.
Human voice
Als derde aspect van webcare wordt het gebruik van ‘human voice’ besproken. Er zijn in de academische wereld verschillende definities van ‘human voice’, maar de definitie van Kelleher (2009, p. 177) zal als leidraad gebruikt worden in dit onderzoek: “An engaging and natural style of organizational communication as perceived by an organization's publics based on interactions between individuals in the organization and individuals in publics”.
Deze manier van converseren wordt door consumenten ervaren als natuurlijker en menselijker dan communicatie vanuit een ‘corporate voice’, die ervaren wordt als winstgericht en
overredend (Lee, Hwang & Lee, 2006; Locke, Weinberger & Searls, 2004; Kuhn, 2005). Academici Christensen, Firat en Cornelissen (2009) voegen hier nog aan toe dat bedrijven die online toch proberen te communiceren met een corporate stem gezien worden als star, of zelfs bekrompen.
Huibers en Verhoeven deden in 2014 onderzoek naar het effect van het gebruik van ‘human voice’ op corporate reputatie . Hierbij werd ook onderzocht wat het effect was van human voice in combinatie met de gebruikte communicatiestrategie. Zij bevonden dat er geen significant effect was van human voice op de corporate reputatie, eveneens niet wanneer dit getest werd voor een modererend effect op communicatiestrategie op de corporate reputatie. In dit onderzoek wordt er echter niet gekeken naar corporate reputatie, maar naar de emoties die een consument toont in zijn reactie terug op het bedrijf. Door in te spelen op het menselijk maken van een bedrijf, wordt er met een human voice altijd getracht in te spelen op emoties (Kelleher, 2009; Kelleher & Miller, 2006; Lee, Hwang & Lee, 2006; Locke, Weinberger & Searls, 2004; Kuhn, 2005). Deze menselijkheid zal er niet alleen voor zorgen dat de klant de reactie van het bedrijf als betrouwbaarder ziet (Lee, Hwang & Lee, 2006), maar ook dat deze er eerder een affectieve, ofwel emotionele, reactie aan mee zal geven. Hierdoor wordt er verwacht dat de human voice blijdschap teweeg zal brengen bij klanten:
H3a: Wanneer er in een grotere mate human voice gebruikt wordt in webcare door het bedrijf, heeft dit een positieve invloed op de waarschijnlijkheid dat de consument een blije reactie plaatst.
Sampling & Steekproef
In dit onderzoek is gebruikgemaakt van een sample van Twitter-berichten van bedrijven uit de telecombranche. Deze branche is gekozen, omdat hierin uitgebreid gebruikgemaakt wordt van sociale media en specifieker van webcare. Er is gekozen voor een vijftal bedrijven, die samen een representatieve vertegenwoordiging vormen van deze branche. Het gaat om de ‘providers’ T-Mobile en Ben en de ‘dealers’ Mobiel (voormalig Studentmobiel), Belsimpel en Typhone. Deze specifieke providers zijn gekozen, omdat het grote aanbieders van mobiele
abonnementen zijn in Nederland en ze zich volledig focussen op mobiele abonnementen. Andere bekende aanbieders, zoals KPN, zijn providers die meerdere soorten diensten
aanbieden, waardoor zij niet volledig in één branche vallen. De drie dealers die gekozen zijn, zijn de drie grootste dealers van mobiele abonnementen in Nederland en bieden
abonnementen van alle verschillende providers aan.
In het geval van Twitter-berichten ging het om een tweet waarbij een klant naar het bedrijf in kwestie tweet met een ‘@’-notificatie. Voorbeeld: ‘@KPN Ik heb […]’ of ‘Hallo @KPN, ik heb […]’, waarna het bedrijf hier vervolgens op reageert en de klant ten slotte daar weer een reactie op plaatst.
Doordat de providers en dealers met een zeer verschillende hoeveelheid berichten te maken hebben, is er een verschillende sampling voor beiden opgesteld. Voor de providers is gekozen voor berichten tussen 25 april 2016 en 1 mei 2016, een week met in het midden op 27 april 2016 de Nederlandse feestdag ‘Koningsdag’. Voor de dealers is gekozen voor berichten tussen 1 april 2016 en 1 mei 2016, aangezien zij met veel minder berichten te maken hebben per dag. Deze manier van samplen wordt besproken in de discussie-sectie van het paper, gezien er mogelijke limitaties zitten aan de gebruikte methode. Na het verzamelen van deze berichten, bleek dat het om een totaal van 180 berichten ging. Hierbij kwamen 98 berichten van de providers af en 82 van de dealers. Gezien het sample 180 berichten was, is besloten om de census te nemen, gezien het sample klein genoeg was om alle berichten te kunnen
analyseren met één codeur.
De variabelen zijn onderzocht door middel van een inhoudsanalyse, waarbij de
onderzoekseenheden Twitter-berichten waren van de eerder genoemde vijf telecombedrijven. Een inhoudsanalyse biedt ten opzichte van een experiment een hogere externe validiteit, wat inhoudt dat resultaten vaak beter te generaliseren zijn naar de werkelijkheid
(Downe-Wamboldt, 1992).
Voor het coderen werd een zogenaamde ‘pre-test’ gedaan om het codeboek te testen. Hiermee is gekeken of de vraagstellingen duidelijk genoeg waren en toepasbaar waren op een
steekproef uit het totale sample. Na twee keer testen was het codeboek geoptimaliseerd voor dit onderzoek en werd er gestart met het coderen. Het codeboek werd gemaakt in Qualtrics en de data is later overgezet naar SPSS om analyses uit te voeren. Het codeboek kan gevonden worden onder bijlage 1.
Er was één codeur voor dit onderzoek, waardoor na het coderen de
intracodeursbetrouwbaarheid gemeten werd. Dit is gebeurd door een random 10% sample (18 berichten) opnieuw te coderen en aan de hand daarvan Krippendorff’s Alpha te berekenen.
De afhankelijke variabelen in het onderzoek waren de emoties van de consument: blijdschap en boosheid. Er is per Twitter-bericht van de klant bekeken of deze emoties aanwezig waren, aan de hand van de woordenlijst zoals opgesteld door Van Hooijdonk en Liebrecht (2015). Dit onderzoek keek destijds naar de mogelijkheden om woorden een score mee te geven aan de hand van hoe ‘intens’ het een emotie vertegenwoordigd. In dit onderzoek worden alleen de woorden gebruikt die in het onderzoek van Van Hooijdonk & Liebrecht (2015) een 1.00 of hoger scoorden, omdat dit woorden zijn die echt een emotie vertegenwoordigen. Hierbij is bijvoorbeeld ‘apart’ een woord dat weggelaten is, omdat het in het onderzoek van Van
Hooijdonk & Liebrecht (2015) slechts een 0,57 scoort; het toont niet duidelijk een emotie aan en is niet ‘intens’. Woorden als ‘geniaal’, ‘uitzonderlijk’ en ‘magistraal’ zijn juist woorden die overduidelijk blijdschap uiten met de geleverde service en scoren dan ook hoger op de schaal van Van Hooijdonk & Liebrecht.
Naast de lijst van blije en boze woorden van Van Hooijdonk & Liebrecht (2015) is de woordenlijst aangevuld met de scheldwoorden-lijst van Stekelenburg (2007) en enkele dankwoorden. De scheldwoordenlijst, omdat in eerder onderzoek al aangetoond is dat schelden in ruim de meeste gevallen een uiting van boosheid of woede is (Jay, 1996).
Tenslotte zijn er ook Nederlandse en Engelse dankwoorden aan de lijst toegevoegd, omdat woorden als ‘bedankt’, ‘dankjewel’ en ‘thanks’ vaak worden gebruikt om een bedrijf te bedanken indien er hulp geboden wordt. De lijst met blije woorden is terug te vinden in bijlage 2 van dit onderzoek en de lijst met boze woorden in bijlage 3. Blijdschap en boosheid waren allebei aparte dichotome variabelen, waarbij ‘aanwezig’ en ‘afwezig’ de mogelijkheden vormden. Beide variabelen bleken betrouwbaar te zijn, met een Krippendorf’s Alfa van 0,89 voor blijdschap en 1,00 voor boosheid.
De eerste onafhankelijke variabele was de toegepaste webcarestrategie, die gemeten werd met verschillende dichotome variabelen. Dit waren er in totaal zeven, opgesteld aan de hand van de zeven strategieën van Coombs (2007) en vertaald door Huibers & Verhoeven (2014). Alle zeven strategieën, ook terug te vinden in tabel 1, waren een dichotome variabele, waarbij de mogelijkheden ‘aanwezig’ en ‘afwezig’ waren. In het codeboek stond per strategie een omschrijving met voorbeelden, zodat duidelijk werd wat een codeur kon verwachten tijdens het coderen. In tabel 1 zijn de Krippendorff’s Alpha-waarden voor alle zeven strategieën terug te vinden. Hierin is te zien dat alle variabelen betrouwbaar zijn, met uitzondering van de sympathie-strategie en de compensatie-strategie. Bij het herzien van de ingevulde waarden, bleek dat het ging om één bericht uit het dubbel gecodeerde segment, waar twijfel bestond tussen deze twee waarden. Gezien het hierbij om een uitzonderingsgeval ging en deze beide categorieën allebei in de overkoepelende variabele ‘individuele tegemoetkomende actie’ samen komen, is er besloten deze twee variabelen toch in het sample te laten.
Tabel 1
Krippendorff’s Alpha-waarden communicatiestrategieën.
Variabele Krippendorff’s Alpha-waarde
D1: Informatie strategie 0,87 D2: Verontschuldiging strategie 0,65 D3: Sympathie strategie 1,00 D4: Ontkenning strategie 1,00 D5: Rechtvaardiging strategie 1,00 D6: Compensatie strategie 0,65 D7: Corrigerende actie strategie 1,00
De zeven losse variabelen zijn vervolgens omgevormd tot drie dichotome variabelen; de overkoepelende drie soorten strategieën. Het ging hierbij om defensieve strategieën
(ontkenning en rechtvaardiging), collectief tegemoetkomende strategieën (corrigerende actie) en individueel tegemoetkomende strategieën (sympathie, verontschuldiging, informatie en compensatie). Het samenvoegen van deze categorieën is gebeurd in het programma SPSS, waarbij de functie ‘Compute’ gebruikt is om de juiste variabelen bij elkaar op te tellen. Bijvoorbeeld, in het geval van de defensieve strategieën (D11) werden het aantal gevallen waarin de ontkenning strategie (D4) en de rechtvaardiging strategie (D5) gebruikt werden opgeteld, om tot een totaal te komen. In tabel 6 is hier een overzicht van terug te vinden.
In dit onderzoek was de tweede onafhankelijke variabele de snelheid van reageren. Dit is een variabele die gemeten is op rationiveau in het aantal minuten dat het een bedrijf kostte om te reageren op het bericht van een consument. Ondanks dat dit een in principe simpel uit te voeren taak is, had de variabele slechts een Krippendorff’s Alpha-waarde van 0,96. Dit is betrouwbaar, maar gezien dit een zeer makkelijk te coderen variabele is, had deze eigenlijk 1,00 moeten zijn. Dit verschil kan voortkomen uit een miscalculatie in het aantal minuten. Het kan hierdoor wenselijk zijn om het aantal minuten met een online tool uit te rekenen, of in een data analyse programma, zoals SPSS. Om de variabele goed te kunnen omschrijven in de resultaten-sectie, is er ook een variabele toegevoegd op ordinaal-niveau, om de reacties te kunnen rangschikken. Hiervoor is gebruik gemaakt van data van Sparks en Bradley (2016) en Social Media Explorer (2011). De snelste categorie is ‘binnen een uur’, gevolgd door ‘tussen één uur en twee uur’, ‘tussen twee uur en vier uur’, ‘tussen vier uur en één dag’, ‘tussen één dag en twee dagen’ en ‘meer dan twee dagen’. Deze variabele had een betrouwbaarheid van 0,92, wat een voortvloeisel is van de miscalculatie die plaatsvond bij het aantal minuten tussen het plaatsen van het bericht van de consument en de reactie van het bedrijf.
De laatste gemeten onafhankelijke variabele was het gebruik van human voice. Voor deze variabele is voortgeborduurd op onderzoek van Van Hooijdonk en Liebrecht (2015) en zijn een twaalftal aspecten gecodeerd om te zien of er een human voice gemanifesteerd werd. Alle twaalf elementen van de human voice werden in de vragenlijst opgeladen als dichotome variabelen, waarbij de keuzemogelijkheden ‘aanwezig’ en ‘afwezig’ waren. Voorbeelden van wat de twaalf variabelen inhielden zijn terug te vinden in het codeboek in bijlage 1. In tabel 2 staan alle twaalf de variabelen en zijn de Krippendorff’s Alpha-waarden terug te vinden van alle twaalf dichotome variabelen.
Deze twaalf dichotome variabelen zijn vervolgens geconstrueerd naar een schaal, waarbij de resultaten van deze twaalf dichotome variabelen opgeteld zijn. Als een element van human voice aanwezig was, werd een score van 1 meegegeven op de dichotome variabele, waardoor de elementen simpelweg bij elkaar opgeteld konden worden door de functie ‘Compute’. Hierbij betekende een score van 1 dat er één element gebruikt werd van human voice, een 8 dat er acht elementen gebruikt werden van human voice, enzovoorts. Een hogere score betekende zodoende een grotere mate van human voice.
Tabel 2
Krippendorff’s Alpha-waarden gebruik van human voice.
Variabele Krippendorff’s Alpha-waarde
E1: Persoonlijke begroeting 0,83 E2: Gebruik 2e persoons voornaamwoord 1,00 E3: Gebruik 1e persoons voornaamwoord 1,00
E4: Naam medewerker 1,00
E5: Samenvoeging 1,00
E6: Afkorting 0,77
E7: Non-verbale cues 1,00
E8: Tussenwerpsel 1,00
E9: Humor 1,00
E10: Verontschuldiging 1,00
E11: Empathie en/of sympathie 0,89 E12: Uitnodiging tot contact 0,89
Opvallend is dat twee ogenschijnlijk makkelijk te coderen variabelen, persoonlijke begroeting en afkorting, hier geen Krippendorff’s Alpha-waarde van 1,00 hebben. In het geval van de persoonlijke begroeting ging het hier om een ‘Twitter handle’, een gebruikersnaam op Twitter, die foutief gecodeerd was als een begroeting. Bij de afkorting was het discutabel of ‘DM’, kort voor ‘Direct Message’, als afkorting gezien moest worden. Dit is uiteindelijk in het onderzoek wel als een afkorting gezien, waardoor deze fout later niet meer voor is gekomen. Gezien alle Krippendorff’s Alpha-waarden voldoende zijn, worden alle variabelen als betrouwbaar gezien.
In tabel 3 is de frequentie van de aspecten van human voice terug te vinden.
Tabel 3
Frequentie aspecten van human voice
Communicatiestrategie Frequentie (in % ten opzichte van totale sample van 180 berichten)
E1: Persoonlijke begroeting 87 (48,3%) E2: Gebruik 2e persoons voornaamwoord 153 (85%) E3: Gebruik 1e persoons voornaamwoord 132 (73,3%)
E4: Naam medewerker 155 (86,1%)
E5: Samenvoeging 9 (5%)
E6: Afkorting 53 (29,4%)
E7: Non-verbale cues 25 (13,9%)
E8: Tussenwerpsel 8 (4,4%)
E9: Humor 8 (4,4%)
E10: Verontschuldiging 19 (10,6%)
E11: Empathie en/of sympathie 81 (45%) E12: Uitnodiging tot contact 109 (60,6%)
Uit deze resultaten valt af te lezen dat een aantal elementen van human voice zeer vaak gebruikt worden door bedrijven, terwijl een aantal aspecten juist ook weer vrijwel niet gebruikt worden. Het gebruik van 2e persoons voornaamwoorden (N = 153) (zoals jij, je en jouw) en 1e persoons voornaamwoorden (N = 132) (zoals ik, mij, ons en onze) is bijvoorbeeld zeer gebruikelijk, evenals het afsluiten met de naam van een medewerker (N = 155), zoals een afkorting (MS, HvdM) of de voornaam. Echter, een aantal duidelijke tekenen van een
‘menselijke conversatie’ kwamen in dit sample vrijwel niet voor. Humor (N = 8),
samenvoegingen (N = 9) en tussenwerpsels (N = 8), zoals ‘haha’ en ‘phieuw’, komen vrijwel niet voor in de Twitter-conversaties tussen het bedrijf en de consument.
Analyse
De invloed van de drie onafhankelijke variabelen (communicatiestrategie, snelheid van reageren en gebruik van human voice) op de afhankelijke variabelen (blijdschap en boosheid) is gemeten door middel van een logistische regressieanalyse, waarmee aangetoond kan
worden in welke mate de onafhankelijke variabelen de variantie in de afhankelijke variabele verklaren. Er is specifiek voor deze analysemethode gekozen, omdat de afhankelijke
variabelen dichotoom zijn en de logistische regressieanalyse een zeer geschikte methode is om het effect van meerdere afhankelijke variabelen op een dichotome uitkomstvariabele te meten. Daarnaast is het met een logistische regressieanalyse mogelijk om uitspraken te doen over de waarschijnlijkheid dat een bepaalde gebeurtenis plaats zal vinden. In dit geval gaat het om de waarschijnlijkheid dat de consument een blije of boze reactie achterlaat, wat zeer goede informatie is voor zowel de maatschappelijke als wetenschappelijke relevantie van dit paper. Voor bedrijven is het zeer interessant om te weten wanneer de waarschijnlijkheid stijgt dat een klant een blije, of wel een boze, reactie achterlaat. Voor de academische wereld is de waarschijnlijkheid dat een van deze twee soorten emoties voorkomt in een reactie een goed uitgangspunt voor vervolgonderzoek.
Resultaten
Beschrijvende analyses
Er zijn in totaal 180 Twitter-berichten gecodeerd voor dit onderzoek. De verdeling hiervan is terug te vinden in tabel 4. Deze verdeling houdt in dat 98 van de berichten (54%) van de ‘providers’ afkwamen en de overige 82 (46%) van de ‘dealers’.
Tabel 4
Verdeling berichten tussen providers en dealers
Bedrijf Frequentie T-Mobile (Provider) 65 (36,1%) Ben (Provider) 33 (18,3%) Typhone (Dealer) 32 (17,8%) Belsimpel (Dealer) 28 (15,6%) MobielNL (Dealer) 22 (12,2%)
De variabele ‘snelheid van reageren’ was de eerste die gecodeerd werd in het onderzoek en had zowel een open variabele waarin het aantal minuten gecodeerd kon worden, als een
multiple-choice variabele op ordinaal niveau met verschillende tijdsperiodes. Uit de resultaten van de open variabele (M = 789,13, SD = 934,93) valt te lezen dat de gemiddelde
reactiesnelheid op 789 minuten lag, wat door de vele uitschieters een vertekend beeld kan geven. Een duidelijker beeld komt van de mediaan, die in dit geval op 586 minuten ligt. Dit houdt in dat 50% van de snelste reacties tussen 0 en 586 minuten viel. De snelste 25% viel zelfs tussen 0 en 50 en een halve minuut.
De ordinale tijdsvariabele (Mdn = 3,07) geeft een overzichtelijker beeld van de snelheid van reageren van bedrijven. Uit deze variabele valt af te lezen dat in 28,3% van de gevallen gereageerd is binnen één uur (N = 51), in 7,2% van de gevallen dit tussen één en twee uur duurde (N = 13), in 12,8% tussen de twee en vier uur (N = 23), er in 33,9% van de gevallen tussen vier uur tot een volledige dag over gedaan werd om te reageren (N = 61) en dat er in 16,7% van de gevallen tussen de dag en twee dagen werd gereageerd (N = 30). In slechts 1,1% van de gevallen kostte het bedrijf het meer dan twee dagen om te reageren (N = 2).
De tweede variabele die gecodeerd werd in het onderzoek was de communicatiestrategie. Zoals beschreven in de methodesectie van dit paper, zijn hiervoor de zeven strategieën van Coombs (2007) gebruikt, die vervolgens zijn omgezet naar drie overkoepelende categorieën. In tabel 5 zijn de frequenties terug te vinden van de zeven strategieën.
Tabel 5
Frequentie communicatiestrategieën
Communicatiestrategie Frequentie (in % ten opzichte van totale sample van 180 berichten)
D1: Informatie strategie 146 (81,1%) D2: Verontschuldiging strategie 15 (8,3%) D3: Sympathie strategie 44 (24,4%) D4: Ontkenning strategie 4 (2,2%) D5: Rechtvaardiging strategie 8 (4,4%) D6: Compensatie strategie 29 (16,1%) D7: Corrigerende actie strategie 6 (3,3%)
Opvallend hierbij is hoe vaak de individueel tegemoetkomende strategieën (informatie (N = 146), verontschuldiging (N= 15), sympathie (N = 44) en compensatie (N = 29)) gebruikt
worden ten opzichte van de defensieve strategieën (ontkenning (N = 4) en rechtvaardiging (N = 8) en collectief tegemoetkomende strategie (corrigerende actie (N = 6)). In tabel 6 wordt weergegeven hoe dit zich uiteindelijk vertaalt naar de drie overkoepelende categorieën.
Tabel 6
Frequentie drie overkoepelende communicatiestrategieën.
Overkoepelende communicatiestrategie Frequentie (in % ten opzichte van totale sample van 180 berichten) D11: Defensieve strategie (D4, D5) 12 (6,7%)
D12: Individueel tegemoetkomende strategie (D1, D2, D3, D6)
175 (97,2%)
D13: Collectief tegemoetkomende strategie (D7) 6 (3,3%)
Dat in 97,2% van de berichten een individueel tegemoetkomende strategie gebruikt wordt (N = 175), laat zien dat veel bedrijven specifiek inspelen op de vraag of klacht van de consument.
De derde, en tevens laatste, onafhankelijke variabele die gecodeerd werd, was het gebruik van human voice. Hierbij werden twaalf dichotome variabelen geconstrueerd naar een nieuwe schaal. Deze nieuwe variabele (M = 4,66, SD = 1,66) toont aan dat het gemiddelde rond de vijf ‘punten’ ligt, wat inhoudt dat er gemiddeld vijf elementen van human voice in de berichten gebruikt worden.
De laatste variabelen die in het onderzoek gemeten werden, waren de afhankelijke variabelen: blijdschap (N = 64) en boosheid (N = 33). Per bericht kon in twee aparte dichotome
variabelen aangegeven worden of het bericht van de consument boosheid of blijheid
vertoonde. In 64 gevallen werd blijdschap gecodeerd en in 33 gevallen boosheid. Hierbij was in één geval overlap, wat inhoudt dat er zowel aan de voorwaarden voor een boze als blije reactie voldaan werd. In 84 gevallen werd geen van beide emoties vertoond en werd er dus ‘neutraal’ gereageerd op de reactie van het bedrijf.
Toetsen van de hypothesen
Zoals in de methodesectie aangegeven, zijn alle hypotheses in dit onderzoek getoetst met een logistische regressieanalyse. Er zijn in totaal vier assumpties voor het uitvoeren van een
logistische regressieanalyse, waarvan de eerste is dat de afhankelijke variabele dichotoom is, wat in dit onderzoek het geval is voor zowel blijdschap als boosheid. De tweede is dat er één of meerdere onafhankelijke variabelen zijn, op continue of categorisch niveau gemeten, waar ook aan voldaan wordt. Ook aan de aannames dat de waarnemingen onafhankelijk zijn, de categorieën elkaar uitsluiten en dat er een lineaire samenhang moet zijn tussen de
onafhankelijke variabelen en de log transformation van de afhankelijke variabele, wordt voldaan.
De onafhankelijke variabelen in beide modellen waren de schaalvariabele van het gebruik van human voice, de open variabele voor de snelheid van reageren en de drie overkoepelende communicatiestrategieën. In het eerste model was blijdschap de afhankelijke variabele, terwijl in het tweede model boosheid de afhankelijke variabele is. Met het eerste model werden hypotheses 1a, 1c, 2a en 3a getest en met het tweede model de overige twee hypotheses: 1b en 2b.
Het eerste model, waarin blijdschap de afhankelijke variabele was, bleek significant met -2 Log Likelihood = 221,18, chikwadraat (5) = 13,12, p < 0,05. Dit model verklaart tussen de 7% (Cox & Snell R²) en 9,7% (Nagelkerke pseudo R²) de variantie in de variabele blijdschap. Doordat het model significant was, was het vervolgens mogelijk te kijken naar de
significantie van de losse variabelen om de hypothesen te toetsen. In tabel 7 zijn de resultaten van dit model af te lezen:
Tabel 7
Uitkomsten van model 1: logistische regressie analyse voor de waarschijnlijkheid dat wel blije reactie achtergelaten wordt
Variabele exp(B) Wald
C1: Snelheid van reageren op ratio-niveau 1,00 3,45 D12: Individueel tegemoetkomende strategie 6,75 1,85 D13: Collectief tegemoetkomende strategie 17,25 4,69
E_schaal: Schaal human voice 1,01 0,02
Hypothese 1a stelde dat het gebruik van tegemoetkomende strategieën een positieve invloed heeft op de waarschijnlijkheid dat de consument een blije reactie plaatst. Er bleek geen significant effect te zijn van het gebruik van een individueel tegemoetkomende strategieën op
de waarschijnlijkheid dat de consument een blije reactie plaatst, B = 1,91, S.E. = 1,40, Wald = 1,85, df = 1, p = 0,17, Exp(B) = 6,75. Aan de andere kant bleek het gebruik van een collectief tegemoetkomende strategie wél een significant effect te hebben op de waarschijnlijkheid dat de consument een blije reactie plaatst, B = 2,85, S.E. = 1,32, Wald = 4,69, df = 1, p < 0,05, Exp(B) = 17,25. Wanneer er een collectief tegemoetkomende reactie geplaatst wordt, stijgt de waarschijnlijkheid dat de consument een positieve reactie achterlaat met 17,25%. Hiermee werd hypothese 1a dus deels aangenomen en deels verworpen.
Hypothese 1c gaat dieper op de variabelen ‘individueel tegemoetkomende strategie’ en ‘collectief tegemoetkomende strategie’ in en stelt dat het gebruik van individueel tegemoetkomende strategieën een grotere invloed heeft op de waarschijnlijkheid dat de consument een blije reactie plaatst, dan de collectief tegemoetkomende strategie. Doordat de er geen significant effect is gevonden van de invloed van een individueel tegemoetkomende strategie op de waarschijnlijkheid dat er een blije reactie geplaatst wordt, kon deze hypothese niet getoetst worden. Deze hypothese werd dus verworpen.
De tweede onafhankelijke variabele werd behandeld in hypothese 2a, die stelt dat het plaatsen van een snellere reactie door een bedrijf op sociale media een positieve invloed heeft op de waarschijnlijkheid dat de consument een blije reactie plaatst. Uit het model is af te lezen dat de invloed van snelheid van reageren op de waarschijnlijkheid dat er een blije reactie
geplaatst wordt bijna significant is, B = 0,00, S.E. = 0,00, Wald = 3,45, df = 1, p = 0,06, Exp(B) = 1,00. Echter, er bleek, doordat de Exp(B) op één lag, dat de waarschijnlijkheid op een positieve reactie gelijk blijft wanneer er langer over het reageren gedaan wordt. Deze hypothese werd dus verworpen.
De vierde hypothese die getoetst werd met dit model was 3a: wanneer er in een grotere mate human voice gebruikt wordt heeft dit een positieve invloed op de waarschijnlijkheid dat de consument een blije reactie plaatst. Uit het model bleek echter geen significant effect, B = 0,01, S.E. = 0,10, Wald = 0,02, df = 1, p = 0,89, Exp(B) = 1,01. Met deze resultaten werd de hypothese verworpen.
De laatste twee hypothesen werden getoetst met het tweede logistische regressiemodel, dat als afhankelijke variabele boosheid bevat. Ook dit model bleek significant met -2 Log Likelihood = 159,50, chikwadraat (5) = 12,01, p < 0,05. Dit model verklaart tussen de 6,5% (Cox & Snell
R²) en 10,5% (Nagelkerke pseudo R²) de variantie in de variabele blijdschap. In tabel 8 zijn de resultaten van dit model af te lezen:
Tabel 8
Uitkomsten van model 2: logistische regressie analyse voor de waarschijnlijkheid dat een boze reactie achtergelaten wordt
Variabele exp(B) Wald
C1: Snelheid van reageren op ratio-niveau 1,00 0,00
D11: Defensieve strategie 2,53 1,44
De eerste hypothese die getoetst werd met dit model was 1b: het gebruik van defensieve strategieën heeft een positieve invloed op de waarschijnlijkheid dat de consument een boze reactie plaatst. Het effect van defensieve strategieën op de variabele boosheid blijkt niet significant, B = 0,93, S.E. = 0,78, Wald = 1,44, df = 1, p = 0,23, Exp(B) = 2,53. Hypothese 1b werd hiermee dus verworpen.
Ten slotte werd hypothese 2b getest, die stelt dat het plaatsen van een langzamere reactie door een bedrijf op sociale media een positieve invloed heeft op de waarschijnlijkheid dat de consument een boze reactie plaatst. Snelheid van reageren blijkt geen significante voorspeller te zijn van de variantie in boze reacties, B = 0,00, S.E. = 0,00, Wald = 0,00, df = 1, p = 0,96, Exp(B) = 1,00. Hiermee werd ook hypothese 2b verworpen.
Discussie
De resultaten van het onderzoek waren niet in lijn met de verwachtingen, gezien slechts één van de zes opgestelde hypothesen voorafgaand aan het onderzoek aangenomen werd. In deze discussie sectie van het paper zal er stilgestaan worden bij deze opvallende resultaten,
implicaties van dit onderzoek voor de praktijk en de wetenschap, enkele limitaties van het onderzoek, en tenslotte zullen enkele suggesties voor vervolgonderzoek gedaan worden.
De vraagstelling was: ‘wat is de invloed van communicatiestrategie, snelheid van reageren en gebruik van human voice in webcare door bedrijven op de emoties van de consument?’. Uit de resultaten is gebleken dat snelheid van reageren en het gebruik van human voice zowel op blijheid als boosheid geen significante invloed hebben. Dit is tegen de verwachtingen in, gezien in eerder onderzoek (Spence et al., 2016; Sparks & Bradley, 2016; Kelleher, 2009) is gebleken dat deze variabelen op bijvoorbeeld tevredenheid over het bedrijf en de perceptie van betrouwbaarheid wél een significante invloed hebben.
Alleen communicatiestrategie vertoonde de potentie voor significant effect, waarbij het gebruik van een collectief tegemoetkomende strategie een positieve invloed had op de waarschijnlijkheid dat de klant een positieve reactie achter zou laten. Voor de andere twee overkoepelende communicatiestrategieën werd geen significant effect gevonden.
Uit deze resultaten kan dus geconcludeerd worden dat er geen significante invloed is van communicatiestrategie, snelheid van reageren en gebruik van human voice in webcare door bedrijven op emoties van de consument.
Implicaties voor de praktijk en voor de wetenschap
Deze resultaten hebben enkele interessante implicaties voor zowel de praktijk als voor de wetenschap. Voor de praktijk houdt dit namelijk in dat er nog geen wetenschappelijk aangetoonde manier is om de emoties van klanten te beïnvloeden door middel van webcare. Indien er gekozen kan worden voor een corrigerende actie, waarbij een actie ondernomen wordt zodat een probleem niet nogmaals voorkomt, is dit wel de beste handelingswijze, gezien hier het enige significante effect van het onderzoek aanwezig was.
Uiteraard blijven de resultaten van eerdere onderzoeken zeer bruikbaar; een snellere reactie zorgt bijvoorbeeld voor een verhoogde perceptie van klantgerichtheid en betrouwbaarheid (Spence et al., 2016; Sparks & Bradley, 2016) en het gebruik maken van een human voice maakt een bedrijf klantgerichter en, in de ogen van de klant, betrouwbaarder (Lee, Hwang & Lee, 2006; Locke, Weinberger & Searls, 2004; Kuhn, 2005).
Voor de wetenschap is de eerste stap gezet richting het onderzoeken van het effect van
eerder op deze wijze woordenlijsten zijn gemaakt of gebruikt om emoties te meten op sociale media. Van Hooijdonk & Liebrecht (2015) hebben de basis voor deze woordenlijsten gelegd met hun onderzoek, maar dit was nog niet vervolledigd met woorden die vaak op sociale media gebruikt woorden, zoals in dit onderzoek wél gedaan is met dankwoorden en
scheldwoorden. Dit onderzoek kan als basis dienen voor vervolgonderzoek dat kijkt naar het effect van webcare op de emoties van klanten.
Limitaties
Eén van de meest schrijnende problemen voor ieder onderzoek met materiaal uit het veld is dat het slechts gelimiteerd is tot het materiaal dat daadwerkelijk ter beschikking is. Een specifiek probleem met onderzoek naar webcare via sociale media is dat veel problemen afgehandeld worden via privéberichten. Doordat deze berichten niet publiekelijk in te zien zijn, is het niet mogelijk conversaties te meten die daadwerkelijk over het probleem in kwestie gaan. Dit is een lastig probleem dat altijd zal blijven bestaan voor veldonderzoekers.
Een limitatie aan dit onderzoek die wel opgelost kan worden, is het feit dat er niet gekeken werd naar de inhoud van een klacht. Er is wel geanalyseerd of het een klacht, vraag of
opmerking betrof, maar er werd niet specifieker gekeken naar de aard van de klacht. Ondanks dat er wel variabelen kunnen zijn die een significante invloed hebben op emoties, zal de klacht die schuilgaat achter de conversatie toch een grotere invloed hebben. Door het
onderzoek uit te breiden met verschillende soorten klachten en hier inhoudelijk op in te gaan, is het beter te analyseren in welke situaties bepaalde aspecten van webcare effect hebben en wanneer niet.
Een derde limitatie van dit onderzoek is de gebruikte sampling methode. Er is gekozen om twee verschillende periodes van sampling te nemen; één maand voor de dealers en één week voor de providers. Dit, omdat er een groot verschil zit in het aantal tweets van klanten dat deze bedrijven behandelen en überhaupt ontvangen. Voor het grootste deel verschilden deze periode niet veel van elkaar, ware het niet dat de feestdag ‘Koningsdag’ plaatsvond op 27 april 2016. Deze feestdag viel in beide perioden, waardoor er intern geen probleem ontstaan is. Echter, dit kan wel van invloed zijn op de externe validiteit van het onderzoek. Aangezien deze feestdag hoogstwaarschijnlijk geen invloed heeft op het gebruik van human voice of de communicatiestrategie, is er alleen een mogelijk probleem met de reactiesnelheid. Deze lag
echter zeer hoog, zowel tijdens als na Koningsdag, waardoor er geen probleem wordt gezien met de externe validiteit in dit onderzoek, al is dit uiteraard iets waar wel rekening mee moet worden gehouden in vervolgonderzoek.
Suggesties voor vervolgonderzoek
Dit onderzoek heeft aan kunnen tonen dat webcare nog altijd een veranderlijk onderwerp is en dat er, zeker in combinatie met emotie, nog veel toekomstig onderzoek mogelijk is. Als er puur gekeken wordt naar onderzoek in het Nederlands, kunnen de woordenlijsten verbeterd worden en gespecificeerd worden op doelgroep en branche op Twitter. Internationaal kunnen woordenlijsten als deze opgesteld worden in andere talen, gezien het hier gaat om een
linguïstische kwestie.
Op het gebied van emoties kan er nog gekeken worden naar andere emoties. Veroorzaakt webcare bijvoorbeeld verwarring, verdriet of angst? In dit onderzoek is er bewust gekozen voor boosheid en blijdschap, maar uiteraard zijn er nog veel meer emoties. Een andere suggestie voor vervolgonderzoek is om meer te kijken naar de inhoud van de klacht. Zoals gesteld in de limitaties-sectie heeft deze waarschijnlijk een zeer belangrijke invloed op het verband tussen emoties en webcare.
Kortom: er is nog veel vervolgonderzoek uit te voeren op het gebied van emoties en hoe ze beïnvloedt worden door webcare. Dit onderzoek is een springplank voor andere onderzoekers om in het diepe te duiken.
Literatuurlijst
Barsky, J. D., & Labagh, R. (1992). A strategy for customer satisfaction. The Cornell Hotel and Restaurant Administration Quarterly, 33(5), 32-40.
Bickart, B., & Schindler, R. M. (2001). Internet forums as influential sources of consumer information. Journal of interactive marketing, 15(3), 31-40.
Centraal bureau voor de statistiek. (2015, 17 December). ICT-gebruik bij bedrijven; bedrijfstak, 2015. [Weblog]. Retrieved 22 Februari 2016, from
http://statline.cbs.nl/StatWeb/publication/?VW=T&DM=SLNL&PA=83247NED&LA=N L
Choi, Y., & Lin, Y. H. (2009). Consumer responses to Mattel product recalls posted on online bulletin boards: Exploring two types of emotion. Journal of Public Relations Research, 21(2), 198-207.
Coombs, W. T. (2007). Protecting organization reputations during a crisis: The development and application of situational crisis communication theory. Corporate reputation review, 10(3), 163-176.
Davidow, M. (2000). The bottom line impact of organizational responses to customer complaints. Journal of hospitality & tourism research, 24(4), 473-490.
Davidow, M. (2003). Organizational responses to customer complaints: What works and what doesn’t. Journal of service research, 5(3), 225-250.
Dijkmans, C., Kerkhof, P., & Beukeboom, C. J. (2015). A stage to engage: Social media use and corporate reputation. Tourism Management, 47, 58-67.
Downe‐Wamboldt, B. (1992). Content analysis: method, applications, and issues. Health care for women international, 13(3), 313-321.
Edwards, A., & de Kool, D. (2015). Webcare in Public Services: Deliver Better with Less?. In Social Media for Government Services (pp. 151-166). Springer International Publishing.
Gaspar, R., Pedro, C., Panagiotopoulos, P., & Seibt, B. (2016). Beyond positive or negative: Qualitative sentiment analysis of social media reactions to unexpected stressful events. Computers in Human Behavior, 56, 179-191.
Gelb, B. D., & Sundaram, S. (2002). Adapting to “word of mouse”. Business Horizons, 45(4), 21-25.
Gonzalez-Herrero, A., & Smith, S. (2010). Crisis communications management 2.0: Organizational principles to manage crisis in an online world. 1. Organization Development Journal, 28(1), 97.
Hanna, R., Rohm, A., & Crittenden, V. L. (2011). We’re all connected: The power of the social media ecosystem. Business horizons, 54(3), 265-273.
Huibers, J., & Verhoeven, J. (2014). Webcare als online reputatiemanagement. Tijdschrift voor Communicatiewetenschap, 42(2), 165.
IFITT, (International Federation for Information Technologies in Travel and Tourism). (2012, January). KLM wins the IFITT 2012 Industry Award during ENTER2012 Conference. International Federation for IT and Travel & Tourism. Retrieved 1 March 2016, from http://www.ifitt.org/admin/public/uploads/2012_01_30%20Press%
20Release%20(KLM).doc.
Jay, T. (1996). Cursing: A Damned Persistent Lexicon.
Jin, Y. (2009). The effects of public's cognitive appraisal of emotions in crises on crisis coping and strategy assessment. Public Relations Review, 35(3), 310-313.
Jin, Y. (2010). Making sense sensibly in crisis communication: How publics’ crisis appraisals influence their negative emotions, coping strategy preferences, and crisis response acceptance. Communication Research.
Jin, Y., & Liu, B. F. (2010). The blog-mediated crisis communication model:
Recommendations for responding to influential external blogs. Journal of Public Relations Research, 22(4), 429-455.
Kelleher, T. (2009). Conversational voice, communicated commitment, and public
relations outcomes in interactive online communication. Journal of communication, 59(1), 172-188.
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.
Kim, H. J., & Cameron, G. T. (2011). Emotions matter in crisis: The role of anger and sadness in the publics' response to crisis news framing and corporate crisis
response. Communication Research, 0093650210385813.
Koskamp, M., & Kerkhof, P (2012). Take care. An analysis of the influence of webcare on brand attitude.
Kuhn, Martin (2005), “C.O.B.E: A Proposed Code of Blogging Ethics,” paper presented at the Blogging, Journalism, and Credibility Conference, Boston, MA edn
Lee, S., Hwang, T., & Lee, H. H. (2006). Corporate blogging strategies of the Fortune 500 companies. Management Decision, 44(3), 316-334.
Liljander, V., & Strandvik, T. (1997). Emotions in service satisfaction. International Journal of Service Industry Management, 8(2), 148-169.
Liu, B. F., Austin, L., & Jin, Y. (2011). How publics respond to crisis communication strategies: The interplay of information form and source. Public Relations Review, 37(4), 345-353.
Marketingfacts. (2015). Marketingfacts. Retrieved 1 March, 2016, from http://www.marketingfacts.nl/statistieken/channel/social_media_marketing
Min, H., Lim, Y., & Magnini, V. P. (2014). Factors Affecting Customer Satisfaction in Responses to Negative Online Hotel Reviews The Impact of Empathy, Paraphrasing, and Speed. Cornell Hospitality Quarterly, 1938965514560014.
Palomino, M., Taylor, T., Göker, A., Isaacs, J., & Warber, S. (2016). The Online Dissemination of Nature–Health Concepts: Lessons from Sentiment Analysis of Social Media Relating to “Nature-Deficit Disorder”. International journal of environmental research and public health, 13(1), 142.
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.
Stieglitz, S., & Dang-Xuan, L. (2013). Emotions and information diffusion in social media—sentiment of microblogs and sharing behavior. Journal of Management Information Systems, 29(4), 217-248.
Swanson, S. R., & Kelley, S. W. (2001). Service recovery attributions and word-of-mouth intentions. European Journal of Marketing, 35(1/2), 194-211.
TARP, T. (1982). Measuring the grapevine consumer response and word-of-mouth. The Coca-Cola Company.
Treem, J. W., & Leonardi, P. M. (2012). Social media use in organizations: Exploring the affordances of visibility, editability, persistence, and association. Communication
yearbook, 36, 143-189.
Van Hooijdonk, C. & 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.
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(3), 131-140.
Searls, D., & Weinberger, D. (2003). World of ends. what the internet is and how to stop mistaking it for something else.
Willemsen, L. M., Van Noort, G., & Bronner, F. (2012). Een menselijk geluid: het effect van reactieve en proactieve webcare op merkevaluaties. AE Bronner et al.(Red),
Ontwikkelingen in het marktonderzoek, Jaarboek, 27-41.
Wirtz, J., & Mattila, A. S. (2004). Consumer responses to compensation, speed of recovery and apology after a service failure. International Journal of service industry management, 15(2), 150-166.
Bijlage 1 - Codeboek
Inleiding
In dit onderzoek wordt gekeken naar een mogelijk verband tussen de gebruikte
communicatiestrategie, snelheid van reageren en gebruik van human voice op de emoties van de klant. Dit wordt onderzocht op berichten die geplaatst zijn op sociale media, specifiek op Facebook en Twitter. Het onderzoek wordt uitgevoerd onder zes telecombedrijven:
Studentmobiel, Belsimpel, KPN, Vodafone, T-Mobile en Ben.
Analyse eenheden
In dit onderzoek zijn de analyse eenheden Facebook-berichten en Twitter-berichten.
De berichten zijn opgeslagen als screenshots, die de naam bevatten van het bedrijf, het sociale medium en een code van het hoeveelste bericht het is. Een voorbeeld is ‘KPN_Twitter_01’.
In dit bericht worden alleen de eerste drie berichten van een conversatie gecodeerd, waarbij het eerste bericht van de klant is, het tweede van een bedrijf en het derde wederom van de klant.
Het kan ook voorkomen dat na de eerste drie berichten (klant – bedrijf – klant) er een verdere conversatie volgt tussen de klant en het bedrijf, of dat andere consumenten zich in het gesprek
mengen. De focus blijft hierbij dan op de eerste drie berichten; laat alle berichten na het derde bericht dus buiten beschouwing.
Een uitzondering op bovenstaande regel is wanneer één van de berichten opgedeeld is in meerdere tweets. Dit wordt in de meeste gevallen door gebruikers en bedrijven gemarkeerd door ‘[1/2]’ of ‘(1/2)’. In dit geval tellen die twee (of meer) berichten samen als één bericht.
Het gaat daarnaast ook alleen om tekstuele reacties (waaronder ook smileys vallen); foto’s worden niet gecodeerd.
Aanpak
Zoals eerder besproken, gaat het om de eerste drie tweets van een conversatie tussen een bedrijf en een klant, waarbij de eerste tweet van de klant komt, de tweede van het bedrijf en de derde wederom van de klant.
Open het screenshot van de tweet die gecodeerd moet worden en lees dit bericht eerst rustig door. Controleer of dit inderdaad het begin van een conversatie is, of dat je middenin een conversatie valt. Codeer vervolgens de volgende variabele in de volgorde waarin ze staan.
Het is belangrijk dat je ze deze variabelen op volgorde invult en de antwoorden naderhand niet wijzigt. Alleen wanneer je expliciet vergeten bent een variabele in te vullen, kun je teruggaan om deze alsnog in te vullen.
Neem na iedere 45 minuten coderen een kwartier pauze, zodat je scherp blijft bij het coderen.
Lees de berichten en de omschrijvingen van de variabelen goed door en neem de tijd om te coderen.
A: Algemene informatie
Artikelnummer – Variabele A1
Voorbeeld: ‘KPN_Twitter_01’
Sociaal medium – Variabele A2
Op welk sociaal medium vindt de conversatie plaats?
Codeer 1 voor Facebook. Codeer 2 voor Twitter.
Bedrijf – Variabele A3
Welk bedrijf staat centraal in de conversatie?
Codeer 1 voor Mobiel NL. Codeer 2 voor Belsimpel. Codeer 3 voor Typhone. Codeer 4 voor T-Mobile. Codeer 5 voor Ben.
Datum – Variabele A4
Op welke datum is het bericht geplaatst? (Ga hier uit van de datum van het eerste bericht in de conversatie die gecodeerd wordt.)
Codeer in ddmmjj vorm, voorbeeld: 29022016
Overig – Variabele A5
Als je een fout bemerkt in het screenshot van de tweet of er een ander opvallend iets is, noteer dit dan in het veld ‘overig’. Het kan bijvoorbeeld zijn dat het screenshot niet het begin van een conversatie laat zien, of dat het screenshot niet volledig is.
B: Soort bericht (eerste bericht in de conversatie)
Bij de onderstaande variabelen gaat het om het eerste bericht in de conversatie; het eerste bericht van de klant. Lees het bericht goed door en lees daarna de beschrijving van onderstaande variabelen goed door, voordat je codeert.
Klacht – Variabele B1
Het soort bericht dat omschreven wordt als een ‘klacht’ is een bericht waarin de klant zijn ongenoegen uit over een probleem met een product of dienst van de organisatie, of over de organisatie of haar medewerkers zelf.
Voorbeeld: ‘@KPNwebcare wanneer doen jullie wat aan die dramatische iTV App voor iOS? Ik betaal daar ook voor, maar is volledig onbruikbaar!’.
Codeer 0 voor ‘klacht afwezig’. Codeer 1 voor ‘klacht aanwezig’.
Vraag – Variabele B2
Het soort bericht dat omschreven wordt als een ‘vraag’ is een bericht waarin de klant een vraag stelt over een product of dienst van het bedrijf, of een vraag stelt over het bedrijf zelf. Hierbij wordt geen ongenoegen geuit.
Voorbeeld: ‘@KPNwebcare hoi! Valt bij jullie MTV brand new bij jullie in het pluspakket?’. Codeer 0 voor ‘vraag afwezig’.
Codeer 1 voor ‘vraag aanwezig’.
Opmerking of suggestie – Variabele B3
Het soort bericht dat omschreven wordt als een ‘opmerking’ of ‘suggestie’ is een bericht waarin de klant een opmerking maakt of een suggestie doet over een product of dienst van het bedrijf, of een opmerking maakt of suggestie doet over het bedrijf zelf. Hierbij wordt geen ongenoegen geuit, maar wordt simpelweg een feitelijk statement gemaakt.
Voorbeeld: ‘@KPNwebcare hallo, de schermgrootte van de lumia 650 op de mijn kpn pagina klopt niet’.
Codeer 0 voor ‘opmerking/suggestie afwezig’. Codeer 1 voor ‘opmerking/suggestie aanwezig’.
(Optioneel) Overig – Variabele B4
Codeer dit antwoord alleen als bij de vorige drie variabelen alle drie ‘0’ is gecodeerd.. Als het bericht van de klant onder geen van de bovenstaande drie categorieën valt, codeer dan overig en vul in het open veld in om wat voor bericht het wel gaat. Probeer dit bondig te houden; tussen de 1 en 5 woorden.
C: Snelheid van reageren
Snelheid van reageren in minuten – Variabele C1
Geef in het tekstvak hieronder aan hoeveel minuten het heeft gekost voor het bedrijf om te reageren op de post van de klant.
Mocht er in het screenshot niet duidelijk worden hoeveel minuten er tussen de reacties zat, refereer dan aan het logboek in de bijlage. Hierin staat een link naar ieder bericht, waardoor dit terug te zoeken is.
Op Facebook staat de tijd van posten bij het eerste bericht altijd direct onder de naam van de consument die het bericht geplaatst heeft en bij reacties hierop altijd volledig onderaan het bericht. In het geval dat de tijd niet gespecificeerd staat bij het moment van posten, dan kan er ook met de cursor bewogen worden over het moment van posten (voorbeeld: ‘2 hours ago’), waarna de specifieke tijd en datum zullen verschijnen.
Op Twitter staat de tijd van posten rechts van de naam van degene die het bericht gepost heeft. Dit wordt vaak aangeduid met alleen het aantal minuten dat verstreken is sinds de post, of met de datum van posten. Wanneer hierop geklikt wordt (voorbeeld: ‘4m’), dan verschijnt onderaan het bericht de precieze tijd en datum.
Snelheid van reageren in categorieën – Variabele C2
Geef aan in welke van de volgende categorieën de snelheid van reageren valt:
Codeer 1 voor 1 tot 59 minuten. Codeer 2 voor 60 tot 119 minuten.
Codeer 3 voor 120 tot 239 minuten.
Codeer 4 voor 240 minuten tot 1439 minuten. Codeer 5 voor 1440 minuten tot 2879 minuten. Codeer 6 voor meer dan 2879 minuten.
D: Toegepaste webcarestrategie
Bij de onderstaande variabelen gaat het om het tweede bericht in de conversatie; het eerste bericht van het bedrijf. Lees het bericht goed door en lees daarna de beschrijving van onderstaande variabelen goed door, voordat je codeert.
Informatie – Variabele D1
De strategie die omschreven wordt als ‘informatie’ is een strategie waarin het bedrijf de consument van informatie verschaft of vraagt naar objectieve informatie, bijvoorbeeld waar meer informatie gevonden kan worden of wat de oorzaak is van het probleem is.
Voorbeeld waarbij informatie strategie gebruikt wordt: ‘@Klant Kun je ons aangeven wanneer dit probleem zich voor heeft gedaan?’.
Voorbeeld waarbij informatie strategie gebruikt wordt: ‘@Klant Goedemorgen! HBO zit inderdaad bij ons in het pakket’.
Codeer 0 voor ‘informatie strategie afwezig’. Codeer 1 voor ‘informatie strategie aanwezig’.
Verontschuldiging – Variabele D2
De strategie die omschreven wordt als ‘verontschuldiging’ is een strategie waarin het bedrijf verantwoordelijkheid accepteert voor hetgeen over geklaagd wordt en eventueel vraagt om vergeving.
Voorbeeld waarbij verontschuldiging strategie gebruikt wordt: ‘@Klant Je hebt helemaal gelijk, dat is fout verkeerd gegaan aan onze kant. Excuses.’
Codeer 0 voor ‘verontschuldiging strategie afwezig’. Codeer 1 voor ‘verontschuldiging strategie aanwezig’.
Sympathie – Variabele D3
De strategie die omschreven wordt als ‘sympathie’ is een strategie waarin het bedrijf sympathie toont met degene die de klacht heeft geuit.
Voorbeeld waarbij sympathie strategie gebruikt wordt: ‘@Klant Wat vervelend! […]’ Codeer 0 voor ‘sympathie strategie afwezig’.
Codeer 1 voor ‘sympathie strategie aanwezig’.
Ontkenning – Variabele D4
De strategie die omschreven wordt als ‘ontkenning’ is een strategie waarin het bedrijf ontkent dat er iets aan de hand is of dat de oorzaak van de klacht bij hen ligt.
Voorbeeld waarbij ontkenning strategie gebruikt wordt: ‘@Klant Ik zie momenteel geen storing bij jou in de buurt. Heb je het kabeltje er wel in zitten?’
Codeer 0 voor ‘ontkenning strategie afwezig’. Codeer 1 voor ‘ontkenning strategie aanwezig’.
Rechtvaardiging – Variabele D5
De strategie die omschreven wordt als ‘rechtvaardiging’ is een strategie waarin het bedrijf de oorzaak van de klacht of de klacht zelf minder erg wil doen lijken dan hij daadwerkelijk is.
Voorbeeld waarbij rechtvaardiging strategie gebruikt wordt: ‘@Klant Nou, dat valt toch wel mee. Het internet heeft er amper uitgelegen.’
