UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2014 – 2015
Succesvolle webcare op Twitter: de rol van de verwachtingen en motieven van de consument
Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Bedrijfseconomie
Barbara Baken onder leiding van Prof. dr. Larivière, B. & De Keyser, A.
UNIVERSITEIT GENT FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2014 – 2015
Succesvolle webcare op Twitter: de rol van de verwachtingen en motieven van de consument
Masterproef voorgedragen tot het bekomen van de graad van Master of Science in de Bedrijfseconomie
Barbara Baken onder leiding van Prof. dr. Larivière, B. & De Keyser, A.
-2-
PERMISSION Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Barbara Baken
Woord vooraf
Na de master Communicatiewetenschappen leek het me interessant om, in combinatie met een vrijwillige stage, nog een vervolgopleiding te doen die wat meer aandacht besteedt aan het commerciële aspect van marketing. Mijn oog viel al snel op de opleiding Bedrijfseconomie. Toch hield het idee een tweede masterpaper te moeten schrijven me tegen. Maar door het gebrek aan alternatieven, was de keuze dan toch snel gemaakt. Achteraf bekeken denk ik dat de vakken een goede aanvulling waren op mijn reeds verworven kennis en heb ik geen spijt van mijn beslissing. Nu hoop ik dat ik ook deze paper, de laatste stap in mijn carrière als student, tot een goed einde kan brengen. Het was in elk geval nooit mogelijk geweest zonder mijn ouders! Ik wil ook graag Arne De Keyser bedanken voor zijn grote bijdrage aan deze paper: de geduldige antwoorden op mijn vele vragen, de hulp bij de datacleaning, de feedback en de richtlijnen. Het is fascinerend hoe iemand, dankzij zijn vaardigheden en kennis over het onderwerp, iets wat voor mij een grote opgave is, zo makkelijk kan doen lijken. Ik kan er dan ook maar naar streven een job te vinden waar ik op termijn even goed in ben. Tenslotte verdienen ook alle respondenten een bedanking. Ik was oprecht verbaasd dat er op korte tijd zoveel Twitter gebruikers vriendelijk hebben gereageerd op mijn verzoek en de tijd hebben genomen om de toch wel uitgebreide enquête aandachtig in te vullen.
-3-
Inhoudsopgave Overzicht van de tabelllen
6
1. Inleiding
7
2. Literatuur 2.1.
Web 2.0
10
2.2.
Word-of-mouth communicatie
10
2.2.1.
Traditionele word-of-mouth communicatie
10
2.2.2.
Elektronische word-of-mouth communicatie
11
2.3.
2.2.2.1. Wat is eWOM?
11
2.2.2.2. Hoe verschilt eWOM van WOM?
11
2.2.2.3. Negatieve eWOM
12
2.2.2.4. Positieve eWOM
13
2.2.2.5. De impact van eWOM op bedrijven
13
eWOM op Twitter
14
2.3.1.
Twitter
14
2.3.2.
Tweets als eWOM
14
2.4.
Webcare
15
2.4.1.
Het ontstaan van webcare
15
2.4.2.
Webcare op Twitter
16
2.4.3.
Webcare bij negatieve elektronische word-of-mouth
17
2.4.3.1. Proactieve vs. Reactieve webcare
17
2.4.3.2. De organisationele respons
18
2.4.4. 2.5.
Webcare bij positieve elektronische word-of-mouth
18
De motieven van de consument voor eWOM
19
3.1.
Procedure
21
3.2.
Dataverwerking
22
3.3.
Steekproef
22
3.4.
Bedrijven
22
3.5.
Variabelen
22
3. Studie
3.5.1.
Centrale Variabelen
24
3.5.2.
Demografische variabelen & controle variabelen
29
3.5.2.1. Demografische variabelen
29
3.5.2.2. Twitter & sociale media gebruik
30
3.5.2.3. Eerdere ervaringen met online feedback
31
3.5.2.4. Expected perceived interactivity
31
3.5.2.5. Klachtgedrag & perceived social risk (steekproef klachten)
32
-4-
4. Resultaten 4.1.
Klachten
33
4.1.1.
RQ1: Welke onderwerpen er voor & hoe kunnen we die categoriseren?
33
4.1.2.
RQ2: Wordt Twitter als eerste kanaal gebruikt voor klachten?
35
4.1.3.
RQ3: Hoe wordt de klacht opgebouwd?
35
4.1.4.
RQ4: Verwachten klanten een bedrijfsrespons na hun tweet?
36
4.1.5.
RQ5: Reageren bedrijven daadwerkelijk op de tweets van hun klanten?
37
4.1.5.1. Respons kanaal
38
4.1.5.2. Timing van de respons
38
4.1.6.
39
4.1.6.1. Tevredenheid over het bedrijf
39
4.1.6.2. Repurchase intent
42
4.1.6.3. Electronic word-of-mouth intenties
44
4.1.6.4. Word-of-mouth intenties
46
4.1.7. 4.2.
RQ6: Wat zijn de gevolgen van webcare bij klachten?
RQ7: Wat is het effect van klantmotieven op de uitkomsten van webcare?
48
Complimenten
4.2.1.
RQ1: Welke onderwerpen er voor & hoe kunnen we die categoriseren?
49
4.2.2.
RQ2: Wordt Twitter als eerste kanaal gebruikt voor complimenten?
50
4.2.3.
RQ3: Hoe wordt het compliment opgebouwd?
51
4.2.4.
RQ4: Verwachten klanten een bedrijfsrespons na hun tweet?
51
4.2.5.
RQ5: Reageren bedrijven daadwerkelijk op de tweets van hun klanten?
53
4.2.5.1. Respons kanaal
53
4.2.5.2. Timing van de respons
53
4.2.6.
RQ6: Wat zijn de gevolgen van webcare bij complimenten?
54
4.2.6.1. Tevredenheid over het bedrijf
54
4.2.6.2. Repurchase intent
56
4.2.6.3. Electronic word-of-mouth intenties
58
4.2.6.4. Word-of-mouth intenties
60
4.2.7.
RQ7: Wat is het effect van klantmotieven op de uitkomsten van webcare?
62
5. Conclusie & managerial implications
63
6. Limitaties & suggesties voor verder onderzoek
67
7. Bibliografie
68
8. Bijlagen
74
-5-
Overzicht van de tabellen Deel 3: Studie TABEL 1: Bedrijven TABEL 2: Centrale variabelen TABEL 3: Motieven van de consument TABEL 4: Demografische variabelen TABEL 5: Twitter & sociale media gebruik TABEL 6: Ervaring met online feedback TABEL 7: Expected interactivity Deel 4: Resulaten 4.1. Klachten TABEL 8: Types klachten e
TABEL 9: Twitter als 1 kanaal TABEL 10: Gebruikte symbolen TABEL 11: Resultaten regressie “respons verwachting” TABEL 12: Perceived situation TABEL 13: Respons kanaal TABEL 14: Timing respons TABEL 15: Resultaten regressie “tevredenheid bedrijf” TABEL 16: Resultaten regressie “repurchase intent” TABEL 17: Resultaten regressie “eWOM intenties” TABEL 18: Resultaten regressie “WOM intenties” TABEL 19: Motieven 4.2. Complimenten TABEL 20: Types complimenten TABEL 21: Gebruikte symbolen TABEL 22: Resultaten regressie “respons verwachting” TABEL 23: Respons kanaal TABEL 24: Timing respons TABEL 25: Resultaten regressie “tevredenheid bedrijf” TABEL 26: Resultaten regressie “repurchase intent” TABEL 27: Resultaten regressie “eWOM intenties” TABEL 28: Resultaten regressie “WOM intenties” TABEL 29: Motieven
-6-
1. Inleiding De voorbije jaren heeft de technologische vooruitgang en het ontstaan van web 2.0 de interactie tussen klanten en bedrijven sterk veranderd (Van Noort & Willemsen, 2011).
Sociale media
platformen zoals Facebook en Twitter zijn explosief gegroeid en de meeste consumenten hebben, dankzij hun smartphones, een constante toegang tot high-speed internet (Larivière et al, 2013). Terwijl meningen over bedrijven vroeger slechts gedeeld werden met een kleine groep kennissen en de klantendienst van een bedrijf, is het nu mogelijk voor de consument om in enkele muisklikken zijn hele netwerk te bereiken (Van Noort et al. , 2011; Ostrom & Ward, 2006). Hoewel de verspreiding van positieve feedback in vele gevallen zeer goed is voor bedrijven, kan sociale media ook ingezet worden voor het delen van negatieve ervaringen, het uiten van frustratie en het nemen van wraak op een merk. Dan kan een strategische aanpak vanuit de bedrijfswereld noodzakelijk zijn (Avery & Fournier, 2011; Van Noort et al. , 2011). Negatieve online mond-tot-mond reclame kan immers leiden tot een slechte reputatie, lagere verkoopcijfers en dalende aandelenkoersen van bedrijven (Chevalier & Mayzlin, 2006; Cheng & Chiou, 2003). Deze ontwikkeling heeft aanleiding gegeven tot webcare: “the act of engaging in online interactions with (complaining) customers, by actively searching the web to address customer feedback” (Van Noort et al., 2011). Er wordt van uit gegaan dat webcare merk evaluaties herstelt of verbetert door het effect van negative word-of-mouth te verzachten, zowel bij de klagende consument zelf als bij zijn netwerk van volgers (Hong & Lee, 2005; Van Noort et al., 2011). Ook gelooft men dat de respons op positive word-of-mouth een gunstige invloed heeft op de attitude ten opzichte van een bedrijf (Demmers, Van Dolen & Weltevreden, 2013). Ondertussen zijn heel wat bedrijven van start gegaan met webcare. Sommigen beschouwen webcare als een uitbreiding van de klantendienst- een extra eerste touch point. Voorbeelden hiervan zijn Colruyt, Decathlon en BNP Paribas Fortis. Zij volgen de verschillende sociale media op tijdens de kantooruren en verwijzen klanten, indien nodig, door naar de face-to-face of telefonische klantendienst. Anderen beschouwen het als een tool voor een volwaardige online customer service. Deze bedrijven, bijvoorbeeld KLM, Ryanair, Mobistar en Ikea, hebben een team opgericht dat via Twitter continue, vaak zelfs ’s avonds en in het weekend, klanten helpt bij het oplossen van problemen en die reageert op zowel positieve als negatieve feedback. De groeiende populariteit en significantie van webcare in de praktijk heeft ervoor gezorgd dat er steeds meer interesse komt vanuit de academische wereld voor dit nieuwe onderzoeksgebied. Verschillende wetenschappers zijn reeds nagegaan hoe en in welke context webcare optimaal
-7-
toegepast moet worden. Van Noort en Willemsen (2011), bijvoorbeeld, toonden aan dat reactieve webcare, dankzij de hoge mate van conversational human voice, op alle platformen een positief effect heeft op de merk evaluaties van de consument. Proactieve webcare daarentegen kan beter vermeden worden in een consumer-generated context (2011). Het is essentieel dat de consument geen gevoelens van privacy schending krijgt (Demmers, Van Dolen & Weltevreden, 2013). Davidow (2003) wees op het belang van de timing van de respons, maar kaartte ook aan dat niet alleen de kenmerken van de respons zelf de uitkomst bepalen maar ook enkele modererende variabelen zoals de perceived justice van de aanpak van het bedrijf en de persoonlijke attitude ten opzichte van klachtgedrag. (2003). Hennig-Thurau (2004) en zijn medewerkers concentreerden zich op de visie van de consument. Zij onderzochten welke motieven de consument aanzetten tot electronic word-ofmouth. Hoewel er de voorbije jaren dus al veel is bijgeleerd over het thema webcare, blijven er toch verschillende aspecten onbelicht. Eerst en vooral, is er nog niet veel aandacht besteed aan het type klachten en opmerkingen dat consumenten posten en aan hoe ernstig ze de situatie percipiëren. Onze eerste doelstelling is dan ook om een overzicht te maken van de meest voorkomende types en de ingeschatte ernst ervan . Ook is nog niet grondig nagegaan waarop de consument hoopt na het posten van eWOM en welk verband dit heeft met de uitkomsten, namelijk de tevredenheid en het daar uit volgend gedrag. Dit leidt tot de tweede en derde doelstelling: het vormen van een beeld van de verwachtingen van de consument en het analyseren van het verband tussen de verwachtingen en de uitkomsten. Verder heeft men de kennis over de drijfveren van de consument nog niet toegepast op recent verzamelde eWOM data. Het testen van het motieven-model van Hennig-Thurau (2004) op de respondenten van dit onderzoek is de vierde doelstelling. Ten slotte, is er ook nog niet geprobeerd om vast te stellen of er een verband is tussen het motief van de consument en (i) zijn verwachtingen en (ii) de evaluatie van de respons. De vijfde en laatste doelstelling is dan ook om te controleren in welke mate de verwachtingen en uitkomsten bepaald zijn door het motief van het consument. De studie wil dus op een exploratieve manier nagaan wat er komt kijken bij het volledige webcare verhaal vanuit het klantenperspectief. Het vormt daarbij een verkenning van een nieuw communicatie-landschap waarmee vele bedrijven geconfronteerd worden. Bovenstaande vragen zullen beantwoord worden op basis van de resultaten van kwantitatieve statistische analyses met behulp van het programma SPSS. De data voor dit onderzoek werd verzameld tussen begin oktober en eind november 2014 op basis van een online survey. Bij dit onderzoek hebben we ons specifiek gefocust op webcare via Twitter, een netwerk dat een steeds grotere rol speelt in het dagelijkse leven van de consument en de interactie met bedrijven (Larivière et al., 2013). We hebben vooraf 16 grote bedrijven geselecteerd die actief zijn op Twitter en de -8-
feedback in verband met deze bedrijven gemonitord. Consumenten die een klacht of compliment publiceerden, ontvingen kort na hun post een tweet om hen uit te nodigen de survey in te vullen. Met dit onderzoek en de resultaten willen we bijdragen aan de academische literatuur rond eWOM en webcare. Er zijn meerdere studies gepubliceerd over elk van de aparte aspecten van webcare, zoals de verwachtingen van de consument, de outcomes van de respons van het bedrijf en de motieven voor eWom. Maar tot nu toe zijn deze zelden gecombineerd in 1 paper of onderzoek. We geloven dat het vaststellen en beschrijven van de interactie tussen de verschillende variabelen een grote meerwaarde is voor toekomstig onderzoek. Bovendien heeft dit onderzoek ook een grote praktische relevantie. Meer inzicht in de verwachtingen van de consument en de achterliggende motieven voor hun feedback zal bedrijven in staat stellen de respons te optimaliseren zodat de uitkomsten voor hen voordeliger zijn. We hopen dat deze paper de bedrijfswereld overtuigt dat kennis van de consument en een daaraan aangepaste strategische webcare belangrijke elementen zijn voor het garanderen van de klanttevredenheid. Deze paper bestaat uit 5 luiken, waaronder deze inleiding. We beginnen met een overzicht van de bestaande literatuur rond eWOM en webcare en stellen zo de verschillende ruime onderzoeksvragen op. Vervolgens beschrijven we het verloop van de dataverzameling en de belangrijke variabelen. Het vierde luik bestaat uit de verschillende analyses en resultaten. Vervolgens geven we in een bondige conclusie de ontdekkingen weer en schetsen we de managerial implications. Tenslotte komen de beperkingen van dit onderzoek en suggesties voor verder onderzoek aan bod.
-9-
2.Literatuur 2.1. Web 2.0 Hoewel het concept van interactieve marketing al lang bestaat, heeft het een belangrijke nieuwe dimensie gekregen sinds het ontstaan van web 2.0 (Erragcha & Romdhane, 2014; Mata & Quesada, 2014). Constantinides en Fountain (2008, p. 232-233) beschrijven Web 2.0 als “een verzameling van open-source, interactieve en door de gebruiker beheerde online applicaties die de ervaringen, kennis en macht over de markt van de gebruikers verruimen in zowel sociale als business gerelateerde processen. Deze toepassingen, bijvoorbeeld AJAX en RSS, ondersteunen de creatie van informele gebruikers netwerken die de flow van ideeën en kennis faciliteren door het efficiënt genereren, delen, dissemineren, aanpassen en publiceren van informationele inhoud”. Bekende voorbeelden van applicaties die te danken zijn aan de ontwikkeling van web 2.0 zijn sociale netwerken zoals Facebook en Twitter, platformen met user-generated content zoals Wikipedia of Youtube en review websites zoals Trip Advisor (Haenlein & Kaplan, 2010; Chowdury, Jansen, Sobel & Zhang, 2009; Riegner, 2007). Ze stellen de consument in staat om makkelijk, snel en met een lage fysieke en mentale kost met miljoenen andere consumenten meningen uit te wisselen en te communiceren, onder meer over bedrijven en hun aanbod (Faulds & Mangold, 2009; Van Noort & Willemsen, 2011; Gupta & Harris, 2010). Het zijn dus, met andere woorden, web 2.0 en de sociale media die de rechtstreekse digitale interactie tussen consumenten onderling én tussen de consument en bedrijven op grote schaal mogelijk hebben gemaakt (Mata et al. 2014; Malthouse & Shankar, 2007). 2.2. Word-of-mouth communicatie 2.2.1. Traditionele word-of-mouth (WOM) Nog voor het digitale tijdperk, in de jaren ’50, waren marketeers al akkoord dat deze persoonlijke interactie tussen consumenten, word-of-mouth genoemd, een sterke overtuigingskracht heeft (Buttle, 1998; Lerman & Sen, 2007). Het wordt beschouwd als een zeer geloofwaardige vorm van marketinginformatie (Hung & Li, 2007). Arndt (1967) beschreef word-of-mouth of WOM als “oral, person-to-person communication between a receiver and a communicator whom the receiver perceives as a non-commercial, regarding a brand, product or service”. Verschillende andere auteurs bevestigen dat het precies dit persoonlijke, non-commerciële aspect is, die er voor zorgt dat consumenten waarde hechten aan de mening van medeconsumenten, vaak opinieleiders, en zich hierdoor ook laten leiden bij aankoopbeslissingen (Katz & Lazarsfeld, 1955; Richins & Root-Shaffer, 1988; East, Hammond & Lomax, 2008).
- 10 -
2.2.2. Elektronische word-of-mouth (eWOM) 2.2.2.1. Wat is eWOM? Hoewel marketeers en bedrijven zich altijd al bewust waren van het belang van word-of-mouth als marketing tool, kwam de grote impact van interpersoonlijke communicatie pas tot uiting bij het ontstaan van web 2.0 en sociale media (Kozinets et al. , 2010; Riegner, 2007). Elektronische word-ofmouth wordt gedefinieerd als: “any positive or negative statement made by potential, actual or former customers about a product or company which is made available to a multitude of people and institutions via the internet” (Hennig-Thurau, Gwinner & Walsh, 2004, p. 39). eWOm heeft in grote mate dezelfde eigenschappen als traditionele WOM. Een voorbeeld hiervan is dat de confrontatie met online WOM over een bepaald product, bijvoorbeeld op een forum, een grotere invloed heeft op de interesse en mening van de consument met betrekking tot dat product dan de confrontatie met reclame of WOM over het zelfde product in de traditionele media (Bickart & Schindler, 2001; Goldsmith & Horowitz, 2006). Dit is net zoals bij face-to-face communicatie te danken aan de hogere geloofwaardigheid, relevantie en mogelijkheid tot empathie (Godes & Mayzlin, 2004). De consument heeft meer vertrouwen in user-generated content dan in informatie afkomstig van een bedrijf (Kuntaraporn, Sun, Youn & Wu, 2006; Han, Lee & Park, 2007) omdat men er van uit gaat dat de medeconsument eerlijk is, geen commerciële belangen heeft en als doel heeft te helpen (Lewis, Phelps, Mobilio, Perry & Raman, 2004; De Bruyn & Lilien, 2008). Het imago van een merk wordt in grote mate bepaald door de word-of-mouth er over. eWOM branding is gebaseerd op social networking en vertrouwen -al heeft men online vaak ook vertrouwen in de beoordelingen van een medeconsument die men niet persoonlijk kent (Ha, 2006; Duan et al., 2008) - en het wordt beschreven als “a captivating, influential, multifaceted and typically hard to influence form of product marketing” (Jansen et al. , 2009, p. 1). 2.2.2.2. Hoe verschilt eWOM van WOM? Het spreekt natuurlijk voor zich dat er ook enkele grote verschillen zijn tussen WOM en eWOM. Het opvallendste verschil is natuurlijk het bereik. WOM is slechts effectief binnen de sociale kring waarin de mening van iemand als relevant wordt beschouwd. De invloed is door het fysieke aspect meestal ook beperkt in tijd en afstand (Berger & Iyengar, 2013). eWOM daarentegen kent dankzij de grote technologische vooruitgang nauwelijks beperkingen (Duan, Gu & Whinston, 2008, p. 1007). Het is meestal publiek toegankelijke, asynchrone communicatie (Cheung & Thadani, 2012, p. 462). Een bericht kan in enkele seconden gepost worden, duizenden mensen bereiken over grenzen heen en daarna permanent online gepubliceerd blijven (Hennig-Thurau et al. , 2004). De mogelijke - 11 -
anonimiteit van het internet zorgt er voor dat zelfs consumenten met minder kennis over het onderwerp minder terughoudend zijn om anderen te adviseren en extreme opinies te posten (Gelb & Sunduram, 2002). Feedback over de ervaringen met een bedrijf die vroeger hooguit met de betrokken klachtendienst en enkele kennissen werd gedeeld, wordt nu een publiek fenomeen (Ostrom & Ward, 2006; Bronner, Neijens & Willemsen, 2013). Hierdoor is eWOM, ondanks het grote volume, veel makkelijker te observeren en meten (Cheung & Thadani, 2012, p. 462). Dellarocas (2003, p. 1410) vatte de verschillen duidelijk samen: “What makes online feedback mechanisms different from the word-of-mouth networks of the past is the combination of (i) their unprecedented scale, achieved through the exploitation of the Internet's low-cost, bidirectional communication capabilities, (ii) the ability of their designers to precisely control and monitor their operation through the introduction of automated feedback mediators, and (iii) new challenges introduced by the unique properties of online interaction, such as the volatile nature of online identities and the almost complete absence of contextual cues that would facilitate the interpretation of what is, essentially, subjective information”. 2.2.2.3. Negatieve eWOM Deze subjectieve informatie kan zowel positief als negatief zijn. Zowel in de academische wereld als in de bedrijfswereld heeft men tot nu toe meer aandacht besteed aan NeWOM (Demmers, Van Dolen & Weltevreden, 2013, p. 55). De reden hiervoor is dat verschillende auteurs overtuigd zijn dat NWOM een groter effect heeft op de consument dan PWOM, vooral bij high-involvement beslissingen (Van Noort et al. , 2011). Men heeft het over het “negativity effect”: negatieve informatie over een product wordt als een sterker signaal voor slechte kwaliteit beschouwd, dan dat positieve informatie als een signaal voor goede kwaliteit wordt beschouwd (Ahluwalia, 2002, p. 278; Lerman et al. 2007; DeCarlo, Laczniak & Ramaswami, 2001). Lee, Rodgers and Kim (2009) voerden een onderzoek uit naar het effect van valence en extremity van eWOM, in de vorm van online reviews, op de merk attitude. Ze toonden aan dat de reviews wel degelijk de evaluaties van de andere consumenten beïnvloeden. In vergelijking met de setting waarin er geen review was, verbeterde een extreem positieve review de attitude ten opzichte van een merk, terwijl een negatieve review, zowel gematigd als extreem, de merk attitude verlaagde. Het effect van de extreem negatieve review op de merk attitude was groter dan het effect van een extreem positieve review of een gematigd negatieve review. Dit bewijst zowel het “negativity effect” als het “extremity effect” (p. 8-9). Lee et al. volgen dan ook de visie van Basuroy et al. (2003,p. 115-116) dat bedrijven voorrang moeten geven aan het vermijden van negatieve reviews in plaats van aan het aanmoedigen van positieve reviews.
- 12 -
2.2.2.4. Positieve eWOM Hoewel de meeste wetenschappers dus prioriteit geven aan het verkrijgen van inzicht in NeWOM, mag ook het onderzoek naar PeWOM niet verwaarloosd worden.
East, Hammond en Lomax
argumenteren zelfs dat er ook sprake is van een “positivity effect” en dat wanneer het over brand purchase probability gaat PWOM een grotere impact heeft dan NWOM. Ze ontdekten dat wanneer er een prior purchase probability is lager dan 0,5 (wat vaak het geval is), positieve berichten een grotere invloed hebben dan negatieve berichten. Demmers, Van Dolen en Weltevreden voegen er aan toe dat “de meeste berichten over bedrijven die consumenten op sociale netwerksites plaatsen juist positief zijn” (2013, p.55; Berger & Milkman, 2012). 2.2.2.5. De impact van eWOM op bedrijven Zowel positieve eWOM als negatieve eWOM kunnen door het grote bereik van de sociale media waarop ze gepost worden een significante invloed hebben op de bedrijven die betrokken zijn. Onderzoek heeft aangetoond dat eWOM invloed heeft op de verschillende fases van het consumer decision-making process. Het begint bij de product evaluatie, keuze en aankoop , maar kan op lange termijn ook de brand loyalty beïnvloeden. Ook kan het gevolgen hebben voor de reputatie, verkoopcijfers en aandelenkoersen van bedrijven (Demmers et al., 2013, p. 55; Chevalier & Mayzlin, 2006; Cheng & Chiou, 2003; Zhu & Zang, 2006). Een voorbeeld hiervan is de ontdekking van Chevalier en Mayzlin in een onderzoek rond online boekenverkoop dat een verbetering van de reviews over een boek, bijvoorbeeld op de website Amazon, zorgt voor een stijging in de verkoop van dat boek via de website. Bovendien is de impact van 1 extra zeer negatieve beoordeling groter (procentuele daling in verkoop) dan de impact van 1 extra zeer positieve beoordeling (Chevalier & Mayzlin, 2006). Cheng & Chiou gingen na wat de impact is van de favorableness van berichten die gepost worden op een discussieforum van een bepaald merk op de evaluatie van dat merk. Ze kwamen tot de conclusie dat het effect afhankelijk is van het huidige merk imago. Bij een merk met een slecht imago is het effect sterker: negatieve boodschappen verlaagden de evaluatie en attitude ten opzichte van het merk significant. Bij het discussieforum van het merk met een sterk imago had de favorableness van de berichten geen onmiddellijke impact (2003, p. 58-59). Duan, Gu en Whinston bestudeerden de relatie tussen online word-of-mouth over een bepaalde film en de verkoopcijfers ervan. In tegenstelling tot andere studies zorgden hogere ratings niet voor hogere verkoopcijfers maar wel het aantal posts. Er was dus eerder sprake van een “awareness effect” dan van een “persuasive effect” (2008, p. 1015). Dit werd al eerder aangetoond door Liu (2006, p. 86-87). Hij suggereert dat het volume (aantal eWOM posts) het cognitieve gevolg awareness produceert terwijl de valence (positieve of negatieve toon van een bericht) de attitude veroorzaakt. Davis en - 13 -
Khazanchi voegen er aan toe dat het vooral de interactie tussen verschillende factoren is, bijvoorbeeld het volume en de productcategorie, die leidt tot een stijging of daling in de verkoopcijfers (2008, p. 138-140). Gupta en Harris wezen tenslotte op de rol van involvement. Consumenten met een zeer lage motivatie om informatie te verwerken gaan zich zeer snel laten leiden door eWOM. Eén enkel positief of negatief bericht functioneert dan als een heuristiek, zelfs wanneer dit leidt tot een suboptimale keuze (2010, p. 1041, 1048). Er bestaat hoe dan ook geen twijfel over dat eWOM een directe impact heeft op de resultaten & reputatie van producten, merken en bedrijven. 2.3. eWOM op Twitter Zoals hierboven misschien al duidelijk werd, is er in het verleden vooral onderzoek gedaan naar eWOM op blogs, forums, bedrijfswebsites en reviewsites. Ondertussen zijn er al weer heel wat nieuwe kanalen die voor deze functie ingezet kunnen worden. Een sociaal netwerk dat, door de grote aanwezigheid van zowel consumenten als bedrijven en de praktische voordelen van microblogging steeds meer dienst doet als eWom kanaal is Twitter. 2.3.1. Twitter Twitter, ontstaan in 2007, is de bekendste applicatie voor microblogging: het versturen en ontvangen van korte boodschappen (maximum 140 tekens) naar een netwerk van volgers (gebruikers die aangegeven hebben jouw updates te willen ontvangen). Deze tweets worden in real-time gepubliceerd op Twitter zelf, maar vaak via een link ook op andere websites en sociale media (Chowdury et al. , 2009). Momenteel heeft Twitter 284 miljoen maandelijks actieve gebruikers. Elke dag worden er 500 miljoen tweets verzonden (www.twitter.com, 2014). 2.3.2. Tweets als eWom Microblogs of specifieker tweets hebben een directe impact op eWOM omdat het mensen toelaat om hun gedachten over producten, merken, bedrijven en de daaraan gerelateerde ervaringen bijna overal onmiddellijk te delen op een in het verleden niet te evenaren schaal (Chowdury et al. , 2009). Microblogging kan zelfs plaatsvinden tijdens het keuze- en aankoopproces (Barton, 2006). Het realtime element heeft als gevolg dat tweets vaak uitdrukking geven aan immediate sentiments en emoties. Het feit dat de tweets zo kort zijn, zorgt ervoor dat mensen ze snel en makkelijk kunnen consumeren en produceren (Lovejoy, Waters & Saxton, 2012). Bovendien blijven ze in de meeste gevallen permanent online gepubliceerd en vindbaar (Chowdury et al. , 2009; Friege et al. , 2010). In 2009 voerden Zhang, Sobel, Jansen en Chowdury een studie uit waarbij ze gedurende een vastgelegde periode 150 000 microblogs analyseerden. Twintig procent van alle posts bleek een - 14 -
bedrijf, merk of product te vermelden. Uit deze selectie bevatte 20% een duidelijke opinie over het vermelde merk, waarvan 55% een positieve opinie. (p. 2178). Bij het onderzoek gerelateerd aan deze paper maken we ook eerst een “inventaris” van de respondenten en hun tweets. We zoeken exploratief antwoorden op de volgende onderzoeksvragen: RQ1 Welke onderwerpen komen voor in onze sample en hoe kunnen we die categoriseren? RQ2 Wordt Twitter als 1e kanaal gebruikt voor klachten en/of complimenten? RQ3 Hoe wordt de klacht/ het compliment opgebouwd (met @, # of beide?) 2.4 Webcare 2.4.1 Het onstaan van webcare Deze nieuwe en zeer invloedrijke vorm van communicatie over de prestaties van bedrijven en daaruit groeiende macht van de consument vormt natuurlijk een grote uitdaging voor marketeers en bedrijfsleiders (Berry, Bulton, Bridges, Meyer, Parasuraman & Seiders, 2010). Het volstaat niet langer om gewoon online aanwezig te zijn en te focussen op het verspreiden van promotionele inhoud. Niet alle communicatie kan gecontroleerd worden, maar men kan wel participeren. Bedrijven moeten zelf actief gebruik maken van de mogelijkheden van web 2.0 om over te gaan tot relationele marketing waarbij een band wordt opgebouwd met de klanten door sterke inzichten in hun behoeften te verzamelen en op basis daarvan persoonlijk te communiceren (Avery & Fournier, 2011). Een aspect daarvan is het monitoren van eWOM om zo een efficiënte online klantendienstverlening aan te bieden, ook wel webcare genoemd (Beukeboom, Kerkhof, Utz, 2010). Webcare wordt gedefinieerd als “the act of engaging in online interactions with (complaining) customers, by actively searching the web to address consumer feedback” (Van Noort & Willemsen, 2012, p. 133; Harrison- Walker, 2001; Hong & Lee, 2005). Deze interactie bestaat vaak uit een bedanking of
verontschuldiging, compensatie of het aanbieden van een oplossing voor een
probleem (Bronner et al. , 2013). Webcare wordt toegepast door enkele medewerkers binnen een bedrijf, vaak een daarvoor opgeleid team, en functioneert als een tool voor customer relationship management en brand reputation management (Van Noort et al. , 2011). Het verhoogt de tevredenheid en trouwheid van de klanten en kan positieve WOM aanmoedigen (Willemsen et al. , 2013). Bovendien helpt het toepassen van klantgerichte webcare bij het opbouwen van een sterkere brand equity door onder meer aan te tonen dat men oor heeft naar de mening van de klanten (Hong & Lee, 2005; Song & Lee, 2010; De Ruyter & Van Laer, 2010).
- 15 -
2.4.2. Webcare op Twitter Deze nood aan webcare heeft zich ook al geuit op Twitter. De grote populariteit van de toepassing resulteert in een enorme flow of content, die idealiter continue systematisch gemonitord en gemanaged wordt als deel van een proactieve marketing strategie (Chowdury et al. , 2009, p. 21842185). Doordat steeds meer consumenten niet alleen feedback posten, maar ook bewust online opinies zoeken (Goldsmith et al. , 2006) hebben eWOM tweets via het effect op de brand knowledge vaak ook een indirect effect op de brand relationship (Esch, Langner, Schmitt & Geus, 2006, p. 103). Zelfs neutrale tweets die puur de brand awareness verhogen, kunnen op termijn hetzelfde effect genereren. Een hogere of lagere brand satisfaction wordt uiteindelijk ook weerspiegeld in de aankopen (Esch et al. , 2006; Chowdury et al. ,2009). Brand managers spelen hier best op in door zelf op Twitter actief te werken aan het verbeteren van het brand image en de relatie met de klanten. Bijvoorbeeld door het tonen van engagement: het beantwoorden van vragen, dialoog aangaan met klanten, nieuws tweeten, complimenten retweeten,… (Chowdury et al. , 2009). Veel klanten zijn zich ondertussen al bewust van de nieuwe customer service mogelijkheden via Twitter en twijfelen dan ook niet om bij een probleem via een korte tweet onmiddellijk contact te zoeken met het bedrijf. Vaak doet men zelfs beroep op NeWOM nog voor men geprobeerd heeft ter plekke, bijvoorbeeld in een winkel of op de luchthaven, het probleem te melden of hulp te vragen. Velen beschouwen het als de makkelijkste manier om frustraties te uiten en weten dat er een grotere kans is op een snelle respons. Anderen beschouwen Twitter, dankzij zijn publieke aard, als een laatste optie wanneer men onvoldoende hulp heeft gekregen via een ander kanaal. Het type respons, waaronder een verontschuldiging, doorverwijzing of oplossing, moet aangepast worden aan de motivatie voor de tweet (Fan & Niu, 2012). In deze paper gaan we na of ook de respondenten in onze steekproeven een respons verwachten en of ze effectief een antwoord gekregen hebben. RQ4 Verwachten klanten een bedrijfsrespons na het uiten van hun mening op Twitter? RQ5 Reageren bedrijven daadwerkelijk op tweets van hun klanten?
- 16 -
2.4.3. Webcare bij negatieve elektronische word-of-mouth (NeWOM) De negatieve uitlatingen van een consument, vaak zonder enige twijfel anoniem gepost als wraak voor een slechte ervaring, hebben het potentieel de reputatie van een bedrijf te schaden (Grégoire, Legoux, Tripp, 2009). Een tijdige en gepaste respons zorgt niet alleen voor een snellere oplossing van het probleem, het kan ook vermijden dat anderen voor dezelfde reden het bedrijf aanvallen (Hong et al. , 2005). Toch moeten webcare managers er wel rekening mee houden dat door de extreme snelheid van sociale media een, volgens de perceptie van het publiek, ongepaste of onbevredigende reactie snel tot een NeWOM spiraal kan leiden (Van Noort et al. , 2011). De nood vanuit de bedrijfswereld aan een dieper inzicht in succesvolle webcare heeft er voor gezorgd dat heel wat academici onderzoek hebben gedaan naar de efficiëntste aanpak van NeWOM. 2.4.3.1. Proactieve vs. reactieve webcare Een eerste aspect dat onderzocht is geweest, is de strategie: past men webcare beter proactief en/of reactief toe? Bij een reactieve webcare strategie reageert het bedrijf enkel wanneer daar expliciet om gevraagd is door de consument (Van Noort et al. , 2011). Bijvoorbeeld het geven van een antwoord op een vraag. Bij een proactieve aanpak, reageert het bedrijf ongevraagd op de boodschappen van de consument (Malthouse, 2007). Een experiment van De Ruyter et al. (2011) toont aan dat zowel proactieve als reactieve online communicatie van een bedrijf ten opzichte van hun klanten een belangrijke impact heeft op het ontstaan van een customer relationship. Van Noort en Willemsen (2011) onderzochten de impact van proactieve vs. reactieve webcare op de evaluatie van het merk met als extra variabelen de context en de mate van conversational human voice. De context verwijst naar het platform waar de webcare op wordt toegepast, brand-generated vs. consumer-generated. Conversational human voice is “an engaging and natural style of organizational communication as perceived by an organization’s publics based on interactions between individuals in the organizations and individuals in publics” (Kelleher, 2009, p. 177). Het is met andere woorden communicatie die open, non-persuasief en persoonlijk overkomt. Lee, Hwang en Lee noemen het “candid dialogue” (2006, p. 331) Een eerste duidelijke conclusie van het experiment van Van Noort en Willemsen is dat consumenten een merk positiever evalueren na het zien van een situatie waarbij het merk heeft gereageerd op NeWOM dan wanneer het merk de opmerkingen heeft genegeerd. Dit betekent dat zowel proactieve als reactieve webcare de merk evaluaties van de consumenten die blootgesteld zijn aan NeWOM positief beïnvloeden. In een consumer-generated context heeft de consumenten wel een duidelijke voorkeur voor reactieve webcare. De reden hiervoor is dat de mate van human conversational voice lager gepercipeerd wordt
- 17 -
bij proactieve webcare, zeker wanneer deze wordt toegepast in een omgeving waar de tussenkomst van bedrijven niet altijd gewaardeerd wordt (2011, p. 137-138). 2.4.3.2. De organisationele respons In 2003 heeft Davidow een model opgesteld op basis van de toen bestaande relevante literatuur om inzicht te krijgen in hoe de organisationele respons op een klacht het postcomplaint customer behavior beïnvloedt. Hij identificeerde 6 dimensies van de organisationele respons die een invloed hebben op de tevredenheid: timeliness, facilitation, redress, apology, credibility en attentiveness. (2003, p. 232). De onderzoeksresultaten in verband met de invloed van “timeliness”, namelijk hoe lang het duurt voor iemand een respons ontvangt op zijn bericht, zijn zeer uiteenlopend. Davidow (2003, p. 234) concludeert hierdoor dat: “Within reason, speed may not be a factor. It is only when the delay is beyond expectations that it becomes a significant factor”. Dit wordt ondersteund door Gilly (1987) die zegt dat niet de response time, maar de perceived response time een belangrijke variabele is. Maar de grote bijdrage van het model voor dit onderzoek is dat Davidow (2003) aankaart dat het niet rechtstreeks de kenmerken van de respons zelf zijn die het toekomstig gedrag bepalen, maar ook de perceived justice van de respons, de invloed van situationele omstandigheden en de daaruit volgende tevredenheid. Davidow (2003, p. 247) beschrijft perceived justice als “the customer’s feeling or reaction to the organizational complaint response which should have a major impact on satisfaction and postcomplaint customer behavior”. Het wordt beschouwd als een antecedent van tevredenheid, die leidt tot repurchase intentions en word-of-mouth activity. Dit werd bevestigd in een onderzoek door Liao (2007): Bij een service recovery performance speelt de perceived justice een mediërende rol op de tevredenheid en repurchase intent. Dewitt et al. (2008) toonden aan dat de perceived justice na een interactie met een bedrijf een directe impact heeft op de emoties. Deze emoties beïnvloeden de attitude ten opzichte van het bedrijf en dus zo ook de customer loyalty. 2.4.4. Webcare bij positieve elektronische word-of-mouth (PeWOM) Demmers et al. (2013) hebben een onderzoek bestaande uit 3 studies uitgevoerd om na te gaan hoe bedrijven het best reageren op PeWOM. De eerste belangrijke conclusie was het feit dat respondenten die een antwoord ontvingen op hun compliment een positievere attitude verandering ten opzichte van het bedrijf rapporteerden dan de respondenten die geen antwoord kregen, onafhankelijk van hun respons verwachting. Bij deze studie waren alle tweets wel specifiek aan het bedrijf gericht. Opvallend is wel dat dit niet betekent dat de tweede groep een negatieve attitudeverandering ten opzichte van het bedrijf rapporteerde. In studie 2 stelden ze vast dat een - 18 -
reactie op een rechtstreeks aan het bedrijf gericht bericht leidde tot een significant hogere tevredenheid dan een reactie op een niet aan het bedrijf gericht PeWOM bericht. Een verklaring hier voor is dat consumenten die een compliment rechtstreeks aan het bedrijf richten, een bedanking verwachten voor hun waardering. Wanneer deze verwachting wordt ingelost, is men tevreden en kan dit een aanmoediging zijn voor verdere PeWOM. Belangrijk is wel dat de manier van reageren gevoelens van privacy schending voorkomt, onder meer door het bericht niet te sterk te personaliseren. Diaconescu (2012), toenmalig masterstudente aan de universiteit van Amsterdam, kwam eerder al tot een gelijkaardige conclusie in haar masterpaper onderzoek rond “Organisational responses to PWOM on Twitter” : een gepaste respons op PWOM, zonder opvallende commercial cues, verhoogt de toekomstige purchase intentions. Ook in het onderzoek verbonden aan deze paper bekijken we de impact van webcare op de tevredenheid en repurchase intent van de consument . Bovendien gaan we na hoe de eWOM intenties beïnvloed worden door de respons van het bedrijf en de daaruit volgende evaluaties. Dit zowel voor de positieve eWOM als de negatieve eWOM. RQ6 Wat zijn de gevolgen van webcare bij klachten en bij complimenten? 2.5. De motieven van de consument Het is duidelijk waarom bedrijven die vaak het onderwerp van eWOM zijn, moeten overwegen om webcare toe te passen op de voor hen belangrijkste platformen. Wat nog niet aan bod is gekomen, zijn de motieven van de consument: Wat zijn de drijfveren voor het posten van eWOM berichten? Verschillende auteurs gaan er van uit dat de motieven voor eWOM gelijkaardig zijn aan deze voor traditionele WOM (Hennig-Thurau et al. , 2004), onder meer beschreven door Sundaram, Mitra en Webster (1998). Hennig-Thurau et al. hebben op basis van de bestaande literatuur rond (e)WOM motieven een theoretisch model opgesteld. Ze vertrekken vanuit de “social interaction utility theory” van Balasubramanian en Mahajan (2001), bestaande uit 3 utility types, die verklaart hoe sociale en economische activiteiten geïntegreerd worden in de context van een virtual community. Het eerste type is de “focus-related utility”: de utility afkomstig van het toevoegen van waarde aan de community door de eigen bijdragen, bijvoorbeeld een review. Deze bestaat uit 4 motieven: “concern for other customers” (altruïsme), “helping the company” (als gevolg van tevredenheid), “social benefits” (integratie & identificatie) en “exerting power” (de macht van het collectief over een bedrijf door NeWOM). “Consumption utilility” is het tweede type. Het staat voor de waarde die men verkrijgt door de directe consumptie van bijdragen van andere consumenten. Dit is gelinkt aan het “advice seeking motive”: het verwerken van kennis en vaardigheden om beter om te kunnen gaan - 19 -
met een bedrijf, dienst of product. Het laatste type van Balasubramanian et al. is de “approval utility”: de tevredenheid van de consument wanneer anderen zijn of haar bijdragen gebruiken, goedkeuren en/of waarderen, formeel of informeel. Twee motieven zijn gerelateerd aan dit type utility: de “self enhancement motive” (verlangen naar erkenning van anderen) en de “economic rewards motive”. Hennig-Thurau et al. stellen voor om nog 2 utility types toe te voegen. De eerste is de “moderator-related utility”: het nut van een derde partij (hier een kanaal) die het makkelijker maakt om een klacht te plaatsen of een bedrijf te contacteren. De motieven die hierbij horen zijn “convenience” en “problem-solving support”. Het tweede type is de “homeostase utilty”. Deze is gebaseerd op het verlangen van de mens naar evenwicht en de nood aan catharsis, bijvoorbeeld het uiten van frustraties via een klacht na een slechte aankoop. Hierbij horen twee motieven, welke van beide van toepassing is, hangt af van de situatie: “expressing positive emotions” bij tevredenheid en “venting negative feelings” wanneer men teleurgesteld is. De 27 items die deze motieven beschrijven werden op basis van een PCA analyse samengevat in 8 factoren (Hennig-Thurau et al. , 2004). Deze worden weergegeven in deel 3 van deze paper, “studie”, in tabel 3. Willemsen et al. ontdekten dat de achterliggende NeWOM motieven een effect hebben op de webcare ontvankelijkheid, in termen van webcare gewenstheid, webcare tevredenheid en post-webcare eWOM activiteiten (2013, p. 65). Zo komen we bij de laatste onderzoeksvraag van deze paper: RQ7 Wat is het effect van de klantmotieven op de uitkomsten van webcare?
- 20 -
3. Studie Het doel van deze paper was om meer inzicht te krijgen in de visie van de consument in verband met webcare: waarom geeft men online feedback, wat verwacht men van het bedrijf en welke impact heeft de respons van het bedrijf? In dit onderzoek hebben we specifiek gefocust op Twitter, omdat ondanks het grote bereik & populariteit , er vanuit de academische wereld nog niet veel aandacht is besteed aan hoe succesvol & efficiënt het gebruik van dit netwerk is als tool voor online customer service en reputation management. Om een realistisch beeld te krijgen, is er voor gekozen de data te verzamelen aan de hand van een via Twitter verstuurde online enquête bij echte consumenten die recent een klacht of compliment op het sociale netwerk hadden gepost in verband met één van de bedrijven die we geselecteerd hebben. 3.1. Procedure Om respondenten te vinden voor dit onderzoek werd Twitter gedurende de periode van de dataverzameling, oktober-november 2014, bijna dagelijks gemonitord. Hiervoor werd een nieuwe Twitter account aangemaakt die specifiek het masterpaper onderzoek en de onderwijsinstelling vermeldde. Er werden op 4 manieren tweets verzameld: (i) door te kijken op de profielen van de geselecteerde bedrijven en door te zoeken via (ii) de naam van het bedrijf, (iii) een hash-tag met de naam van het bedrijf en (iv) een @ met de naam van het bedrijf. Wanneer een duidelijke klacht of compliment gevonden werd, gerelateerd aan 1 van de geselecteerde bedrijven, stuurden we een tweet, in het Nederlands of Engels, naar de verzender met de vraag deel te nemen aan onze enquête. Indien hij of zij akkoord ging, werd een tweede tweet verstuurd met de link naar de juiste enquête.
- 21 -
Met behulp van de online software van Qualtrics zijn 2 enquêtes opgesteld, met elk een Nederlandstalige en Engelstalige versie. De enquête in verband met klachten werd verstuurd naar consumenten die op Twitter een boodschap met negatieve feedback hadden geplaatst. De andere enquête was gericht aan consumenten die een positieve boodschap hadden geplaatst. 3.2. Dataverwerking De resultaten van de 4 enquêtes zijn uit Qualtrics geëxporteerd naar het statistiek software pakket SPSS en omgezet tot 2 files: de data over de klachten en de data over de complimenten. De datacleaning bestond uit het verwijderen van respondenten uit de steekproef die de enquête niet afgewerkt hebben, het maken van categorie en dummy variabelen en het testen en opstellen van schalen. 3.3. Steekproef In totaal hebben 185 Twitter gebruikers de enquête volledig ingevuld. 105 respondenten hadden een klacht gepost, 80 een compliment.
Tijdens de dataverzameling viel het op dat verschillende
respondenten akkoord gingen de enquête in te vullen vanwege een persoonlijke of professionele interesse in het onderwerp. In beide steekproeven is de meerderheid van de respondenten mannelijk (gemiddeld 70,7%), Nederlandstalig (gemiddeld 84,8%) en hooggeschoold (gemiddeld 78%). De gemiddelde leeftijd is 35 jaar. 3.4. Bedrijven Om het dataverzamelingsproces overzichtelijk te houden,
maar tegelijk voldoende variatie te
hebben in de inhoud van de klachten, is beslist om te focussen op 4 grote sectoren: retail, telecom, luchtvaart en banken. Per groep zijn 4 bedrijven of organisaties geselecteerd op basis van hun Twitter activiteit. Deze worden weergegeven in tabel 1. Voor dit onderzoek was het essentieel dat de geselecteerde bedrijven actieve Twitter gebruikers zijn die ook frequent interactief communiceren met de consument. Ongeveer de helft van onderstaande bedrijven geeft aan op Twitter dat een (webcare) team aanwezig is om de klanten te helpen.
- 22 -
TABEL 1: Bedrijven Bedrijf
Steekproef Complimenten (n=80)
Steekproef klachten (n=105)
Belfius
1
8
Belgacom/Proximus
5
18
BNP Paribas
0
2
Brussels Airlines
4
4
Colruyt
8
11
Decathlon (BE & NL)
4
1
H&M (BE & NL)
2
1
Ikea
11
14
ING Belgium
1
5
KBC Belgium
5
7
KLM
9
4
Lufthansa
11
6
Mobile Vikings
9
8
Mobistar
4
7
Ryanair
2
4
Telenet
2
5
- 23 -
3.5. Variabelen 3.5.1. Centrale variabelen Om de validiteit te verhogen hebben we voor de centrale variabelen gebruik gemaakt van constructen die al eerder gemeten zijn in wetenschappelijk onderzoek. Bovendien is voor elk construct een reliability analysis uitgevoerd om na te gaan of de interne consistentie voldoende hoog is. Alle samengestelde variabelen hebben een Cronbach’s alfa hoger dan 0,7. Hoewel de meerderheid van de vragen algemeen was en dus in beide enquêtes aan bod kwam, is toch geprobeerd om, waar mogelijk, de vragen aan te passen aan de setting: klacht of compliment. Een voorbeeld hiervan is het vervangen van het woord “probleem” in “situatie”. Bij de vragen in verband met de motieven van de consument voor het posten van online feedback, overgenomen uit de paper van Hennig-Thurau et al. (2004), zijn er enkele statements die slechts van toepassing waren in 1 van beide settings. In de tabel staat naast deze items de relevante setting tussen haakjes. Enkel de relevante statements zijn opgenomen in de schaal en dus in de berekening van de Cronbach’s alfa. Tabel 2 geeft een overzicht van de 4 outcome variabelen en 2 invloedrijke factoren. Tabel 3 toont de 8 motieven.
- 24 -
TABEL 2: Centrale variabelen deel (p.25-26) Variabele
Items ( op 7-punt Likert schalen)
Gemiddelde
S.D.
Cronbach’s α
Bron
“Naar mijn mening, heeft het bedrijf een bevredigende oplossing aangeboden voor mijn probleem” “Ik ben niet tevreden met de manier waarop het bedrijf mijn probleem heeft behandeld” “Bij deze specifieke gebeurtenis ben ik tevreden door de aanpak van mijn probleem door het bedrijf”
Klachten: 4,27
Klachten: 1,65
Klachten: 0,765
Maxham III & Netemeyer (2002), “A Longitudinal Study of Complaining Customers’ Evaluations of Multiple Service Failures and Recovery Efforts”, Journal of marketing, vol. 66
“In het algemeen ben ik tevreden over mijn ervaringen met het bedrijf” “Over het algemeen beschouwd, ben ik ontevreden over het bedrijf” “In het algemeen, ben ik tevreden over de kwaliteit van de dienstverlening van het bedrijf”
Klachten: 4,67
Klachten: 1,80
Klachten: 0,931
Complim.: 5,80
Complim.: 0,86
Complim.: 0,733
Maxham III & Netemeyer (2002), “A Longitudinal Study of Complaining Customers’ Evaluations of Multiple Service Failures and Recovery Efforts”, Journal of marketing, vol. 66
“Algemeen genomen heeft het bedrijf het probleem/ de situatie op een rechtvaardige manier behandeld”
Klachten: 4,44
Klachten: 1,70
Klachten: 0,852
Van Vaerenbergh, Y., Larivière, B., and Vermeir, I. (2012),
“De dienstverlener heeft het probleem/ de situatie rationeel opgelost”
Complim.: 5,50
Complim.: 1,12
Complim.: 0,797
"The impact of process recovery communication on customer satisfaction, repurchase intentions, and word-of-mouth intentions",
Tevredenheid oplossing
Tevredenheid bedrijf
Perceived justice
“Algemeen genomen was de manier waarop de dienstverlener het probleem/de situatie heeft opgelost niet eerlijk”
- 25 -
Journal of Service Research,vol. 15, no. 3
Repurchase Intent “In de toekomst ben ik van plan de diensten/producten van dit bedrijf te gebruiken”
Klachten: 4,93
Klachten: 1,81
Klachten: 0,918
“In de nabije toekomst, zal ik geen beroep meer doen op de diensten/producten van dit bedrijf”
Complim.: 6,26
Complim.: 0,81
Complim.: 0,830
Klachten: 3,76
Klachten: 1,69
Klachten: 0,911
“In de toekomst blijf ik klant van dit bedrijf”
Van Vaerenbergh, Y., Larivière, B., and Vermeir, I. (2012), "The impact of process recovery communication on customer satisfaction, repurchase intentions, and word-of-mouth intentions", Journal of Service Research, vol. 15, no. 3
PWOMonline “In welke mate denk je dat je positieve dingen zou zeggen over het bedrijf op sociale netwerksites zoals Twitter of Facebook?”
Keiningham, T.L., Rust, R., Akosy, L., Larivière, B. and Williams L.
(2015), “Understanding the Nature of Customer Wordof-Mouth”, working paper
“In welke mate denk je dat je het bedrijf zou aanraden op sociale netwerksites zoals Twitter of Facebook?” “In welke mate denk je dat je sociale media zou gebruiken om vrienden en familie aan te moedigen te kopen bij het bedrijf?” “In welke mate is het waarschijnlijk dat je een volger/fan zou worden van het bedrijf op sociale netwerksites zoals Twitter/Facebook?“
Complim.: 5,44
Complim.: 1,20
Complim.: 0,828
“In welke mate denk je dat je face-to-face positieve dingen over het bedrijf zal zeggen tegen anderen?”
Klachten: 3,41
Klachten: 1,73
Klachten: 0,981
PWOMoffline Keiningham, T.L., Rust, R., Akosy, L., Larivière, B. and Williams L. (2015),
“Understanding the Nature of Customer Word-ofMouth”, working paper
“In welke mate denk je dat je face-to-face het bedrijf zou aanbevelen?”
“In welke mate is het waarschijnlijk dat je face-to-face familie en vrienden zou aanmoedigen bij het bedrijf te kopen”?
- 26 -
Complim.: 5,84
Complim.: 1,15
Complim.: 0,913
TABEL 3: Motieven van de consument (p. 27-28) Variabele
Items ( op 7-punt Likert schalen)
Platform assistance
“I published this post on Twitter because…”
“I believe the platform operator knows the person in charge within the company and will convey my message” “the platform operator will stand up for me when speaking to the company” “I believe companies are more accommodating when I publicize the matter” “it is more convenient than calling or writing to the company” “it is not that costly” “one has more power together with others than when writing a single letter of complaint”
Gemiddelde
S.D.
Cronbach’s α
Klachten: 5,03
Klachten: 1,14
Klachten: 0,765
Complim.: 4,98
Complim.: 1,27
Complim.: 0,815
Klachten: 2,74
Klachten: 1,54
Klachten: 0,846
Klachten: 3,55
Klachten: 1,98
Klachten: 0,901
Complim.: 5,14
Complim.: 1,46
Complim.: 0,866
Klachten: 3,41
Klachten: 1,57
Klachten: 0,737
Complim.: 4,47
Complim.: 1,54
Complim.: 0,815
Venting negative feelings “the company has harmed me and now I will harm the company” “I want to take vengeance upon the company” “my contributions help me to shake off frustration about bad buys” “I like to get my anger off my chest”
Concern for other customers “I want to help others with my positive experience” (pos.) “I want to give others the opportunity to buy the right product” (pos.) “I want to warm others of bad products” (neg.) “I want to save others from having the same negative experiences as me” (neg.)
Extraversion/ pos. self enhancement
“this way I can express my joy about a good buy” (pos.) “I feel good when I can tell others about my buying success” (pos.) “I can tell others about a great experience” (pos.) “my contributions show that I am a clever customer” (pos. & neg.) “I feel good when I can warn others by sharing my buying failures” (neg.-aangepast)
- 27 -
Social benefits Klachten: 3,85
Klachten: 1,56
Klachten: 0,864
Complim.: 5,95
Complim.: 1,18
Complim.: 0,875
Klachten: 2,45
Klachten: 1,50
Klachten: 0,872
Complim.: 2,67
Complim.: 1,59
Complim.: 0,838
Complim.: 5,75
Complim.: 1,35
Complim.: 0,718
“I expect to receive tips or support from other users”
Klachten: 4,11
Klachten: 1,72
Klachten: 0,889
“I hope to receive advice from others that help me solve my problems”
Complim.: 3,89
Compl.: 1,7
Complim.: 0,881
“ I believe a chat among like-minded people is a nice thing” “it is fun to communicate with others that are active on Twitter” “I meet nice people by posting on Twitter”
Economic incentives “the incentives I receive”
“I receive a reward for writing”
Helping the company “I am so satisfied with the company and its products/services that I want to help the company be successful” “in my own opinion, good companies should be supported”
Advice seeking
Bron: Hennig-Thurau, T. , Gwinner, K. , Walsh, G. & Gremler, D. (2004). Electronic word-of-mouth via consumer-opinion platforms: what motivates consumers to articulate themselves on the Internet? Journal of interactive marketing, vol. 18, no. 1, p. 38-52.
- 28 -
3.5.2. Demografische variabelen en controle-variabelen Onderstaande variabelen hebben als doel om een beeld te geven van de steekproeven: wie heeft deelgenomen aan dit onderzoek, hoe sterk is hun sociale media kennis en wat zijn hun attitudes en ervaringen in verband met online interactie met bedrijven? In het volgende luik, de resultaten, worden de demografische variabelen en de ingeschatte Twitter en sociale media ervaring opgenomen in regressie analyses om hun impact op enkele afhankelijke variabelen na te gaan. 3.5.2.1 Demografische variabelen TABEL 4: Demografische variabelen Variabelen
Steekproef Complimenten (n=80)
Steekproef Klachten (n=105)
Man
56 (70%)
75 (71,4%)
Vrouw
24 (30%)
30 (28,6%)
Jong (<= 25)
16 (20%)
20 (19%)
Middel (26-55)
61 (76,3%)
80 (76,2%)
Oud (> 55)
3 (3,7%)
5 (4,8%)
Laaggeschoold (Lagere/Middelbare school)
20 (25%)
20 (19,1%)
Hooggeschoold (Bachelor en hoger)
60 (75%)
85 (80,9%)
Nederlands
63 (79%)
95 (90,5%)
Engels
17 (21%)
10 (9,5%)
Geslacht
Leeftijd
Diploma
Taal
De meeste respondenten die deelgenomen aan dit onderzoek zijn mannelijk, tussen de 26 en 55 jaar, Nederlandstalig en hooggeschoold. De gemiddelde leeftijd is 35 jaar.
- 29 -
3.5.2.2. Twitter & sociale media gebruik TABEL 5: Twitter & sociale media gebruik Variabelen
Items
Gemiddelde
S.D.
Α
Klachten: 5,93
Klachten: 1,11
Klachten: 0,967
Complim.: 6
Complim.: 1,13
Complim.: 0,875
Klachten: 6,06
Klachten: 0,92
Klachten: 0,971
Complim.: 5,95
Complim.: 1,18
Complim.: 0,955
(7-punt Likert schaal: helemaal niet akkoord tot helemaal akkoord)
Twitter expertise “Ik heb veel ervaring met Twitter” “Ik ben vertrouwd met de verschillende mogelijkheden van Twitter” “Ik ben zelfzeker over mijn kennis en gebruik van Twitter” Sociale media exp.
“Ik heb veel ervaring met sociale meda in het algemeen” “Ik ben vertrouwd met de verschillende mogelijkheden van sociale media in het algemeen” “Ik ben zelfzeker over mijn kennis en gebruik van sociale media in het algemeen”
Op de schaal “Twitter expertise” hebben de respondenten die een compliment gepost hadden een gemiddelde score van 6. De mediaan is ook 6 en de modus is 7. 83,7 % van de respondenten gaf zichzelf gemiddeld minstens een 5 en gaat dus minstens een beetje akkoord met de statements. 37,5% van de respondenten heeft gemiddeld een 7 en gaat dus helemaal akkoord met alle 3 de statements. Bij de schaal “sociale media expertise” zien we zeer gelijkaardige resultaten. Ook de respondenten die de enquête over klachten hebben ingevuld, zijn zelfzeker over hun Twitter en sociale media kennis. 87,5% van de respondenten gaf zichzelf gemiddeld minstens een 5 voor de schaal Twitter expertise. 33,3% had gemiddeld zelfs een 7. Bij sociale media ligt het gemiddelde nog iets hoger (6,06 ipv 5,93). Hier had 37,1% van de respondenten een score van 7 op de schaal. Een grote groep gaat dus zonder twijfel helemaal akkoord met de statements. De hoge mate van zelfzekerheid is te danken aan het zeer frequente gebruik. Geen enkele respondent van de complimenten vragenlijst bezoekt Twitter minder dan 1 keer per week. 39,2% bezoekt Twitter een paar keer per dag en 55,7% laat het programma zelfs constant open staan. Het is dan ook niet verbazend dat 83,8% van de respondenten dagelijks ook tweets leest. De meeste respondenten zijn actieve Twitter gebruikers en posten ook berichten. Opvallend is dat 62,8% van de respondenten dit dagelijks doet. 65% van de respondenten volgt het bedrijf waarover ze een - 30 -
compliment hebben gepost op Twitter. 46,3% volgt het op Facebook. Van de respondenten die een tweet met een negatieve toon hadden gepost, bezoekt maar liefst 92,4% Twitter minstens 1 keer per dag. Bovendien wordt er ook actief gepost: 53,3% post minstens 1 keer per dag een bericht en 34,3% post wekelijks een bericht. 52% van de respondenten volgt het bedrijf waarover ze een klacht gepost hebben op Twitter. 19% volgt het bedrijf op Facebook. 3.5.2.3. Eerdere ervaringen met online feedback (TABEL 6) Items
Frequent
Frequentie bij Nooit
steekproef klachten Niet frequent
66,3%
16,3%
3,8%
80,9%
15,2%
5%
56,3%
38,8%
2,9%
74,3%
23,8%
“ervaringen over een bedrijf gecommuniceerd op Twitter, zonder de post specifiek aan het bedrijf te richten”
17,5%
65%
17,6%
12,4%
77,1%
10,5%
“ervaringen gedeeld met uw volgers op Twitter over een teleurstellende dienstverlening of slecht product van een bedrijf”
18,8%
67,6%
2,5%
8,6%
80%
11,4%
“Hoeveel keer heeft U het voorbije jaar….” “een klacht gepost over een bedrijf op Twitter” “rechtstreeks gecommuniceerd met een bedrijf op Twitter”
Frequentie bij Nooit
steekproef complimenten Niet Frequent
17,6%
Frequent
Op basis van deze 4 items kunnen we aan de conclusie toevoegen dat de respondenten niet alleen actieve sociale media gebruikers zijn, maar ook ervaring hebben in de interactie met bedrijven op Twitter. De grote meerderheid van de respondenten heeft ooit al feedback gegeven op Twitter over een bedrijf en/of zijn diensten en producten- zowel gericht aan het bedrijf zelf als aan de eigen volgers. 3.5.2.4. Expected interactivity (TABEL 7) Items
Gemiddelde
S.D.
α
(7-punt Likert schaal: helemaal niet akkoord tot helemaal akkoord)
“Als ik een tweet post over mijn ervaringen met een bepaald bedrijf, verwacht ik dat….” “het bedrijf zal reageren op mijn boodschap” “het bedrijf snel en efficiënt zal antwoorden” “het bedrijf zal toelaten dat ik rechtstreeks met hen communiceer” “het bedrijf luistert naar wat ik te vertellen heb”
- 31 -
Klacht: 5,92
Klacht: 1,04
Klacht: 0,909
Compli.:5,62
Compli.:1,17
Compli.: 0,878
De scores op de variabele “expected interactivity”, een aanpassing van de schaal “perceived interactivity” van Labrecque (2014, p. 138), tonen aan dat de meeste respondenten het niet alleen gewoon zijn om met bedrijven via Twitter in interactie te gaan, maar het ook specifiek verwachten. Bij zowel de klachten als de complimenten steekproef geeft de meerderheid van de respondenten aan gemiddeld “akkoord” tot “helemaal akkoord” te gaan met bovenstaande statements. Bij de complimenten is de gemiddelde score 5,62, bij de klachten is de gemiddelde score 5,93. In beide steekproeven zijn de mediaan en modus gelijk aan 6. 3.5.2.5. Klachtgedrag & perceived social risk (steekproef klachten) Aangezien gedrag meestal beïnvloed wordt door een achterliggende attitude, zijn we, specifiek voor de steekproef die een klacht had gepost, nagegaan hoe de respondenten staan tegenover klagen. De eerste variabele “ attitude ten opzichte van klagen” bestaat uit 2 items: “Het voelt goed om mijn ontevredenheid te uiten en mijn frustraties te luchten door te klagen” en “Het stoort me om niet te klagen over een slechte aankoop” (Voorhees & Brady, 2005, p. 201). De Cronbach’s alfa is gelijk aan 0,807. 38 respondenten (36,2%) hebben ondanks het feit dat ze een klacht hebben gepost, een gemiddelde score lager dan 4. Dat betekent dat ze aangeven eigenlijk een negatieve attitude ten opzichte van klagen te hebben. De gemiddelde score van de respondenten was 4,26 en de mediaan 4,5. Er was een dubbele modus, namelijk 4,5 en 6. De tweede variabele, “perceived social risk”, bestaat ook uit 3 statements: “Ik ben bang dat ik onnozel overkom bij anderen als ik negatief praat over bedrijven/producten op netwerksites zoals Facebook en Twitter”, “Ik ben bang dat anderen het afkeuren als ik negatief praat over bedrijven/producten op sociale netwerksites zoals Twitter of Facebook” en “Ik heb het gevoel dat het riskant is om negatieve dingen te zeggen over bedrijven/producten op netwerksites zoals Twitter of Facebook”. Hier is de Cronbach’s alfa gelijk aan 0,811. 95 respondenten (90,5%) hebben een score lager dan 4 en gaan dus over het algemeen niet akkoord ging met de statements. De gemiddelde score is 2,24. De mediaan is 2 en de modus is ook 2. Het is duidelijk dat het sociale risico gerelateerd aan het posten van negatieve online feedback als zeer beperkt wordt beschouwd.
- 32 -
4. Resultaten Het derde luik van deze paper, “studie”, besprak de verschillende variabelen die aan bod zijn gekomen in de enquête en schetste een duidelijk beeld van de steekproeven: de kenmerken van de respondenten en hun sociale media gedrag. Nu gaan we dieper in op de inhoud van de geposte tweets (RQ1-RQ3), de verwachtingen van de consument (RQ4), de respons van het bedrijf (RQ5), de outcomes (RQ6) en de motieven van de consument (RQ7). Om de interpretatie van de resultaten makkelijker te maken, worden de twee samples, namelijk de klachten en de complimenten, volledig apart besproken. We beginnen met de klachten.
4.1. Klachten 4.1.1. RQ1: Welke onderwerpen komen voor in onze sample en hoe kunnen we die categoriseren? Om meer inzicht te krijgen in de inhoud van de klachten, hebben we ze verdeeld in 5 categorieën. De eerste categorie bestaat uit tweets die gaan over het personeel of de aanpak van de klantendienst van het bedrijf zelf. De tweede categorie heeft betrekking tot de dienstverlening van het bedrijf en de derde tot de producten van het bedrijf. De 4e categorie is communicatie en gaat over de reclame, apps, huisstijl en evenementen van het bedrijf. Voor de boodschappen die moeilijk te categoriseren zijn, voornamelijk omdat de respondenten de beschrijving niet of niet concreet genoeg hebben ingevuld, is er de 5e groep “andere”. Op de volgende pagina geven we per categorie enkele voorbeelden. TABEL 8: Types klachten Inhoud categorie
Frequenties steekproef klachten (n=105)
Personeel/Klantendienst zelf
23 (21,9%)
Dienstverlening van bedrijf
32 (30,5%)
Producten van bedrijf
25 (23,8%)
Communicatie van bedrijf
17 (16,2%)
Andere
8 (7,6%)
- 33 -
VRAAG: “Kan U de situatie beschrijven waarover U een klacht op Twitter hebt geplaatst?” Categorie 1 : Personeel/ Klantendienst zelf “I was frustrated by the customer service of Brussels Airlines on my journey from Warsaw to Madrid via Brussels” (Brussels Airlines) “Late tot geen reactive in verband met vraag over mobile abonnement bij Mobistar” (Mobistar) “Vorige week zou de bank Belfius contact met me opnemen om een afspraak te maken. Helaas was dit nog niet gebeurd” (Belfius) Categorie 2: Dienstverlening “V4 decoder omwisselen naar VD decoder, shop wil niet” (Belgacom) “Wachttijd Collect & Go” (Colruyt) “Ik kon maar voor 100 euro bestellen bij H&M als nieuwe klant” (H&M) Categorie 3: Producten “Bestelling bij Collect & Go. Ik kreeg een vers product mee met een houdbaarheidsdatum van minder dan 2 dagen” (Colruyt) “Probleem met gratis live tv kijken op Bhaalu als Mobile Vikings abonnee” (Mobile Vikings) “Een kastje die is geleverd en gemonteerd waarvan het deurtje te zwaar is voor de schroeven, is aan het zakken, daardoor worden de schroefgaten steeds groter” (Ikea) Categorie 4: Communicatie “Verwarrende communicatie van ING omtrent het homebanking bakske” (ING) “Het nieuwe logo van Proximus” (Proximus) “Ik heb Mobile Vikings gewezen op een veiligheidsprobleem in 1 van hun marketingmails” (Mobile Vikings) - 34 -
4.1.2. RQ2: Wordt Twitter als eerste kanaal gebruikt voor klachten? TABEL 9: Twitter als eerste kanaal “Was Twitter het eerste kanaal waarop U deze klacht hebt gepost?”
Frequentie steekproef klachten (n=105)
Ja
83 (79%)
Neen, ik heb dezelfde boodschap reeds op een ander kanaal van het bedrijf gemeld, maar ontving geen antwoord Neen, ik heb dezelfde boodschap reeds op een ander kanaal van het bedrijf gemeld, maar ontving een onbevredigend antwoord Neen, ik heb dezelfde klacht ook reeds op Facebook (niet de bedrijfspagina) geuit
7 (6,7%) 12 (11,4%) 3 (2,9%)
Bij de klachten is Twitter voor meer dan drie vierde van de respondenten het eerste kanaal, maar wordt het door sommigen (21%) toch ook beschouwd als “tweede poging” wanneer communicatie via een ander kanaal niet voldoende heeft opgebracht. 4.1.3. RQ3: Hoe wordt de klacht opgebouwd? TABEL 10: Gebruikte symbolen Symbolen in tweet
Frequenties in steekproef klachten
Enkel @ (gericht aan bedrijf)
43 (41%)
Enkel # (met naam van bedrijf)
19 (18%)
Zowel @ als #
33 (32%)
Geen symbolen
10 (9%)
Het apenstaartje (al dan niet in combinatie met een hash-tag) is bij de tweets met negatieve feedback het meest gebruikte symbool. Door dit symbool te gebruiken richt je de tweet specifiek aan het bedrijf en verschijnt het ook op hun account. Dit verhoogt de kans op een reactie en kan er ook voor zorgen dat een groter publiek de tweet te zien krijgt.
- 35 -
4.1.4. RQ4: Verwachten klanten een bedrijfsrespons na het uiten van hun mening op Twitter? In de enquête werd concreet gepeild naar de respons verwachting. De respondenten werden gevraagd een score te geven op een 7-punt Likert schaal (van “helemaal niet graag” tot “heel graag”) op de vraag “Wil je graag een reactie van het bedrijf?”. De gemiddelde score is 5,62. In deel 2 zien we dat dit bijna anderhalf punt hoger is dan bij de complimenten. De mediaan is 6 en de modus is 7. 70,5 % van de respondenten wou “graag” of “heel graag” een antwoord op hun tweet. Aan de hand van een lineaire regressie analyse gaan we na hoeveel van de variantie in de “respons verwachting” te verklaren is door de verschillende variabelen die weergegeven worden in de volgende tabel 11. TABEL 11: Resultaten regressie “respons verwachting” Variabelen
Standardized bèta
t-value
p-value
Perceived situation
0,177
1,708
0,091
Twitter expertise
-0,156
-1,267
0,208
Sociale media expertise
0,174
1,454
0,149
Categorie 1: Medewerkers
0,261*
2,039
0,044
Categorie 2: Dienstverlening
0,234
1,718
0,089
Categorie 3: Producten
0,289*
2,154
0,034
Categorie 4: Communicatie
0,091
0,731
0,467
“Platform assistance”
0,490*
5,758
0,000
“Concern for other customers”
0,102
0,894
0,374
“Extraversion”
0,110
0,854
0,395
“Social benefits”
-0,237*
-2,580
0,012
“Venting negative feelings”
-0,097
-0,833
0,407
“Economic incentives”
-0,123
-1,385
0,169
“Advice seeking”
0,056
0,660
0,511
Type klacht
Motieven van de consument
* p < 0.05 (two-sided)
Bijna 40% van de variantie in de “respons verwachting” wordt verklaard door dit model (p=0,000, Adjusted r square= 0,396). De belangrijkste voorspeller is “platform assistance” (p=0,000, Beta= 0,490). Het is geen verrassing dat iemand die besluit een klacht te posten op Twitter vanwege zijn specifieke vertrouwen en geloof in dat kanaal als communicatiemiddel met bedrijven ook een respons verwacht. Andere voorspellers zijn: “klacht gerelateerd aan producten” (p=0,034, Beta= 0,289), “klacht gerelateerd aan medewerkers” (p=0,044, Beta= 0,261) en “social benefits” (p=0,012, Beta= -0,237). Bij “social benefits” zien we een negatief Beta coëfficient. Dit betekent dat er een - 36 -
negatief linear verband is tussen dit motief en de “respons verwachting”. Iemand die vooral in contact wil komen met andere consumenten, hecht misschien minder waarde aan het contact met het bedrijf. Correlatie “perceived situation” & “respons verwachting” Verder willen we nog eens dubbel checken of de inschatting van de ernst van de situatie niet gerelateerd is aan de mate waarin men een respons verwacht. In de klachten enquête werden respondenten gevraagd om de ernst van de situatie aan te geven door op een 7-punt schaal aan te duiden of het om een klein of groot probleem ging, een klein of groot ongemak en een kleine of grote ergernis. Deze items zijn gecombineerd tot de schaal “perceived situation” (Cronbach’s alfa= 0,888). De gemiddelde score op deze schaal is 4,58 en de standaard afwijking is 1,80. De mediaan is 4,67 en de modus is 7. TABEL 12: Perceived situation Score variabele “Perceived Situation”
Frequenties steekproef klachten (n=105)
1 tot en met 3 – zwakke ingeschatte ernst
29 (27,6%)
3,33 tot en met 5,33-
37 (36,3%)
matige ingeschatte ernst 5,67 tot en met 7 – hoge ingeschatte ernst
39 (37,1%)
Slechts iets meer dan 1 derde van de respondenten die een klacht heeft gepost, beschouwde de situatie echt als ernstig. Het is duidelijk dat de consument ook klachten post wanneer het gaat om een klein probleem, ongemak of ergernis (27,6%). Een Pearson correlatie analyse toont een zwak positief linear verband tussen de “perceived situation” en de ”respons verwachting” (p=0,000, r= 0,382). 4.1.5. RQ5: Reageren bedrijven daadwerkelijk op tweets van hun klachten? 84 van de 105 respondenten die een klacht hebben gepost (80%) ontvingen een respons. De bedrijven die wij geselecteerd hebben, doen dus zeker hun best om zoveel mogelijk tweets te beantwoorden.
- 37 -
4.1.5.1 Respons kanaal TABEL 13: Respons kanaal Respons kanaal
Frequenties steekproef klachten (n=84)
Respons via een tweet
65 (77,4%)
Respons via een persoonlijk bericht (Twitter DM)
14 (16,7%)
Respons via een ander kanaal (telefoon/mail)
5 (5,9%)
Bij de klachten werd er dubbel zo veel geantwoord via een persoonlijk bericht of telefoon/mail als bij de complimenten. Een logische verklaring is dat er voor het oplossen van problemen vaak privégegevens zoals een klantennummer of een telefoonnummer doorgegeven moeten worden. 4.1.5.2. Timing van de respons TABEL 14: Timing respons Timing van respons
Frequenties steekproef klachten (n=84)
“Hoe snel hebt U een reactie ontvangen na het posten van de tweet?”
Binnen 15 minuten
13 (15,5%)
15 tot 30 minuten
11 (13,1%)
30 tot 60 minuten
15 (17,9%)
Binnen 12 uur
31 (36,9%)
Binnen 24 uur
12 (14,3%)
Na 24 uur
2 (2,4%)
39 respondenten (46,5%) kregen een reactie binnen het uur en 83,4% kreeg een reactie binnen de 12 uren. Voor de regressies gerelateerd aan de outcomes is deze variabele samengevat tot 2 categorieën: respons ontvangen binnen het uur (39 respondenten- 46,5%) en respons ontvangen later dan 1 uur na het posten (45 respondenten- 53,5%).
- 38 -
4.1.6. RQ6: Wat zijn de gevolgen van webcare bij klachten? In dit onderzoek hebben we 4 outcomes gemeten: de tevredenheid over het bedrijf, de repurchase intent, de WOM intenties en de eWOM intenties. Voor elk van de 4 outcomes zijn 4 modellen opgesteld die mogelijk de variantie verklaren, hierop worden regressie analyses uitgevoerd. De eerste twee modellen zijn van toepassing voor alle respondenten. Ze bestaan uit de centrale variabelen (model 1), al dan niet gecombineerd met de demografische variabelen (model 2). Het derde en vierde model nemen bovenop de centrale variabelen ook 2 kenmerken van de respons op, namelijk de timing en de gepastheid (model 3), al dan niet gecombineerd met de demografische variabelen (model 4). De gepastheid van de respons is de score op de 7-punt Likert schaal (van helemaal niet gepast tot heel gepast) op de vraag “Hoe gepast was de respons van het bedrijf?”. Deze 2 laatste modellen zijn dus enkel relevant voor de respondenten die een antwoord van het bedrijf gekregen hebben. Per outcome omschrijven we kort de scores, de correlaties met de andere afhankelijke variabelen en de resultaten van de regressie. 4.1.6.1. Tevredenheid over het bedrijf De gemiddelde tevredenheidsscore in verband met het bedrijf is 4,7 voor de klachten steekproef. De mediaan is 5 en de modus is 6. Opvallend is dat een klacht niet bij iedereen per se leidt tot een negatieve attitude over het bedrijf in het algemeen. Slechts 18,1% van de respondenten is ontevreden over het bedrijf. 47,6% is zelfs gemiddeld een beetje tot zeer tevreden. Een variabele die duidelijk correleert met de tevredenheid over het bedrijf is “perceived justice” (Pearson’s r= 0,684, p=0,000). De gemiddelde score voor deze variabele is 4,44. De mediaan is 4,33 en de modus is 6,33. In tabel 15 geven we de resultaten voor de regressie van de afhankelijke variabele “tevredenheid over het bedrijf” weer. Alle 4 de modellen verklaren een significante proportie van de variantie. Model 1, enkel bestaande uit de centrale variabelen, verklaart maar liefst 59,2% van de variantie. Dat is 1,8% meer dan model 2 die ook de demografische kenmerken opneemt. Bij beide is “perceived justice” de belangrijkste voorspeller. Het gevoel rechtmatig behandeld te zijn heeft een positieve invloed op de tevredenheid over het bedrijf. “Concern for others” en “venting negative feelings” hebben een negatief Beta coëfficiënt: wanneer men sterk gedreven wordt door haat tegenover het bedrijf of zeer bezorgd is over anderen, zal men minder snel tevreden zijn over het bedrijf.
- 39 -
Model 3 en 4 zijn enkel van toepassing voor de respondenten die een respons ontvangen hebben (n=84), maar bij dit deel van de steekproef verklaren ze beiden bijna 68% van de variantie in de “tevredenheid over het bedrijf”. De belangrijkste voorspeller is “venting negative feelings”, die opnieuw een negatief Beta coëfficiënt heeft. Tussen “advice seeking” en “ tevredenheid met het bedrijf” is er een positief linear verband. Het is mogelijk dat degenen die graag advies wilden dankzij het antwoord van het bedrijf tevredener zijn. De demografische kenmerken en de twee variabelen gerelateerd aan de kenmerken van de respons, namelijk de gepastheid en de timing, zijn niet significant. Hieronder geven we een overzicht van de significante variabelen per model: Model 1 -> “perceived justice”, “concern for others”, “venting negative feelings” en “advice seeking” Model 2 -> “perceived justice”, “concern for others” en “venting negative feelings” Model 3 -> “Venting negative feelings” ,“perceived justice” en “advice seeking” Model 4 -> “Venting negative feelings” en “advice seeking”
- 40 -
TABEL 15: Resultaten regressie “tevredenheid bedrijf” Variabelen
TEVREDENHEID BEDRIJF (n= 105)
ANOVA Adjusted R square
β
Model 1
Model 2
Model 3
Model 4
0,000* 0,592
0,000* 0,574
0,000 * 0,678
0,000* 0,675
t
p
Twitter expertise Soc.med expertise jonger dan 25 ouder dan 55 Laaggeschoo ld Geslacht “Platform assistance” “Concern for others” “Extraversio n” “Social benefits” “Venting negative feelings” “Economic incentives” “Advice seeking” Perceived situation Perceived Justice Respons <1h
TEVREDENHEID BEDRIJF (n=84)
β
t
p
β
t
p
β
t
p
,085
,835
,406
-,044
-,392
,697
-,020
-,205
,838
,141
1,293
,201
0,039
,548
,585
,070
,944
,349
,055
,798
,427
-,055
-,762
,449
-,017
,-236
,814
-,040
-,534
,595
,028
,401
,690
,072
,951
,345
,078
1,115
,268
,065
,891
,375
,011
,146
,884
,016
,207
,837
-,268
-2,877
,005*
-,283
-2,903
,005*
-,171
-1,712
,092
-,154
-1,517
,134
,130
1,268
,208
,138
1,293
,199
,166
1,582
,118
,154
1,437
,156
-,017
-,236
,814
-,037
-,473
,637
-,016
-,206
,838
-,066
-,795
,429
-,260
-2,648
,009*
-,264
-2,578
,012*
-,374
-3,503
,001 *
-,377
-3,307
,002*
-,142
-1,999
,048*
-,127
-1,693
,094
-,118
-1,578
,119
-,122
-1,605
,114
,149
2,134
,035*
,137
1,895
,061
,199
2,785
,007 *
,196
2,668
,010*
-,120
-1,373
,173
-,117
-1,214
,228
-,171
-1,935
,057
-,178
-1,916
,060
,355
3,959
,000*
,329
3,350
,001*
,287
2,350
,022 *
,245
1,928
,059
,00
,002
,999
,035
,476
,636
,120
1,288
,202
,142
1,396
,168
Gepastheid respons
- 41 -
4.1.6.2. Repurchase intent Van de respondenten die een klacht hebben gepost, is het grootste deel van plan om klant te blijven bij het bedrijf (42,9%). Maar ongeveer één derde van de respondenten is nog niet zeker over zijn beslissing en 24,8% geeft nu al aan geen klant te willen blijven. De gemiddelde score op de schaal is 4,9. De mediaan is 5,7 en de modus 6. Een Pearson’s correlatie analyse toont aan dat er een duidelijk positief linear verband is (p=0,000, r=0,661) met de “perceived justice” en een sterk verband met de vorige outcome variabele, namelijk de “tevredenheid met het bedrijf” (p=0,000, r= 0,881). Tabel 16 toont de resultaten van de regressie met “repurchase intent” als afhankelijke variabele. Alle 4 de modellen verklaren tussen de 53% en 57% van de variantie. Hieronder geven we een overzicht van de belangrijkste verklarende variabelen per model: Model 1 -> “perceived justice”, “perceived situation”, “concern for others”, “extraversion”, “venting negative feelings” en “social benefits”. Model 2 -> “perceived situation”, “perceived justice”, “extraversion”, “concern for others”, “venting negative feelings” en “social benefits”. Model 3-> “perceived justice”, “perceived situation” en “concern for others”. Model 4 -> “perceived situation”, “perceived justice”, “concern for others” en “advice seeking”. Op basis van de resultaten van de correlatie analyse konden we reeds vermoeden dat “perceived justice” een sterk verklarende variabele is. Opvallend is het feit dat ook de “perceived situation”, een inschatting van het huidige probleem, een belangrijke voorspeller is van “repurchase intent”. Hoe ernstiger het probleem wordt ingeschat, hoe lager de kans dat men klant blijft. Tenslotte komt ook “concern for others” in alle 4 de modellen naar voor als een invloedrijke factor. Wie het belangrijk vindt om anderen te waarschuwen voor slechte aankopen, is zelf ook eerder geneigd niet langer beroep te doen op de diensten van een bedrijf. Opnieuw zien we dat de modellen die ook de demografische variabelen opnemen (2 & 4) geen hogere verklarende kracht hebben. Geen enkele van de demografische variabelen is significant. Ook de kenmerken van de respons (model 3 & 4) zijn niet significant.
- 42 -
TABEL 16: Resultaten regressie “repurchase intent” Variabelen
REPURCHASE INTENT (n= 105)
ANOVA Adjusted R square
β
REPURCHASE INTENT (n=84)
Model 1
Model 2
Model 3
Model 4
0,000* 0,538
0,000 * 0,535
0,000 * 0,561
0,000* 0,551
t
p
β
t
p
Twitter expertise Soc.med expertise jonger dan 25
,131
1,239
,219
,038
,288
,775
,073
-,705
,482
-,023
-,178
,859
,061
,818
,415
,085
,980
,331
ouder dan 55
,104 ,034
-1,436
,154
-,135
,112
,463
,644
,015
1,611 ,166
,015 ,077
-,197
,844
-,051
-,581
,563
1,016
,313
,046
,531
,59 7
,078
,868
,389
-,260
-2,234
,02 9*
-,246
2,057
,044*
,248
1,969
,053
Laaggeschoold Geslacht “Platform assistance” “Concern for others” “Extraversion” “Social benefits” “Venting negative feelings” “Economic incentives” “Advice seeking” Perceived situation Perceived Justice Respons <1h
β
t
p
β
t
P
,868
,06 9
,939
,350
,23 5 ,23 3 -,16
-2,378
,019*
,222
-2,183
,032*
2,142
,035*
,26
2,323
,022*
-2,044
,044*
,205
-2,509
,014*
-,154
-1,676
,09 8
-,192
1,976
,053
,21 7
-2,073
,041*
,221
-2,183
,032*
-,199
-1,592
,11 6
-,187
1,394
,168
,06 3 ,07 4
-,829
,409
,053
-,678
,500
-,050
-,576
,56 6
-,053
-,598
,552
1,001
,319
,088
1,163
,248
,154
1,842
0,0 70
,178
2,064
,043*
,26 0 ,30 4
-2,792
,006*
,286
-2,847
,005*
-,283
-2,743
,00 8*
-,32
2,929
,005*
3,186
,002*
,26
2,533
,013*
,319
2,237
,02 9*
,308
2,056
,044*
,005
,060
,016
,186
,853
-,055
-,501
,95 3 ,61 8
-,096
-,806
,423
Gepastheid respons
- 43 -
4.1.6.3. Electronic word-of-mouth intenties De gemiddelde score op het construct PWOM online is 3,8. De mediaan en de modus zijn gelijk aan 4. 41,9% van de respondenten die een klacht heeft gepost, beschouwt het als onwaarschijnlijk of zeer onwaarschijnlijk dat ze in de toekomst positieve feedback geven over hetzelfde bedrijf. Maar bijna even veel respondenten (40%) zijn onbeslist of denken dat het wel enigszins waarschijnlijk is dat ze in de toekomst het bedrijf aanbevelen aan anderen. Hoewel respondenten die recent een positieve ervaring gehad hebben met een bedrijf veel hogere positieve online word-of-mouth intenties hebben, zijn ze niet onbestaande bij respondenten die een slechte ervaring hadden. We ontdekken we een zeer duidelijk positief linear verband tussen de “eWOM intenties” en de “perceived justice” (p= 0,000, Pearson’s r= 0,695). De sterkste correlaties vinden we terug tussen de “eWOM intenties” en (i) de “repurchase intent” (p=0,000, Pearson’s r= 0,743) en (ii) de “company satisfaction” (p=0,000, Pearson’s r= 0,796). In tabel 17 zien we de resultaten van de regressie met “eWOM intenties” als afhankelijke variabele. Net zoals bij “repurchase intent” zijn alle 4 de modellen significant. Ze verklaren tussen de 52% en 57% van de variantie. Hieronder geven we opnieuw een overzicht van de belangrijkste voorspellers: Model 1 & 2-> “perceived justice”, “concern for other customers” en “advice seeking” Model 3 &4 -> “perceived justice”, “venting negative feelings” en “advice seeking” Tussen “perceived justice”/ “advice seeking” en “eWOM intenties” is er een positief linear verband. Tussen “concern for other customers”/ “venting negative feelings” en “eWOM intenties” is er een negatief linear verband. Geen enkele van de andere variabelen is significant.
- 44 -
TABEL 17: Resultaten regressie “eWOM intenties” Variabelen
eWOM INTENTIES (n= 105)
ANOVA Adjusted R square
β
eWOM INTENTIES (n=84)
Model 1
Model 2
Model 3
Model 4
0,001* 0,565
0,000* 0,548
0,000* 0,538
0,000* 0,523
t
p
β
t
p
β
t
p
β
t
P
Twitter expertise Soc.med expertise jonger dan 25
,002
-,018
,968
-,063
-,457
,649
,027
-,270
,788
,023
,172
,864
,076
1,027
,307
,078
,871
,387
ouder dan 55
,027
,373
,710
,036
,420
,676
Laaggeschoold
,088 ,010 ,023
-1,230
,222
-,172
-1,874
,066
-,140
,889
,063
,691
,492
,302
,764
,007
-,076
,940
-,003
-,037
,970
Geslacht “Platform assistance” “Concern for others” “Extraversion”
,016
,229
,820
,244
-2,538
,013*
,247
-2,464
,016*
,125
-1,050
,298
-,133
-1,077
,286
,115
1,091
,278
,113
1,026
,308
,151
1,206
,232
,143
1,100
,276
“Social benefits” “Venting negative feelings” “Economic incentives” “Advice seeking” Perceived situation Perceived Justice Respons <1h
,046
,607
,546
,046
,574
,568
,036
,387
,700
,039
,388
,700
,175
-1,726
,088
,191
-1,810
,074
,287
-2,239
,028*
-,307
-2,220
,030*
,006
,076
,939
,006
-,079
,937
,023
-,261
,795
-,042
-,452
,653
,160
2,218
,029*
,157
2,106
,038*
,216
2,527
,014*
,191
2,147
,036*
,139
-1,533
,129
,113
-1,143
,256
,132
-1,247
,217
-,082
-,728
,469
,451
4,869
0,000*
,429
4,251
,000*
,363
2,478
,016*
,312
2,024
,047*
,032 ,122
-,406
,686
,018
,201
,841
1,093
,278
,176
1,431
,157
Gepastheid respons
- 45 -
4.1.6.4. Word-of- mouth intenties Bij de vraag over WOM intenties hebben we, vermoedelijk door een codeerfout, slechts 86 (in plaats van 105) geldige antwoorden. We kunnen dus niet garanderen dat de resultaten van deze vraag representatief zijn voor deze steekproef. Al zien we ongeveer dezelfde tendensen als bij eWOM. Er is een duidelijk positief linear verband tussen de “WOM intenties” en (i) de “perceived justice” (p= 0,000, Pearson’s r= 0,617) en (ii) de “repurchase intent” (p=0,000, Pearson’s r= 0,683). Tussen de “WOM intenties” en de “tevredenheid met het bedrijf” is een sterk positief linear verband (p=0,000, Pearson’s r= 0,722). Op basis van bovenstaande resultaten kunnen we bevestigen dat de verschillende outcomes, namelijk de algemene tevredenheid over het bedrijf en het daaruit volgend gedrag, de “repurchase intent” en de “(e)WOM intenties”, sterk samenhangen. Tabel 18 vat de resultaten van de laatste regressie analyse samen die gerelateerd is aan de klachten steekproef. Ook hier zijn alle 4 de modellen significant. Ze verklaren elk tussen de 44% en 50% van de variantie in de afhankelijke variabele “WOM intenties”. Bij model 1 en 2 zijn de “perceived justice” en daarna de “perceived situation” de belangrijkste verklarende variabelen. Bij model 3 en 4 is enkel “perceived situation” significant. Deze variabele heeft opnieuw een negatief Beta coëfficiënt. Hoe hoger de rechtvaardigheid van de aanpak wordt ingeschat, hoe hoger de kans dat men in de toekomst het bedrijf zou aanbevelen aan anderen. Maar hoe ernstiger de huidige situatie wordt ingeschat, hoe lager de kans dat men in de toekomst nog positief zal praten over het bedrijf. De demografische variabelen en kenmerken van de respons zijn, net zoals bij de andere outcomes, niet significant.
- 46 -
TABEL 18: Resultaten regressie “WOM intenties” Variabelen
WOM INTENTIES (n=84)
WOM INTENTIES (n= 105)
ANOVA Adjusted R square
β
Model 1
Model 2
Model 3
Model 4
0,000* 0,499
0,000* 0,485
0,000* 0,452
0,000* 0,443
t
p
β
t
p
β
t
p
β
t
p
Twitter expertise Soc.med expertise jonger dan 25
,022
,171
,864
-,037
-,202
,841
,059
-,49
,626
-,039
-,229
,820
,108
1,236
,221
,153
1,412
,165
ouder dan 55
,071 ,081 ,053 ,032
-,814
,419
-,062
-,581
,565
-,956
,342
-,174
-1,452
,153
-,602
,549
-,036
-,301
,765
,349
,728
,003
,025
,980
,052
,432
,668
Laaggeschoold Geslacht “Platform assistance” “Concern for others” “Extraversion”
,011
,125
,901
-,216
-1,934
,057
,219
-1,903
,061
,031
-,217
,829
-,049
-,337
,738
-,054
-,424
,673
-,317
,752
,815
-,029
-,179
,859
-,020
-,229
,820
-,278
,782
,036 ,028
-,235
“Social benefits” “Venting negative feelings” “Economic incentives” “Advice seeking” Perceived situation Perceived Justice Respons <1h
,042 ,027
-,249
,804
-,023
-,191
,849
-,104
-,813
,419
,112
-,837
,406
,239
-1,451
,153
-,265
-1,476
,147
,091
,976
,332
,082
,851
,397
,055
,462
,646
,036
,297
,768
,092
1,005
,318
,105
1,102
,274
,105
,925
,359
,100
,843
,404
-,267
-2,591
,011*
,268
-2,438
,017*
,287
-2,254
,028*
-,269
-2,020
,049*
,323
2,917
,005*
,288
2,321
,023*
,277
,1563
,124
,220
1,168
,249
,114 ,098
-1,189
,240
-,040
-,338
,737
,735
,466
,105
,704
,485
Gepastheid respons
- 47 -
4.1.7. RQ7: Wat is het effect van klantmotieven op de uitkomsten van de webcare? TABEL 19: Motieven Motieven “Platform assistance” “Advice seeking” “Economic incentives” “Extraversion” “Concern for other customers” “Social benefits” “Venting negative feelings”
Gemiddelde
Mediaan
Modus
5,03 4,11 2,45 3,41 3,55
5 4,5 2 4 4
6 5 1 1 1
3,85 2,74
4 2,5
1 1
Wanneer we kijken naar de gemiddelden zien we dat de belangrijkste motieven voor het posten van klachten “platform assistance” en “advice seeking” zijn. De motieven met de laagste scores zijn “venting negative feelings” en “economic incentives”. Hierdoor veronderstellen we dat de meeste consumenten niet zozeer klagen om frustraties te uiten, wraak te nemen of compensatie te krijgen, maar eerder om hulp te krijgen van het bedrijf en/of andere consumenten en samen tot een oplossing te komen. In deel 4.1.6. hebben we op basis van enkele regressies meer inzicht gekregen in de rol van deze motieven in de verschillende outcomes. Hoewel “platform assistance” volgens de respondenten 1 van de hoofdredenen is waarom ze kiezen voor Twitter, heeft het geen significante impact op de uitkomsten. Voor “advice seeking” daarentegen konden we meerdere significante positieve lineaire verbanden vaststellen. Een hoge score op deze variabele kan een hogere “tevredenheid met het bedrijf”, “repurchase intent” en “eWOM intenties” voorspellen. Ook “concern for others” en “venting negative feelings” waren belangrijke verklarende variabelen voor de 3 bovenstaande outcomes, maar hier was er een negatief linear verband. Bij “repurchase intent” bleken nog twee andere motieven ook een impact te hebben: “extraversion” en “social benefits”. Bij deze laatste was er een negatief Beta coëfficient.
- 48 -
4.2. Complimenten 4.2.1. RQ1: Welke onderwerpen komen voor in onze sample & hoe kunnen we die categoriseren? We hebben de complimenten gecategoriseerd op dezelfde manier als de klachten (zie 4.1.1). TABEL 20: Types complimenten Inhoud categorie
Frequenties steekproef complimenten (n=80)
Personeel/Klantendienst zelf
30 (37,5%)
Dienstverlening van bedrijf
24 (30%)
Producten van bedrijf
10 (12,5%)
Communicatie van bedrijf
8 (10%)
Andere
8 (10%)
Deze tabel toont aan dat de meerderheid van de complimenten betrekking heeft tot de algemene service van het bedrijf. Hieronder bekijken we enkele voorbeelden van de verschillende categorieën. VRAAG: “Kan U de situatie beschrijven waarover U een boodschap op Twitter hebt geplaatst?” Categorie 1 : Personeel/ Klantendienst zelf “Naar aanleiding van een bezoek aan de nieuwe winkel van Decathlon en het feit dat ik er goed geholpen was” (Decathlon) “Na een mailtje met verjaardagswensen kreeg ik de keuze uit gratis beltijd, 3 gratis films, 10 liedjes of een Vivabox. De Mobistar tweetcrew is altijd behulpzaam vandaar mijn welgemeende thxtweet” (Mobistar) “Een compliment met betrekking tot het personeel van Colruyt. Het blijft me opvallen dat ze een geweldig personeelsbeleid moeten hebben en dat straalt af op hun medewerkers” (Colruyt) Categorie 2: Dienstverlening “Good service on KLM whose social media outreach on Twitter is exceptional”(KLM)
- 49 -
“Ik becomplimenteerde Ikea met een fijne kortingsactie” (Ikea) “Lufthansa, you’re free wifi and waiting area at NY-NJ airport at international arrival is awesome!” (Lufthansa) Categorie 3: Producten “Ik gaf Mobile Vikings een compliment omdat Telenet Hotspot het liet afweten en ik ondertussen over de 3G van Mobile Viking kon verder werken” (Mobile Vikings) “Een webshop met een aparte collectie UV-werende kleding…Het komt eindelijk op gang in Nederland” (Decathlon NL) ‘I complimented Lufthansa’s airline food,because, honestly, it’s amazing” Categorie 4: Communicatie “Thumbs up over hun nieuwe platform, KBC Touch” (KBC) “Felicitaties aan Belfius over het lanceren van hun erg gebruiksvriendelijke app” “I was answering a tweet about Mobile Vikings new welcome letter. I tweeted it mainly because I actually like their picture but also because I knew they were reading it” (Mobile Vikings) 4.2.2. RQ2: Wordt Twitter als eerste kanaal gebruikt voor complimenten? Bij 77 van de 80 respondenten (96,25%) was Twitter het eerste kanaal waarop ze dit compliment gepost hebben. 2 respondenten hadden de boodschap ook al eerder op een ander kanaal gepost waar ze een bevredigend antwoord kregen (2,5%) en 1 respondent (1,25%) had de boodschap ook op Facebook (niet op de bedrijfspagina) gepost. Bij de klachten steekproef werd Twitter iets vaker gecombineerd met een ander kanaal.
- 50 -
4.2.3. RQ3: Hoe wordt het compliment opgebouwd? TABEL 21: Gebruikte symbolen Symbolen in tweet
Frequenties in steekproef complimenten
Enkel @ (gericht aan bedrijf)
36 (45%)
Enkel # (met naam van bedrijf)
14 (18%)
Zowel @ als #
24 (30%)
Geen symbolen
6 (7%)
Het apenstaartje is ook bij de complimenten het meest gebruikte symbool, zowel apart als in combinatie met een hash-tag. 4.2.4. RQ4: Verwachten klanten een bedrijfsrespons na het uiten van hun mening op Twitter? De gemiddelde score op de vraag “Wil je graag een reactie van het bedrijf?” is 4,19 (op een 7-punt Likert schaal). De mediaan is 4 en de modus is 7. Aan de hand van een lineaire regressie analyse gaan we na hoeveel van de variantie in de respons verwachting te verklaren is door de verschillende variabelen die weergegeven worden in tabel 22.
- 51 -
TABEL 22: Resultaten regressie “respons verwachting” Variabelen
Standardized bèta
t-value
p-value
Bijzonderheid van situatie
-0,130
-1,045
0,301
Tevredenheid over situatie
0,053
0,405
0,687
Twitter expertise
-0,441*
-2,151
0,036
Sociale media expertise
0,642*
3,294
0,002
Categorie 1: Medewerkers
-0,095
-0,424
0,673
Categorie 2: Dienstverlening
0,003
0,013
0,990
Categorie 3: Producten
-0,096
-0,575
0,568
Categorie 4: Communicatie
-0,122
-0,735
0,466
“Platform assistance”
-0,021
-0,144
0,886
“Concern for other customers”
0,320
1,891
0,064
“Extraversion”
-0,122
-0,740
0,463
“Social benefits”
-0,263
-1,631
0,109
“Helping the company”
0,252
1,715
0,092
“Economic incentives”
0,206
1,356
0,181
“Advice seeking”
0,143
0,814
0,420
Type compliment
Motieven van de consument
* p < 0.05 (two-sided)
Een ANOVA analyse toont aan dat het model significant is (p= 0,026). Samen verklaren de variabelen ongeveer 20% van de variantie in de respons verwachting (Adjusted r square= 0,199). De twee belangrijkste verklarende variabelen zijn “twitter expertise” (p=0,036, Beta= -0,441) en “sociale media expertise” (p=0,002, Beta=0,642). Het is moeilijk te verklaren op welke manier de ervaring van de respondent met Twitter en sociale media de respons verwachting beïnvloedt. Vooral aangezien er bij Twitter een negatieve relatie is en bij sociale media een positieve relatie. In een tweede regressie (Anova p= 0,018) met enkel de desbetreffende variabelen werd bevestigd dat er een positief linear verband is tussen de “respons verwachting” en de “sociale media expertise” (p= 0,000, Beta= 0,567) en een negatief linear verband tussen de “respons verwachting” en de “twitter expertise”. Maar de variabele “twitter expertise” was in deze regressie niet significant (p= 0,083, Beta= -0,358). Ook Pearson’s correlatie analyses bevestigen dat er een verband is tussen de “respons verwachting” en de “sociale media expertise” (p=0,025, Pearson’s r= 0, 274) maar niet met de “twitter expertise” (p= 0,397, Pearson’s r= 0,105). Kwalitatief bekeken, lijkt het het meest logisch als een grotere ervaring met sociale media, waaronder dus ook Twitter, leidt tot een hogere “respons verwachting”.
- 52 -
4.2.5. RQ5: Reageren bedrijven daadwerkelijk op tweets van hun klanten? Ook hier kunnen we de onderzoeksvraag positief beantwoorden. 62 van de 80 respondenten (77,5%) ontvingen een respons van het bedrijf. 4.2.5.1 Respons kanaal TABEL 23: Respons kanaal Respons kanaal
Frequenties steekproef complimenten (n=62)
Respons via een tweet
55 (88,7%)
Respons via een persoonlijk bericht (Twitter DM)
5 (8,1%)
Respons via een ander kanaal (telefoon/mail)
2 (3,2%)
4.2.5.2. Timing van de respons De vraag luidde: “Hoe snel hebt U een reactie ontvangen na het posten van de tweet?” TABEL 24: Timing respons Timing van respons
Frequenties steekproef complimenten (n=62)
Binnen 15 minuten
16 (25,8%)
15 tot 30 minuten
14 (22,6%)
30 tot 60 minuten
9 (14,5%)
Binnen 12 uur
14 (22,6%)
Binnen 24 uur
8 (12,9%)
Na 24 uur
1 (1,6%)
Maar liefst 85,5% van de respondenten kreeg een reactie van het bedrijf binnen de 12 uur. Voor de regressies met betrekking tot de outcomes is deze variabele samengevat tot 2 categorieën: respons ontvangen binnen het uur (39 respondenten- 62,9%) en respons ontvangen later dan 1 uur na het posten (23 respondenten- 37,1%).
- 53 -
4.2.6. RQ6: Wat zijn de gevolgen van webcare bij complimenten? Ook voor de complimenten gaan we na in welke mate de variantie in de afhankelijke variabelen, namelijk de outcomes, verklaard kan worden door de onafhankelijke variabelen. De modellen zijn op dezelfde manier opgesteld als bij de klachten (zie 4.1.6). Bovendien bespreken we kort de correlaties tussen de verschillende outcomes en de gemiddelde scores. 4.2.6.1. Tevredenheid over het bedrijf De respondenten hebben op de samengestelde variabele “tevredenheid over het bedrijf” een hoge gemiddelde score van 5,8. De mediaan en modus zijn allebei 6. Tabel 25 geeft de resultaten weer van de regressie analyse met als afhankelijke variabele de “tevredenheid over het bedrijf” bij de respondenten die een klacht hebben gepost. Anova analyses wijzen uit dat enkel model 1 significant is. Slechts 17,5% van de variantie in de tevredenheid over het bedrijf wordt verklaard door de centrale variabelen. De drie belangrijkste verklarende variabelen zijn de motieven “platform assistance”, “extraversion” en de “perceived justice”. Tussen de outcome en “platform assistance” is er een negatief verband. Net zoals bij de outcomes voor de steekproef klachten, zijn geen enkele van de demografische variabelen of de kenmerken van de respons significant. Hoewel de 3 andere modellen niet significant zijn, hebben ze toch een verklarende kracht van 10 tot 16%. Het is mogelijk dat er met een ander type analyse wel significante verbanden gevonden kunnen worden. Toch kunnen we concluderen dat voor de steekproef complimenten de tevredenheid over het bedrijf grotendeels bepaald wordt door variabelen die niet in deze enquête worden opgenomen, bijvoorbeeld de eerdere ervaringen met het bedrijf.
- 54 -
TABEL 25: Resultaten regressie “tevredenheid bedrijf” Variabelen
TEVREDENHEID BEDRIJF (n= 80)
ANOVA Adjusted R square
β
TEVREDENHEID BEDRIJF
(n=62)
Model 1
Model 2
Model 3
Model 4
0,046* 0,175
0,214 0,101
0,072 0,242
0,243 0,158
t
P
β
t
p
Twitter expertise Soc.med expertise jonger dan 25
,274
-1,096
,026
ouder dan 55 Laaggeschoold Geslacht
β
t
p
β
t
P
,280
,347
-1,021
,320
,125
,902
,051
-,185
,855
,057
,361
,720
,360
1,585
,130
,105 ,101 ,035
-,723
,474
-,913
,373
-,675
,504
,170 ,051
,245
,809
,234
,817
,042 ,100
-,222
,827
-,359
,724
“Platform assistance” “Concern for others” “Extraversion”
,395
-2,241
,030*
,329
-1,574
,124
,276
-1,372
,182
,109
0,520
,606
,175
,726
,472
,109
-,423
,676
,047
,164
,871
,359
2,096
,042*
,362
1,907
,065
-,24
,812
,529
,021
0,135
,893
,127
,694
,492
1,979
0,059
,184 ,737
-,641
“Social benefits”
,062 ,485
2,374
,028*
“Helping the company” “Economic incentives” “Advice seeking” Bijzonderheid situatie Tevredenheid situatie Perceived Justice Respons <1h
,221
1,232
,225
,129
,626
,535
,264
1,11
,278
,060
,204
,840
,151
-,987
,329
,156
-,915
,366
,293
1,1472
,153
,265
-1,160
,261
,162
-,806
,425
,216
-,958
,344
,139
,525
,604
,125
-,381
,708
,050
,326
,746
,135
,745
,461
,111
,591
,560
,265
1,125
,275
,002
-,013
,990
,054
-,360
,721
,045
-,255
,801
,130
-,564
,579
,307
2,090
,043*
,380
2,252
0,030*
,202
,948
,352
,452
1,503
,149
,026
,167
,869
-,413
,684
,293
1,355
,188
,096 ,257
1,069
,299
Gepastheid respons
*Bijzonderheid van situatie (Cronbach’s alfa= 0,750): “uitzonderlijkheid van de situatie”+ “speciaalheid van de situatie”
- 55 -
4.2.6.2. Repurchase intent Een Pearson’s correlatie analyse toont een duidelijk positief linear verband tussen de “tevredenheid met het bedrijf” en de “repurchase intent” (p=0,000, r=0,696). Het is natuurlijk logisch dat een tevreden consument, ook van plan is klant te blijven. 90% van de respondenten die een compliment hebben gepost, blijven klant bij het bedrijf waarover de post ging. De gemiddelde score is 6,3, de mediaan is ook 6,3 en de modus is 7. Ook voor de afhankelijke variabele “repurchase intent” zijn we nagegaan aan de hand van een regressie in welke mate de variabelen weergegeven in tabel 26 de variantie verklaren. Bij deze outcome zijn 2 van de 4 modellen significant. Model 1 verklaart 12,2% van de variantie. De belangrijkste verklarende variabele is “perceived justice”. Model 3, waarin enkel de scores van de respondenten die een respons hebben ontvangen, zijn opgenomen, verklaart 19,6% van de variantie. Hier is de belangrijkste verklarende variabele het motief “social benefits”. De twee modellen waarin ook demografische kenmerken zijn opgenomen zijn niet significant.
- 56 -
TABEL 26: Resultaten regressie “repurchase intent” Variabelen
REPURCHASE INTENT (n= 80)
ANOVA Adjusted R square
β
REPURCHASE INTENT (n=62)
Model 1
Model 2
Model 3
Model 4
,036* 0,122
0,084 0,148
0,024* 0,196
0,147 0,123
t
P
Twitter expertise Soc.med expertise jonger dan 25 ouder dan 55 Laaggeschoold Geslacht
β
t
P
β
t
p
β
t
p
,038
,205
,838
,111
,460
,648
,152
-,920
,361
,139
-,659
,513
,046 ,007 ,021 ,141
-,366
,716
,002
-,055
,956
-,089
,929
-,168
,867
,013 ,062
,419
,677
1,194
,237
,120
,857
,396
,015
,988
“Platform assistance” “Concern for others” “Extraversion”
-,061
-,453
,652
,039
-,247
,805
,009
,062
,951
,001
,003
,998
,039
,251
,803
,026
,153
,879
,025
,138
,891
,029
,147
,884
,172
1,196
,236
,172
1,154
,253
-,879
,383
,325
,145
1,066
,290
,189
1,232
,222
2,569
,013*
,181 ,490
-,995
“Social benefits” “Helping the company” “Economic incentives” “Advice seeking” Bijzonderheid situatie Tevredenheid situatie Perceived Justice Respons <1h
,151 ,449
2,282
0,027*
,238
1,738
,087
,266
1,821
,073
,220
1,328
,190
,246
1,307
,198
-,151
-1,161
,250
,156
-1,149
,255
,063
-,416
,679
,104
-,637
,527
-,217
-1,320
,191
,240
-1,307
,196
,114
-,631
,531
,152
-,690
,494
-,107
-,937
,352
,100
-,789
,433
,100
-,799
,428
,114
-,769
,446
-,133
-1,110
,271
,156
-1,237
,221
,158
-1,118
,269
,165
-,993
,326
0,325
2,665
0,010*
,387
2,859
,006*
,026
,159
,874
,081
,411
,683
,010
0,081
,936
,052
,351
,727
,315
1,957
,056
,310
1,806
0,078
Gepastheid respons
*Bijzonderheid van situatie (Cronbach’s alfa= 0,750): “uitzonderlijkheid van de situatie”+ “speciaalheid van de situatie”
- 57 -
4.2.6.3. Electronic word-of-mouth intenties Het lijkt de meerderheid van de respondenten (56,2%) die al een compliment over een bepaald bedrijf heeft gepost waarschijnlijk of zelfs zeer waarschijnlijk dat ze in de toekomst nog eens positieve feedback over het bedrijf verspreiden. Sommigen lijkt het slechts een beetje waarschijnlijk of ze twijfelen nog, maar slechts 8,8% vermoed dat ze het bedrijf niet meer online aan anderen zouden aanbevelen. De gemiddelde score is 5,44. De mediaan is 5,5 en de modus is 7. Een Pearson’s correlatie analyse toont een zwak positief linear verband tussen de “eWOM intenties” en de “company satisfaction” (p=0,000, Pearson’s r= 0,388). Tussen de “repurchase intent” en de “eWOM intenties” is er een duidelijk positief linear verband (p=0,000, Pearson’s r= 0,405). Het is natuurlijk logisch dat respondenten die zelf zeker klant blijven of worden, anderen ook sneller het bedrijf zouden aanbevelen. Tabel 27 geeft de resultaten van de regressie analyse weer. In tegenstelling tot bij de vorige 2 outcomes, verklaren alle 4 de modellen een significante proportie van de variantie in de afhankelijke variabele “eWOM”. Zowel bij model 1 als 2 zijn de scores op de variabele “helping the company” de belangrijkste voorspeller. Het is dus waarschijnlijk dat de respondenten die een compliment hebben gepost om een bedrijf te steunen, eerder zouden overwegen om in de toekomst opnieuw dat bedrijf te steunen via PeWOM. Bij model 3 en 4, die enkel de scores van de respondenten die een respons hebben ontvangen in acht nemen, is de “gepastheid van de respons” de belangrijkste voorspeller. Dit kan een signaal zijn dat een goede reactie op PeWOM kan leiden tot verdere PeWOM. “eWOm intenties” is de enige uitkomst waar er een positief verband is gevonden met een kenmerk van de respons, namelijk de gepastheid. De demografische variabelen zijn opnieuw niet significant.
- 58 -
TABEL 27: Resultaten regressie “eWOM intenties” Variabelen
eWOM intenties (n= 80)
ANOVA Adjusted R square
β
eWOM intenties (n=62)
Model 1
Model 2
Model 3
Model 4
0,000* 0,418
0,000* 0,394
0,000* 0,458
0,000* 0,462
t
P
β
t
p
β
t
p
β
t
p
,064
,425
,672
,222
1,178
,245
,011
-,085
,932
-,172
-1,040
,304
-,381
,705
-,126
-,990
,328
-1, 267 ,475
,210
-,194
-1,740
,089
Laaggeschoold
,039 ,122 ,047
,636
,060
,521
,605
Geslacht
,104
1,075
,286
,104
,944
,351
Twitter expertise Soc.med expertise jonger dan 25 ouder dan 55
“Platform assistance” “Concern for others” “Extraversion”
,050
-,459
,648
,071
-,562
,576
,012
,096
,924
-,024
-,157
,876
,244
1,927
,058
,224
1,650
,104
,142
,954
,345
,123
,804
,426
,222
1,898
,062
,243
1,997
,050
,199
1,411
,165
,170
1,191
,240
“Social benefits” “Helping the company” “Economic incentives” “Advice seeking” Bijzonderheid situatie Tevredenheid situatie Perceived Justice Respons <1h
,051
-,457
,649
,048
-,381
,705
,165
1,147
,257
,158
,939
,353
,350
3,138
,003*
,393
3,304
,002*
,178
1,306
,198
,260
1,767
,084
,014
,129
,898
,000
-,001
,999
,094
-,76
,451
-,129
-1,012
,317
,011
,082
,935
,011
,077
,939
,176
1,184
,242
,213
1,235
,223
,036
-,387
,700
,029
-,278
,782
,010
,093
,926
0
0
1
,021
,215
,830
,009
,086
,932
,033
-,282
,779
-,063
-,483
,631
,169
1,699
0,094
,186
1,695
,095
,045
-,336
,738
-,024
-,155
,878
,056 ,278
-,547
,587
0,061
,521
,605
2,099
0,041*
,299
2,225
,031*
Gepastheid respons
*Bijzonderheid van situatie (Cronbach’s alfa= 0,750): “uitzonderlijkheid van de situatie”+ “speciaalheid van de situatie”
- 59 -
4.2.6.4. Word-of-mouth intenties Face-to-face zou 66,2% van de respondenten het bedrijf aanbevelen (66,2%). Slechts 5% geeft aan dat ze dit waarschijnlijk niet meer gaan doen. Hier is de gemiddelde score 5,4. De mediaan is 5,5 en de modus is 7. We zien een duidelijk positief linear verband tussen de “WOM intenties” en de “company satisfaction” (p=000, Pearson’s r=0,505). De tevredenheid over een bedrijf hangt in grote mate samen met de mate waarin men positieve feedback zal verspreiden. Maar ook tussen de “repurchase intent” en “WOM intenties” is er een duidelijk positief linear verband (p=0,000, Pearson’s r= 0,468). De laatste regressie van deze paper gaat na in welke mate de variabelen in tabel 28 de variantie in de afhankelijke variabele “WOM intenties” verklaren. Alle 4 de modellen zijn significant . Net zoals bij de “eWOM intenties” is in model 1 en 2 het motief “helping the company” een belangrijke voorspeller, maar bij WOM wordt het in beide modellen aangevuld met de variabele “perceived justice”. In model 3 en 4 is “perceived justice” zelfs de belangrijkste verklarende variabele. De modellen die de demografische variabelen niet opnemen hebben een iets hogere verklarende kracht (26% & 23% vs. 20% & 19%). De kenmerken van de respons zijn niet significant.
- 60 -
TABEL 28: Resultaten regressie “WOM intenties” Variabelen
WOM intenties (n=62)
WOM intenties (n= 80)
ANOVA Adjusted R square
β
Model 1
Model 2
Model 3
Model 4
0,001* 0,231
0,010* 0,207
0,005* 0,269
0,053* 0,197
t
P
Twitter expertise Soc.med expertise jonger dan 25 ouder dan 55 Laaggeschoold Geslacht
β
t
p
β
t
p
β
t
p
,081
,473
,638
,028
,120
,905
,002
,011
,991
,006
-,029
,977
,147 ,126 ,136 ,064
-1,257
,213
,025
,159
,874
-1,140
,259
-,997
,324
-1,202
,234
-,025
,980
,582
,563
,135 ,004 ,085
,631
,532
“Platform assistance” “Concern for others” “Extraversion”
,116
-,923
,359
,181
-1,243
,218
,060
-,421
,676
,098
-,532
,598
,176
1,211
,230
,117
,754
,454
,046
-,270
,789
,026
-,140
,889
,174
1,292
,201
,219
1,576
,120
,272
1,655
,104
,261
1,496
,142
“Social benefits” “Helping the company” “Economic incentives” “Advice seeking” Bijzonderheid situatie Tevredenheid situatie Perceived Justice Respons <1h
,041
-,321
,749
,081
-,569
,571
,219
1,313
,195
,230
1,120
,269
,271
2,114
0,038*
,292
2,147
,036*
,001
,005
,996
,016
,089
,930
,052
-,424
,673
,047
-,371
,712
,277
-1,933
,059
,289
-1,854
,071
,013
-,087
,931
,085
,497
,621
,079
,458
,649
,061
,288
,775
,059
-,553
,582
,037
-,318
,752
,045
,381
,705
,073
,517
,608
,038
-,343
,733
,050
-,423
,674
,130
-,966
,339
,129
-,809
,423
,311
2,730
,008*
,350
2,785
,007*
,363
2,356
,023*
,397
2,117
,040*
,060 ,226
-,502
,618
-,221
,826
1,469
,148
,031 ,228
1,390
,172
Gepastheid respons
*Bijzonderheid van situatie (Cronbach’s alfa= 0,750): “uitzonderlijkheid van de situatie”+ “speciaalheid van de situatie”
- 61 -
4.2.7. RQ7: Wat is het effect van klantmotieven op de uitkomsten van webcare? TABEL 29: Klantmotieven Motieven “Platform assistance” “Advice seeking” “Economic incentives” “Extraversion” “Concern for other customers” “Social benefits” “Helping the company”
Gemiddelde
Mediaan
Modus
4,98 3,89 2,67 4,47 5,14
5,08 4 2 4,67 5,25
5 4 1 4,67 6
4,96 5,75
5,17 6
5,33 7
De belangrijkste drijfveer voor het posten van een compliment is “helping the company”. De meeste consumenten zijn van mening dat een bedrijf beloond mag worden voor zijn goede prestaties. Bovendien helpen ze ook graag anderen bij het maken van een goede aankoopbeslissing. De meeste respondenten hechten geen waarde aan de mogelijkheid van economic rewards bij het posten van feedback op Twitter. Net zoals bij de complimenten zijn we bij de vorige onderzoeksvraag dieper ingegaan op de rol van deze motieven in de outcomes. Er waren minder motieven die een significant lineair verband hadden met 1 of meerdere van de outcomes. Dat gaat gepaard met minder significante modellen en een lagere verklarende kracht dan bij de klachten. De motieven die wel een significante impact hebben zijn “helping the company”, “social benefits”, “platform assistance” & extraversion”. Bij “platform assistance” is er een negatief linear verband. Het motief “concern for other customers” heeft een hoge gemiddelde score bij de respondenten, maar blijkt maar een beperkte invloed te hebben op de outcomes.
- 62 -
5. Conclusie & managerial implications Het opzet van deze paper was het verkrijgen van meer inzicht in webcare vanuit het klantenperspectief. Hoewel we in dit onderzoek gewerkt hebben met 2 relatief kleine steekproeven met enkele uitgesproken kenmerken, zijn we overtuigd dat de meeste bedrijven kunnen leren uit onze bevindingen. Er zijn 7 ruime onderzoeksvragen aan bod gekomen. Aangezien de meeste andere onderzoeken nog niet veel aandacht hebben besteed aan de inhoud van eWOM berichten, hebben we besloten een inventaris te maken van de verschillende onderwerpen. Zowel bij de klachten als bij de complimenten bestond minstens de helft van de berichten uit feedback over de service, namelijk het personeel/ de klantendienst (gemiddeld 29,7%) en de dienstverlening (gemiddeld 30,3%). Dit is een belangrijk signaal voor bedrijven dat het niet zozeer het aanbod is die voor de klanten het verschil zal maken, en dus NeWOM of PeWOM motiveert, maar de aanpak. Bovendien mag men niet vergeten dat webcare op zich ook deel uitmaakt van de customer service en dus het onderwerp kan worden van PeWOM of NeWOM. Een tweede punt die we nagegaan hebben is of de respondenten Twitter als eerste kanaal voor feedback hebben gekozen. Voor de grote meerderheid van beide steekproeven kunnen we dit bevestigen. Aangezien de meeste klanten Twitter dus als een volwaardig customer service kanaal beschouwen, is het belangrijk dat bedrijven dit ook doen. De webcare teams hebben bijvoorbeeld toegang nodig tot dezelfde informatie als de traditionele customer service medewerkers zodat ze op een zelfstandige maar tegelijk ook complementaire manier kunnen werken. Bij de klachten was er namelijk wel een groter aantal die al eerder, onsuccesvol, had geprobeerd het bedrijf te bereiken via een ander kanaal (21% vs. 3,7%). Wat de tweets van de 2 steekproeven wel gemeenschappelijk hebben, is de populariteit van het apenstaartje (ongeveer 75%). Aangezien dit symbool de tweet specifiek aan het bedrijf richt, zou dat moeten betekenen dat men hoopt dat het bedrijf de tweet ook ziet en er op reageert. Dit wordt beaamt in de resultaten van de vierde onderzoeksvraag. Beide steekproeven willen graag een reactie op hun tweet, maar bij de steekproef klachten is deze verwachting veel sterker (gemiddelde score van 5,62 vs. 4,19). Dit is logisch, aangezien een klacht vaak gekoppeld gaat aan een eis of vraag. De belangrijkste voorspellende variabele voor “de respons verwachting” is hier “platform assistance”. Dat betekent dat degenen die een hoge score hadden op dit motief, en dus de klacht gepost hebben op Twitter vanwege de praktische voordelen van dit kanaal, ook eerder een antwoord verwachten via het kanaal. Bij de steekproef complimenten is de “respons verwachting” moeilijker te verklaren. Hier zijn het in grotere mate variabelen die niet opgenomen zijn in de vragenlijst die bepalen of men - 63 -
graag een antwoord wil. Voorbeelden hiervan zijn de relatie met het bedrijf en de waarde die men hecht aan een bedanking,… (Demmers, 2013). De hoge scores op de schaal “expected interactivity” tonen aan dat bijna alle consumenten, los van de toon van hun tweet, een bepaalde interactiviteit verwachten. Twitter lijkt een platform te zijn waarop dankzij het publieke karakter van tweets zowel proactieve als reactieve webcare door de consument geaccepteerd en zelfs gewaardeerd wordt. Daarom is het voor bedrijven vooral belangrijk om te onthouden, dat ze een inactieve Twitter account beter vermijden of zelfs verwijderen. De meeste bedrijven die wij geselecteerd hadden, passen reeds succesvol webcare toe op Twitter. 79% van de respondenten ontvingen een respons, meestal via een reply tweet, waarvan 55% binnen het uur na het posten van de tweet. Maar we konden geen significant lineair verband vaststellen tussen de timing van de respons en de outcomes. Dit komt overeen met de uitspraak van Gilly (1987) dat het de “perceived response time” is die relevant is. Voor het beantwoorden van onderzoeksvraag 6 in verband met de gevolgen van webcare zijn verschillende regressie analyses uitgevoerd op basis van
4 modellen met de 4 outcomes als
afhankelijke variabelen. De gemeneten outcomes waren “tevredenheid met het bedrijf”, “repurchase intent”, “eWOM intenties” en “WOM intenties”. Model 1 en 2 waren van toepassing voor alle respondenten en namen enkel de centrale variabelen op, al dan niet gecombineerd met de demografische kenmerken en de gepercipieerde sociale media/ Twitter expertise. Zowel bij de klachten als bij de complimenten verklaarde model 1 telkens een iets grotere proportie van de variantie dan model 2. Bij 2 van de 8 gevallen, had model 2 een iets hogere verklarende kracht, maar bleek het model niet significant. Bovendien waren de demografische variabelen en de gepercipieerde Twitter/sociale media kennis in geen enkele regressie significant. We beschouwen model 1 dan ook als de beste optie voor het voorspellen van de outcomes. Een variabele die naar voor kwam als beste voorspeller in beide steekproeven, was “perceived justice”. Dit concept evalueert de eerlijkheid, rationaliteit en rechtvaardigheid van de aanpak van het bedrijf en correleert sterk met de verschillende outcomes. Verschillende auteurs (Davidow, 2003; Liao, 2007; Dewitt et al. , 2008) toonden al het belang aan van deze variabele in de context van service recoveries, maar in dit onderzoek stellen we vast dat er ook bij positieve feedback een positief linear verband is tussen “perceived justice” en de outcomes. Model 3 en 4 zijn toegevoegd aan de analyse om ook de kenmerken van de respons, namelijk de timing en de gepastheid, te kunnen opnemen. Er werd dus enkel rekening gehouden met de antwoorden van de respondenten die effectief een respons hadden ontvangen. Ook hier had het - 64 -
model zonder de demografische variabelen, model 3, over het algemeen een iets hogere verklarende kracht. De kenmerken van de respons waren niet significant. Eén uitzondering is de “eWOM intenties” voor de steekproef complimenten. Bij deze outcome verklaarde model 4 een grotere proportie van de significantie en was “gepastheid van de respons” de belangrijkste verklarende variabele. Bij bijna alle andere outcomes waren de “perceived justice” en/of de “perceived situation” de beste voorspellers. Hoe consumenten de oorspronkelijke situatie inschatten kan een bedrijf moeilijk veranderen, maar de stappen die ondernomen worden na de melding van het probleem of het compliment, heeft het bedrijf volledig in de hand. De observatie dat de “gepastheid van de respons” bij de meeste outcomes niet significant was, wil niet zeggen dat de respons geen impact heeft op de attitude en het gedrag ten op zichte van het bedrijf. De “gepastheid van de respons” correleert wel duidelijk met de “perceived justice” (klachten: p=0,000, Pearson’s r= 0,671 & complimenten: p=000, Pearson’s r: 0,492) en speelt zo misschien een indirecte rol. De vraag naar de gepastheid is vermoedelijk niet de beste indicator van hoe tevreden men is met de inhoud van de respons, maar gelukkig hebben bedrijven de mogelijkheid om kwalitatief te monitoren of de consumenten tevreden zijn met de respons, door bijvoorbeeld follow-up tweets te versturen of te monitoren of er nog verdere PeWOM of NeWOM wordt gepost. Het feit dat zelfs bij de klachten steekproef de gemiddelde scores op de outcomes schommelen rond 4 (en dus neutraal of enigszins positief zijn) wijst er op dat voor veel consumenten een goede service van het bedrijf in de toekomst onherstelbare schade aan de customer relationship kan vermijden. Dit kunnen we ook concluderen bij onderzoeksvraag 7. Bij de klachten zijn “platform assistance” en “advice seeking” de motieven met de hoogste gemiddelde scores. “Economic incentives” en “venting negative feelings” hebben de laagste scores. Dat betekent dat voor de meeste klanten de feedback niet bedoeld is om het bedrijf te schaden of om compensatie te krijgen, maar eerder omdat men hoopt dat men samen met het bedrijf of andere consumenten tot een oplossing kan komen. Wanneer we focussen op de impact van de motieven op de outcomes zien we dat “concern for others” en “venting negative feelings” de belangrijkste verklarende variabelen zijn, maar met een negatief Beta coëfficiënt. Bij klanten die bij het posten van de klacht niet of nauwelijks gedreven waren door bezorgdheid over anderen of haat tegenover het bedrijf is het waarschijnlijker dat ze in de toekomst klant gaan blijven en positieve feedback over het bedrijf verspreiden. De score op het motief “advice seeking” is ook een goede voorspeller. We kunnen hieruit afleiden dat in vele gevallen bedrijven de tevredenheid van hun klanten al kunnen verhogen door simpelweg hulp te bieden via Twitter wanneer daar om gevraagd wordt. Bij de complimenten steekproef is “helping the company” de belangrijkste drijfveer voor de tweet. Dit motief is ook de beste voorspeller voor het posten van (e)WOM in de toekomst. Het is dus waarschijnlijk dat klanten die het bedrijf via eWOM steunen, dat - 65 -
in de toekomst ook gaan doen. Het kan interessant zijn voor bedrijven om deze klanten als een soort brand ambassadors te beschouwen en hen extra aandacht te geven, bijvoorbeeld door het retweeten van hun posts. De belangrijkste voorspellende variabelen voor de “tevredenheid met het bedrijf” zijn “platform assistance” (negatief) en “extraversion”. Een onderdeel van de tevredenheid is het kunnen delen van de goede ervaring met anderen. Het enige motief uit het model van HennigThurau et al. (2004) dat nauwelijks een rol speelt bij de beslissing om feedback te posten en bij de outcomes is “economic incentives”. Het is mogelijk dat klanten die graag compensatie willen voor hun feedback of voor het ervaren probleem, eerder contact zoeken via traditionele kanalen of face-toface. Wanneer we de literatuurstudie en de antwoorden van de 7 onderzoeksvragen in acht nemen, kunnen we besluiten dat Twitter een groot potentieel heeft voor bedrijven als online customer service tool. Een webcare team kan snel en aan een lage kost voldoen aan wat naar voor komt als 1 van de belangrijkste behoeften van de consument: een luisterend oor bieden voor hun ervaringen met het bedrijf (Hong &Lee, 2005; song &Lee, 2010; De Ruyter & Van Laer, 2010). Wanneer ze deze openheid voor feedback van hun klanten combineren met een correcte manier van reageren, kan dit leiden tot hogere “tevredenheid”, “repurchase intent” en “(e)WOM intenties”. Ten eerste door het vermijden van een NeWOM spiraal bij de consumenten met een negatieve ervaring en ten tweede door het promoten van verdere PeWOM bij de consumenten die tevreden zijn (Hong et al. , 2005; Demmers et al., 2013) Een mediërende variabele waarmee bij elke respons rekening moet gehouden worden is de “perceived justice”: zullen mijn klanten dit antwoord of deze oplossing als rechtvaardig beschouwen? (Davidow, 2003). Maar een bedrijf of webcare team dat zijn doelgroep voldoende kent, zal daar snel inzicht in krijgen. De eerste stap is in elk geval al het aangaan van interactie met een eigen actieve Twitter account.
- 66 -
6. Beperkingen & suggesties voor verder onderzoek Hoewel we geloven dat dat dit onderzoek bijdraagt aan de literatuur rond eWOM en webcare, is het toch belangrijk enkele beperkingen aan te kaarten. Een eerste punt is het aantal respondenten. Slechts 185 Twitter gebruikers hebben de enquête correct en volledig ingevuld. Voor de uitgevoerde analyses was dit aantal voldoende, maar bij een grotere steekproef waren mogelijk meer significante verbanden of verschillen gevonden. Ook was er een grote oververtegenwoordiging van mannen en hooggeschoolden in beide steekproeven. Een mogelijke verklaring is dat deze groepen sneller Twitter gebruiken om te communiceren met bedrijven. Een andere potentiële factor is de selectie van de bedrijven. Om de dataverzameling overzichtelijk te houden, is gefocust op 16 bedrijven in 4 sectoren. Het is aannemelijk dat mannen en hooggeschoolden over het algemeen een grotere interesse hebben in de geselecteerde bedrijven en sectoren, zoals telecom en de luchtvaart. Doordat de grote meerderheid van de respondenten een respons had ontvangen voldeed de steekproef niet aan de voorwaarden om regressie analyses met betrekking tot de outcomes uit te voeren die de resultaten van de groep die een respons gekregen hebben vergelijken met de resultaten van de groep die geen respons gekregen hebben. Bovenstaande limitaties kunnen beperkt worden bij gelijkaardige grootschaligere onderzoeken in de toekomst. Een andere beperking van het onderzoek die we kunnen vermelden na een kritische blik op het eigen werk, is de opstelling van de enquête. Tijdsdruk heeft geleid tot enkele slordigheidsfoutjes, zoals typfoutjes of statements in een foute volgorde, die zeker vermeden hadden kunnen worden. Ook waren verschillende vragen opgenomen in beide enquêtes (klachten en complimenten) die eigenlijk slechts relevant waren voor 1 van de settings. Een kortere vragenlijst had misschien een positieve impact gehad op de dropout rate. Een ander gevolg van tijdsgebrek in combinatie met een opgelegd woorden aantal was het feit dat we het segmenten model van Hennig-Thurau (2004) niet hebben kunnen toepassen op deze steekproeven. Voor toekomstig onderzoek lijkt het zeer interessant dit model uit te testen op respondenten die een eWOM bericht hebben geplaatst in een web 2.0. context. Verder lijkt het ons nuttig om in een volgende enquête rond dit onderwerp ook enkele variabelen opnemen die polsen naar de kenmerken van de respons, zoals beschreven door Davidow (2003). Zo kan niet alleen worden nagegaan of men tevreden is met de respons, maar ook waardoor. Tenslotte, stellen we ook voor om te proberen evalueren hoe en in welke mate de de attitude ten opzichte van het bedrijf is geëvolueerd door de webcare.
- 67 -
7.Bibliografie Ahluwalia, R. (2002). How prevalent is the negativity effect in consumer environment ? Journal of consumer research, vol. 29, no. 2, p. 270-279. Arndt, J. (1967). Word of mouth adverting: a review of the literature. Advertising research foundation, New York. Avery, J. & Fournier, S. (2011). The uninvited brand. Business Horizons, vol. 54, p. 193-207. Balasubramanian, S. & Mahajan, V. (2001). The economic leverage of the virtual community. International journal of electronic commerce, vol. 5, p. 103-138. Barton, B. (2006). Ratings, reviews and ROI: how leading retailers use customer word of mouth in marketing and merchandising. Journal of advertising research, vol. 7, no. 1, p. 5-50. Basuroy, S. , Chatterjee, S. & Ravid, A. (2003). How critical are critical reviews? The box office effects of film critics, star power and budgets. Journal of marketing, vol. 67, no. 3 , p. 103-117. Berger, J. & Iyengar, R. (2013). Communication channels and word of mouth: how the medium shapes the message. Journal of consumer research, vol. 40, no. 3, p. 567-579. Berger, J. & Milkman, K. (2012). What makes online content viral? Journal of marketing research, vol. 49, no. 2, p. 192-205. Berry, L. , Bolton, R. , Bridges, C. , Meyer, J. , Parasuraman, A. & Seiders, K. (2010). Opportunities for innovation in the delivery of interactive retail services. Journal of interactive marketing, vol. 24, p. 155-167. Beukeboom, C. , Kerkhof, P. , Utz, S. (2010). The humanization of a company: effects of personal vs. impersonal organizational reactions to negative online consumer reviews. Paper gepresenteerd op “ De Etmaal voor de communicatiewetenschap”, Gent, België. Bickart, B. & Schindler, R. (2001). Internet forums as influential sources of consumer information. Journal of interactive marketing, vol. 15, no. 3, p. 31-40. Buttle, F. (1998). W ord of mouth: understanding and managing referral marketing. Journal of strategic marketing, vol. 6, no. 3, p. 241-256. Cheng, C. & Chiou, J. (2003). Should a company have message boards on its websites? Journal of interactive marketing, vol. 17, no. 3, p. 50-61. Cheung, C. & Thadani, D. (2012). The impact of electronic word-of-mouth communication: a literature analysis and integrative model. Decision support systems, vol. 54, p. 461-470. Chevalier, J. & Mayzlin, D. (2006). The effect of word of mouth on sales. Journal of marketing research, vol. 43, no. 3, p. 345-356.
- 68 -
Chowdury, A., Jansen, J. , Zhang, M. & Sobel, K. (2009). Twitter power: tweets as electronic word of mouth. Journal of the American society for information science and technology, vol. 60, no. 11, p. 2169- 2188. Constantinides, E. & Fountain, S. (2008). Web 2.0: conceptual foundations and marketing issues. Journal of direct data and digital marketing practice, vol. 9, no. 3, p. 231-244. Davidow, M. (2003). Organizational responses to customer complaints: what works and what doesn’t. Journal of service research, vol. 5, no. 3, p. 225-250. Davis, A. & Khazanchi, D. (2008). An empirical study of online world of mouth as a predictor for multiproduct category e-commerce sales. Electronic markets, vol. 18, no. 2, p. 130-141. De Bruyn, A. & Lilien, G. (2008). A multi-stage of word of mouth influence through viral marketing. International journal of research in marketing, vol. 25, no. 3, p. 151-163. De Ruyter, K. & Van Laer, T. (2010). In stories we trust: how narrative apologies provide cover for competitive vulnerability after integrity-violating blog posts. International journal of research in marketing, vol. 27, no. 2 , p. 164-174. De Ruyter, K. , Wezels, M. , Köhler, C. & Rohm, A. (2011). Return on interactivity: the impact of online agents on newcomer adjustment. Journal of marketing, vol. 75, no. 2, p. 93-108. DeCarlo, T. , Laczniak, R. & Ramaswami, S. (2001). Consumer’s responses to negative word of mouth communication: an attribution theory perspective. Journal of consumer psychology, vol. 11, no. 1, p. 57-73. Dellarocas, C. (2003). The digitization of word of mouth: promise and challenges of online feedback mechanisms. Management science, vol. 49. ,no. 10, p. 1407-1424. Demmers, J. , Van Dolen, W. & Weltevreden, J. (2013). Attentive customer care or privacy infringement? Dealing with customer feedback on social networking sites. Working Paper, University of Amsterdam. Samengevat en vertaald in Ontwikkelingen in het marktonderzoek, 2014, hoofdstuk 4: “ Bedankt voor het compliment ! Het effect van bedrijfsreacties op positieve online word of mouth. Dewitt, T. , Nguyen, D. & Marshall, R. (2008). Exploring customer loyalty following service recovery. Journal of service research, vol. 10, no. 3, p. 269-281. Diaconescu, G. (2012). Organisational responses to positive word-of-mouth. Masterpaper, universiteit van Amsterdam. Duan, W. , Gu, B. & Whinston, A. (2008). Do online reviews matter? – An empirical investigation of panel data. Decision support systems, vol. 45, no. 4, p. 1007-1016. East, R. , Hammond, K. & Lomax, W. (2008). Measuring the impact of positive and negative word of mouth on brand purchase probability. International journal of research in marketing, vol. 25, p. 215224. Erragcha, N. & Romdhane, R. (2014). New faces of marketing in the era of the web: from marketing 1.0 to marketing 3.0. Journal of research in marketing, vol. 2, no.2, p. 137-142. - 69 -
Esch, F. , Langner, T. , Schmitt, B. & Geus, P. (2006). Are brands forever? How brand knowledge and relationships affect current and future purchases. Journal of product & brand management, vol. 15, no. 2, p. 98-105. Fan, Y. & Niu, R. (2012). Immediate attention please! What matters to customers using a social network to complain: empirical evidence from the airline industry. Journal of business & leadership, vol. 8, p. 90-104. Faulds, D. & Mangold, W. (2009). Social media: the new hybrid element of the promotion mix. Business Horizons, vol. 52, no. 4, p. 357-365. Friege, C. , Hennig-Thurau, T. , Gensler, S. , Malthouse, E. , Lobschat, L. , Rangaswamy, A. & Skiera, B. (2010). The impact of new media on customer relationships. Journal of service research, vol. 13, no. 3, p. 311-330. Gelb, B. & Sunduram, S. (2002). Adapting to “word of mouse”. Business Horizons, vol. 45, no. 4, p. 2125. Gilly, M. (1987). Postcomplaint processes: from organizational response to repurchase behavior. Journal of consumer affairs, vol. 21, no. 2, p. 293-313. Godes, D. & Mayzlin, D. (2004). Using online conversations to study word of mouth communication. Marketing science, vol. 23, no. 4, p. 545-560. Goldsmith, R. & Horowitz, D. (2006). Measuring motivations for online opinion seeking. Journal of interactive marketing, vol. 6, no. 2, p. 3-14. Grégoire, Y. , Legoux, R. & Tripp, T. (2009). When customer love turns into lasting hate: the effects of relationship strength and time on customer revenge and avoidance. Journal of marketing, vol. 73, no. 6, p. 18-32. Gupta, P. & Harris, J. (2010). How eWom recommendations influence product consideration and quality of choice: a motivation to process information perspective. Journal of business research, vol. 63, p. 1041-1049. Ha, H. (2006). The effects of consumer risk perception on pre-purchase information in online auctions: brand, word-of-mouth and customized information. Journal of computer-mediated communication, vol. 8, geen paginanummers. Haenlein, M. & Kaplan, A. (2010). Users of the world, unite! The challenges and opportunities of social media. Business Horizons, vol. 53, no. 1, p. 59-68. Han, I. , Lee, J. & Park, D.(2007). The effect of online consumer reviews on consumer purchasing intention: the moderating role of involvement. International journal of electronic commerce, vol. 11, no. 4, p. 125-148. Harrison-Walker, J. (2001). E-complaining: a content analysis of an internet complaint forum. Journal of services marketing, vol. 15, no. 5, p. 397-412.
- 70 -
Hennig-Thurau, T. , Gwinner, K. , & Walsh, G. (2004). Electronic word of mouth via consumer-opinion platforms: what motivates consumers to articulate themselves on the internet? Journal of interactive marketing, vol. 18, no. 1, p. 38-52. Hong, Y. & Lee, W. (2005). “Consumer complaint behavior in the online environment” in Web system design and online consumer behavior , Yuan Gao, ed. Hershey, PA: Idea group publishing, p. 90-105. Hung, K. & Li, S. (2007). The influence of eWOM on virtual consumer communities: social capital, consumer learning and behavioral outcomes. Journal of advertising research, vol. 47, no. 4, p. 485495. Jansen B. , Sobel, K. , Zhang, M. & Chowdury, A. (2009). The commercial impact of social medating technologies: micro-blogging as online word-of-mouth branding. Niet gepubliceerd. Katz, E. & Lazarsfeld, P. (1955). Personal influence: the part played by people in the flow of mass communication. Glencoe, IL: Free Press. Kelleher, T. (2009). Conversational voice, communicated commitment and public relations outcomes in interactive online communication. Journal of communication, vol. 59, p. 172-178. Kozinets, R. , De Valck, K. , Wojnicki, A. & Wilner, S. (2010). Networked narratives: understanding word-of-mouth marketing in online communities. Journal of marketing, vol. 74, p. 71-89. Kuntaraporn, M. , Sun, T. , Youn, S. & Whu, G. (2006). Online word of mouth (or mouse): an exploration of its antecedents and consequences. Journal of computer-mediated communication, vol. 11, no. 4, p. 1104-1127. Labrecque, L. (2014). Fostering consumer-brand relationships in social media environments: the role of parasocial interaction. Journal of interactive marketing, vol. 28, p. 134-148. Larivière, B. , Malthouse, E. , Joosten, H. , Van Birgelen, M. , Aksoy, P. , Kunz, W. & Huang, M. (2013). Value fusion: the blending of consumer and firm value in the distinct context of mobile technologies and social media. Journal of service management, vol. 23, no. 3, p. 268-293. Lee, M. , Rodgers, S. & Kim, M. (2009). Effects of valence and extremity of eWOM on attitude towards the brand and website. Journal of current issues and research in advertising, vol. 31, no. 9, p. 1-11. Lee, S. , Hwang, T. & Lee, H. (2006). Corporate blogging strategies of the Fortune 500 companies. Management decisions, vol. 44, no. 3, p. 316-334. Lee, Y. & Song, S. (2010). An empirical investigation of electronic word-of-mouth: informational motive and corporate response strategy. Computers in human behavior, vol. 26, p. 1073-1080. Lerman, D. & Sen, S. (2007). Why are you telling me this? An examination into negative consumer reviews on the web. Journal of interactive marketing, vol. 21, no. 4, p. 76-94. Lewis, R. , Phelps, J. , Mobilio, L. , Perry, D. & Raman, N. (2004). Viral marketing or electronic word of mouth advertising: Examining consumer responses and motivations to pass along email. Journal of advertising research, vol. 44, no. 4, p. 333-348. - 71 -
Liao, H. (2007). Doing it right this time: the role of employee service recovery performance in customer perceived-justice and customer loyalty after service failures. Journal of applied psychology, vol. 92, no. 2, p. 475-489. Liu, Y. (2006). Word of mouth for movies: its dynamics and impact on box office revenue. Journal of marketing, vol. 70, p. 74-89. Lovejoy, K. , Waters, R. & Saxton, G. (2012). Engaging stakeholders through Twitter: how non-profit organisations are getting more out of 140 characters or less. Public relations review, vol. 38, no. 2, p. 313-318. Malthouse, E. (2007). Mining for trigger events with survival analysis. Data mining knowledge discovery, vol, 15, no. 3, p. 383-402. Malthouse, M. & Shankar, V. (2007). The growth of interactions and dialogs in interactive marketing. Journal of interactive marketing, vol. 21, no. 2, p. 2-4. Mata, J. & Quesada, A. (2014). Web 2.0, social networks and e-commerce as marketing tools. Journal of theoretical and applied electronic commerce research, vol. 9, no. 1, p. 56-69. Maxham, J. & Netemeyer, R. (2002). A longitudinal study of complaining customers’ evaluations of multiple service failures and recovery efforts. Journal of marketing, vol. 66, no. 4, p. 57-71. Ostrom, A. & Ward, J. (2006). Complaining to the masses: the role of protest framing in customercreated complaint web sites. Journal of consumer research, vol. 33, no. 2, p. 220-230. Richins, M. & Root-Shaffer, T. (1988). The role of involvement and opinion leadership in consumer word of mouth: an implicit model made explicit. Advances in consumer research, vol. 15, p. 32-36. Riegner, C. (2007). Word of mouth on the web: the impact of web 2.0 on consumer purchase decisions. Journal of advertising research, vol. 47, no. 4, p. 436-447. Sundaram, D. , Mitra, K. & Webster,C. (1998). Word-of-mouth communications: a motivational analysis. Advances in consumer research, vol. 25, p. 527-531. Van Noort, G. & Willemsen, L. (2011). Online damage control: the effects of proactive versus reactive webcare interventions in consumer-generated and brand-generated platforms. Journal of interactive marketing, vol. 26, p. 131-140. Van Vaerenbergh, Y. , Larivière, B. & Vermeir, I. (2012). The impact of process recovery communication on customer satisfaction, repurchase intentions and word-of-mouth. Journal of service research, vol. 15, no. 3, p. 262-279. Voorhees, C. & Brady, M. (2005). A service perspective on the drivers of complaint intentions. Journal of service research, vol. 8, no. 2, p. 192-204. Willemsen, L. , Bronner, F. & Neijens, P. (2013). Webcare as customer relationship and reputation management. Motives for negative electronic word of mouth and their effect on webcare receptiveness. Advances in advertising research, vol. 4., p. 55-69.
- 72 -
About Twitter. Geraadpleegd op 14 november 2014 via www.about.twitter.com/company Zhu, F. and Zhang, X. (2006). The Influence of Online Consumer Reviews on the Demand for Experience Goods: The Case of Video Games" . ICIS 2006 Proceedings. Paper 25.
- 73 -
8. Bijlagen QUALTRICS SURVEY: COMPLIMENTEN- Nederlandstalig Beste Twitter gebruiker Mijn naam is Barbara Baken en ik ben bedrijfseconomie studente aan de Ugent. Eerst en vooral heel erg bedankt voor de reactie op mijn tweet. In functie van mijn thesis voer ik onderzoek naar webcare op Twitter. Mijn doel is om meer inzicht te krijgen in wat de consument verwacht van bedrijven op Twitter en om na te gaan hoe deze bedrijven hun online dienstverlening voor de klanten kunnen verbeteren. Ik zou zeer dankbaar zijn moest u de tijd nemen om deze enquête in te vullen. Dit duurt ongeveer 5 à 10 minuten. Alle data wordt anoniem verwerkt. Kan U de situatie beschrijven waarover U een opmerking op Twitter hebt gepost? Wat was de toon van uw bericht? Negatief (een klacht) Positief (een compliment) Welk symbo(o)l(en) heeft u gebruikt in de Twitter post? enkel @ (gericht aan het bedrijf) enkel # (met de naam van het bedrijf) zowel @ als # (beide) geen Over welk bedrijf ging uw tweet? ING Belgium BNP Paribas Belfius KBC Belgium Ryanair KLM Brussels Airlines Lufthansa Telenet Belgacom/Proximus Mobile Vikings Mobistar Decathlon Belgium Ikea H&M Belgium Colruyt Was Twitter het eerste kanaal waarop U deze opmerking hebt gepost? Ja Neen, ik heb dezelfde opmerking reeds via een ander kanaal van het bedrijf gemeld, maar ontving geen antwoord/reactie Neen, ik heb dezelfde opmerking reeds via een ander kanaal van het bedrijf gemeld, maar ontving een onbevredigend antwoord Neen, ik heb dezelfde opmerking reeds via een ander kanaal van het bedrijf gemeld en ontving een bevredigend antwoord Neen, ik heb dezelfde opmerking op een andere website (forum, blog, ...) dan die van het bedrijf zelf gemeld Neen, ik heb dezelfde opmerking ook via Facebook ( niet de bedrijfspagina) geuit
Geef de gepercipieerde situatie aan. Helemaal Niet niet uitzonderlijk uitzonderlijk
Niet echt uitzonderlijk
Neutraal
Een beetje uitzonderlijk
Uitzonderlijk
Zeer uitzonderlijk
Hoe uitzonderlijk was de situatie waarvoor u een compliment gaf?
- 74 -
Geef de gepercipieerde situatie aan. Helemaal Niet speciaal niet speciaal
Niet echt speciaal
Neutraal
Een beetje speciaal
Speciaal
Zeer speciaal
Niet echt tevreden
Neutraal
Een beetje tevreden
Tevreden
Zeer tevreden
Als ik een tweet post over mijn ervaringen met een bepaald bedrijf, verwacht ik dat... Helemaal Niet akkoord Enigszins Onbeslist Enigszins niet akkoord niet akkoord akkoord
Akkoord
Helemaal akkoord
het bedrijf zal reageren op mijn boodschap.
het bedrijf snel en efficiënt zal antwoorden.
het bedrijf zal toelaten dat ik rechtstreeks met hen communiceer.
het bedrijf luistert naar wat ik te vertellen heb.
Geef aan wat uw verwachting is van het bedrijf. Helemaal 2 niet
3
4
5
6
Heel graag
Wou u een reactie van het bedrijf op uw tweet?
Hoe speciaal was de situatie waarvoor u een compliment gaf?
Geef de gepercipieerde situatie aan. Helemaal Niet niet tevreden tevreden Hoe tevreden was je met de situatie waarover u een compliment gaf?
Resultaat van post Momenteel Heeft u een reactie van het bedrijf ontvangen?
Ja
Nee
- 75 -
Via welk kanaal heeft u een reactie ontvangen? Via een tweet Via een direct (persoonlijk) bericht op Twitter Via een ander kanaal. Specifieer aub. ____________________ Hoe snel hebt u een reactie ontvangen? binnen 15 minuten binnen 15-30 minuten binnen 31-60 minuten binnen 1-12 uren binnen 12-24 uren na 24 uren Evalueer de reactie van het bedrijf. Zeer Ongepast ongepast Hoe gepast was de respons van het bedrijf?
Niet echt ongepast
Neutraal
Een beetje gepast
Gepast
Heel gepast
Enigszins akkoord
Akkoord
Helemaal akkoord
Geef aan in welke mate u akkoord gaat met de volgende uitspraken. Helemaal Niet akkoord Enigszins Onbeslist niet akkoord niet akkoord Naar mijn mening, heeft het bedrijf een bevredigend antwoord gegeven op mijn bericht.
Ik ben niet tevreden met de manier waarop het bedrijf mijn boodschap heeft behandeld.
Bij deze specifieke gebeurtenis ben ik tevreden over de aanpak door het bedrijf.
- 76 -
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet akkoord Enigszins Neutraal niet akkoord. niet akkoord
Enigszins akkoord
Akkoord
Helemaal akkoord
In het algemeen ben ik tevreden over mijn ervaringen met het bedrijf.
Over het algemeen beschouwd, ben ik ontevreden over het bedrijf.
In het algemeen ben ik tevreden over de kwaliteit van de dienstverlening van het bedrijf.
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet Enigszins Neutraal niet akkoord akkoord niet akkoord
Enigszins akkoord
Akkoord
Helemaal akkoord
In de toekomst,ben ik van plan de diensten/producten van dit bedrijf te gebruiken.
In de nabije toekomst, zal ik geen beroep meer doen op de diensten/producten van dit bedrijf.
In de toekomst, blijf ik klant van dit bedrijf.
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet akkoord Enigszins Onbeslist niet akkoord niet akkoord
Enigszins akkoord
Akkoord
Helemaal akkoord
Algemeen genomen heeft het bedrijf de situatie op een rechtvaardige manier aangepakt.
De dienstverlener heeft de situatie rationeel opgelost.
Algemeen genomen was de manier waarop de dienstverlener mijn situatie heeft opgelost niet eerlijk.
- 77 -
Geef de waarschijnlijkheid van onderstaande acties aan. Zeer Onwaarschijnlij Redelijk onwaarschijnlij k onwaarschijnlij k k
Onbeslis t
Redelijk waarschijnlij k
Waarschijnlij k
Zeer waarschijnlij k
In welke mate denk je dat je nog positieve dingen zou zeggen over het bedrijf op netwerksites zoals Twitter of Facebook?
In welke mate denk je dat je nog sociale media zou gebruiken om je vrienden en familie aan te moedigen om te kopen bij het bedrijf?
In welke mate denk je dat je het bedrijf nog zou aanraden op netwerksites zoals Twitter of Facebook?
In welke is het waarschijnlij k dat je een volger/fan zou worden van het bedrijf op netwerksites zoals Twitter of Facebook?
- 78 -
Geef de waarschijnlijkheid van onderstaande acties aan. Zeer Onwaarschijnlij Redelijk onwaarschijnlij k onwaarschijnlij k k
Onbeslis t
Redelijk waarschijnlij k
Waarschijnlij k
Zee waarschijnlij k
In welke mate denk je dat je ook face-to-face positive dingen zal zeggen tegen anderen?
In welke mate denk je dat je ook face-to-face vrienden en familie zou aanraden bij het bedrijf te kopen?
In welke mate is het waarschijnlij k dat je ook face-to-face het bedrijf aan anderen zou aanbevelen ?
- 79 -
De volgende vragen zijn allemaal met betrekking tot de tweet die u hebt beschreven in de allereerste vraag. De woorden "bedrijf of dienstverlener" verwijzen dan ook naar het bedrijf die u geselecteerd hebt uit de lijst in vraag 4. Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet Niet echt Neutraal Een beetje Akkoord Helemaal niet akkoord akkoord akkoord akkoord akkoord ik geloof dat de Twitter medewerker van het bedrijf de verantwoordelijken binnen het bedrijf kent en mijn boodschap zal doorgeven.
de Twitter medewerker mij dan gaat vertegenwoordigen en verdedigen in het gesprek met het bedrijf.
ik geloof dat bedrijven inschikkelijker gaan zijn wanneer ik mijn probleem publiek maak.
het handiger is dan schrijven of bellen naar het bedrijf.
het niet kostelijk is.
je meer macht hebt wanneer je samen met anderen klaagt, dan wanneer je alleen een klachtenbrief verstuurd.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik anderen wil helpen met mijn positieve ervaringen.
ik anderen de kans wil geven de juiste producten te kiezen.
- 80 -
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik zo mijn vreugde over een goede aankoop kan uiten.
ik me goed voel wanneer ik anderen vertel over mijn aankoop succes.
ik anderen kan vertellen over een zeer goede ervaring.
mijn bijdragen tonen dat ik een slimme consument ben.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik het aangenaam vind een gesprek te hebben met gelijkgestemde mensen.
ik het leuk vind om te communiceren met andere actieve Twitter leden.
ik daardoor leuke mensen ontmoet.
Ik heb deze post gepubliceerd op Twitter omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik gemotiveerd word door economische drijfveren, zoals de kans op kortingen,...
ik mogelijk een tegemoetking ontvang, bijvoorbeeld een korting.
- 81 -
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet niet akkoord akkoord
Niet echt akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik zeer tevreden ben over het bedrijf en zijn diensten/producten en ik het bedrijf wil helpen succesvol te zijn.
in mijn ogen, goede bedrijven gesteund moeten worden.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik verwacht dat ik ondersteuning of tips zal ontvangen van andere gebruikers.
ik hoop dat ik advies zal ontvangen van anderen over het oplossen van mijn probleem.
Een beetje akkoord
Akkoord
Helemaal akkoord
Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet akkoord Niet echt Neutraal niet akkoord akkoord Het voelt goed om mijn ontevredenheid te uitten en mijn frustraties te luchten door te klagen.
Het stoort me om niet te klagen over een slechte aankoop.
- 82 -
Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet Niet echt neutraal niet akkoord akkoord akkoord
Een beetje akkoord
Akkoord
Helemaal akkoord
Ik het het gevoel dat het riskant is om negatieve dingen te zeggen over bedrijven/producten op netwerksites zoals Twitter of Facebook.
Ik ben bezorgd dat anderen het afkeuren dat ik negatief praat over bedrijven/producten op netwerksites zoals Twitter of Facebook.
Ik ben bang dat ik onnozel overkom bij anderen als ik negatief praat over bedrijven/producten netwerksites zoals Twitter of Facebook.
Volgt u het bedrijf op Twitter? Ja Nee Bent u een fan van het bedrijf op Facebook? Ja Nee
- 83 -
Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet akkoord Niet echt Neutraal niet akkoord akkoord Ik heb ervaring Twitter.
Een beetje akkoord
Akkoord
Helemaal akkoord
veel met
Ik ben vertrouwd met de verschillende mogelijkheden van Twitter.
Ik ben zelfzeker over mijn kennis en gebruik van Twitter.
Ik heb veel ervaring met sociale media in het algemeen.
Ik ben vertrouwd met de verschillende mogelijkheden van sociale media in het algemeen.
Ik ben zelfzeker over mijn kennis en gebruik van sociale media in het algemeen.
1 keer per dag
Meermaals per dag
In welke mate... Minder dan 1 keer per maand
1 keer per maand
Een paar keer per maand
1 keer per week
Een keer week
paar per
Post je zelf berichten op Twitter?
Lees je de tweets van anderen op Twitter?
Minder dan 1 keer per maand
1 keer per maand
Een paar keer per maand
1 keer per week
1 keer per dag
Een paar keer per dag
Constant (ik laat het programma open)
Hoe vaak...
bezoek Twitter?
je
- 84 -
Hoeveel keer heeft u het voorbije jaar... Nooit Zelden
Soms
Vaak
De hele constant
tijd/
Niet van toepassing
een klacht gepost op Twitter over een bedrijf?
rechtstreeks gecommuniceerd met een bedrijf op Twitter?
uw ervaringen over een bedrijf gecommuniceerd op Twitter, zonder de post specifiek aan dat bedrijf te richten.
ervaringen gedeeld met uw volgers op Twitter over een teleurstellende dienstverlening of slecht product van een bedrijf?
Wat is uw leeftijd? Wat is uw geslacht? Man Vrouw Wat is uw hoogst bepaalde diploma? Lagere school Middelbare school ASO Middelbare school TSO/ BSO Professionele bachelor (hogeschool) Bachelor Master Doctoraat Ander diploma - Specifieer aub.: ____________________ QUALTRICS SURVEY: -KLACHTEN- Nederlandstalig Beste Twitter gebruiker. Mijn naam is Barbara Baken en ik ben bedrijfseconomie studente aan de Ugent. Eerst en vooral heel erg bedankt voor de reactie op mijn tweet. In functie van mijn thesis voer ik onderzoek naar webcare op Twitter. Mijn doel is om meer inzicht te krijgen in wat de consument verwacht van bedrijven op Twitter en om na te gaan hoe deze bedrijven hun online dienstverlening voor de klanten kunnen verbeteren. Ik zou zeer dankbaar zijn moest u de tijd nemen om deze enquête in te vullen. Dit duurt ongeveer 5 à 10 minuten. Alle data wordt anoniem verwerkt. Kan U het probleem beschrijven waarover U een klacht op Twitter hebt gepost? Wat was de toon van uw bericht? Negatief (een klacht) Positief (een compliment) Welk symbo(o)l(en) heeft u gebruikt in de Twitter post? enkel @ (gericht aan het bedrijf) enkel # (met de naam van het bedrijf) zowel @ als # (beide) geen
- 85 -
Over welk bedrijf ging uw tweet? ING Belgium BNP Paribas Belfius KBC Belgium Ryanair KLM Brussels Airlines Lufthansa Telenet Belgacom/Proximus Mobile Vikings Mobistar Decathlon Belgium Ikea H&M Belgium Colruyt Was Twitter het eerste kanaal waarop U deze klacht heeft gemeld? Ja Neen, ik heb dezelfde klacht reeds via een ander kanaal van het bedrijf gemeld, maar ontving geen antwoord/reactie Neen, ik heb dezelfde klacht reeds via een ander kanaal van het bedrijf gemeld, maar ontving een onbevredigend antwoord Neen, ik heb dezelfde reactie reeds via een ander kanaal van het bedrijf gemeld en ontving hier een bevredigend antwoord Neen, ik heb dezelfde klacht op een andere website (forum, blog, ...) dan die van het bedrijf zelf gemeld Neen, ik heb dezelfde klacht ook via Facebook ( niet de bedrijfspagina) geuit
Naar mijn mening, is het probleem die ik ervaren heb een... 1 2 3
4
5
6
7
klein probleem:groot probleem
klein ongemak:groot ongemak
kleine ergernis:grote ergernis
Enigszins akkoord
Akkoord
Helemaal akkoord
Geef aan in welke mate U akkoord gaat met de volgende uitspraken. Helemaal Niet akkoord Enigszins Geen niet akkoord niet akkoord beiden
van
Ik verwachtte dat het bedrijf het probleem ging oplossen.
Ik verwachtte dat het bedrijf er alles aan zou doen om mij tevreden te stellen.
Ik ging er van uit dat het bedrijf snel op mijn klacht ging reageren.
Ik verwachtte dat ik compensatie ging ontvangen.
- 86 -
Als ik een tweet post over mijn ervaringen met een bepaald bedrijf, verwacht ik dat... Helemaal Niet akkoord Enigszins Onbeslist Enigszins niet akkoord niet akkoord akkoord
Akkoord
Helemaal akkoord
het bedrijf zal reageren op mijn boodschap.
het bedrijf snel en efficiënt zal antwoorden.
het bedrijf zal toelaten dat ik rechtstreeks met hen communiceer.
het bedrijf luistert naar wat ik te vertellen heb.
Geef aan wat uw verwachting is van het bedrijf. Helemaal 2 niet
3
4
5
6
Heel graag
Wou u een reactie van het bedrijf op uw tweet?
Resultaat van post Momenteel Heeft u een reactie van het bedrijf ontvangen?
Ja
Nee
Via welk kanaal heeft u een reactie ontvangen? Via een tweet Via een direct (persoonlijk) bericht op Twitter Via een ander kanaal. Specifieer aub. ____________________ Hoe snel hebt u een reactie ontvangen? binnen 15 minuten binnen 15-30 minuten binnen 31-60 minuten binnen 1-12 uren binnen 12-24 uren na 24 uren Evalueer de reactie van het bedrijf. Zeer Ongepast ongepast Hoe gepast was de respons van het bedrijf?
Niet echt gepast
Neutraal
Een beetje gepast
Gepast
Zeer gepast
- 87 -
Geef aan in welke mate u akkoord gaat met de volgende uitspraken. Helemaal Niet akkoord Enigszins Onbeslist niet akkoord niet akkoord
Enigszins akkoord
Akkoord
Helemaal akkoord
Naar mijn mening, heeft het bedrijf een bevredigende oplossing aangeboden voor mijn probleem.
Ik ben niet tevreden met de manier waarop het bedrijf mijn probleem heeft behandeld.
Bij deze specifieke gebeurtenis ben ik tevreden over de aanpak van mijn probleem door het bedrijf.
Enigszins akkoord
Akkoord
Helemaal akkoord
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet Enigszins Onbeslist niet akkoord akkoord niet akkoord In het algemeen ben ik tevreden over mijn ervaringen met het bedrijf.
Over het algemeen beschouwd, ben ik ontevreden over het bedrijf.
In het algemeen ben ik tevreden over de kwaliteit van de dienstverlening van het bedrijf.
- 88 -
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet Niet echt Onbeslist niet akkoord akkoord akkoord
Een beetje akkoord
Akkoord
Helemaal akkoord
In de toekomst,ben ik van plan de diensten/producten van dit bedrijf te gebruiken.
In de nabije toekomst, zal ik geen beroep meer doen op de diensten/producten van dit bedrijf.
In de toekomst, blijf ik klant van dit bedrijf.
Geef aan in welke mate u akkoord bent met de volgende uitspraken. Helemaal Niet akkoord Enigszins Onbeslist niet akkoord niet akkoord
Enigszins akkoord
Akkoord
Helemaal akkoord
Algemeen genomen heeft het bedrijf het probleem op een rechtvaardige manier behandeld.
De dienstverlener heeft het probleem rationeel opgelost.
Algemeen genomen was de manier waarop de dienstverlener het probleem heeft opgelost niet eerlijk.
- 89 -
Geef de waarschijnlijkheid van onderstaande acties aan. Zeer Onwaarschijnlij Redelijk onwaarschijnlij k onwaarschijnlij k k
Onbeslis t
Redelijk waarschijnlij k
Waarschijnlij k
Zeer waarschijnlij k
In welke mate denk je dat je nog positieve dingen zou zeggen over het bedrijf op netwerksites zoals Twitter of Facebook?
In welke mate denk je dat je nog sociale media zou gebruiken om je vrienden en familie aan te moedigen om te kopen bij het bedrijf?
In welke mate denk je dat je het bedrijf nog zou aanraden op netwerksites zoals Twitter of Facebook?
In welke is het waarschijnlij k dat je een volger/fan zou worden van het bedrijf op netwerksites zoals Twitter of Facebook?
- 90 -
Geef de waarschijnlijkheid van onderstaande acties aan. Zeer Onwaarschijnlij Redelijk onwaarschijnlij k onwaarschijnlij k k
Onbeslis t
Redelijk waarschijnlij k
Waarschijnlij k
Zee waarschijnlij k
In welke mate denk je dat je ook face-to-face positive dingen zal zeggen tegen anderen?
In welke mate denk je dat je ook face-to-face vrienden en familie zou aanmoedige n om te kopen bij het bedrijf?
In welke mate is het waarschijnlij k dat je ook face-to-face anderen zou aanmoedige n om bij het bedrijf te kopen?
- 91 -
De volgende vragen zijn allemaal met betrekking tot de tweet die u hebt beschreven in de allereerste vraag. "bedrijf of dienstverlener" verwijzen dan ook naar het bedrijf die u geselecteerd hebt uit de lijst in vraag 4. Ik heb Twitter gepubliceerd omdat... Helemaal Niet Niet echt Neutraal Een beetje Akkoord niet akkoord akkoord akkoord akkoord
De woorden deze post op Helemaal akkoord
ik geloof dat de Twitter medewerker van het bedrijf de verantwoordelijken binnen het bedrijf kent en mijn boodschap zal doorgeven.
de Twitter medewerker mij dan gaat vertegenwoordigen en verdedigen in het gesprek met het bedrijf.
ik geloof dat bedrijven inschikkelijker gaan zijn wanneer ik mijn probleem publiek maak.
het handiger is dan schrijven of bellen naar het bedrijf.
het niet kostelijk is.
je meer macht hebt wanneer je samen met anderen klaagt, dan wanneer je alleen een klachtenbrief verstuurd.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
het bedrijf mij schade heeft berokkend en ik hen nu schade wil berokkenen.
ik wraak wil nemen op het bedrijf.
mijn contributies op Twitter de frustraties over een slechte aankoop verminderen.
ik mijn boosheid wil uitten.
- 92 -
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik anderen wil waarschuwen voor slechte producten.
ik anderen deze negatieve ervaringen wil besparen.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet niet akkoord akkoord
Niet echt akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik me goed voel wanneer ik anderen kan waarschuwen over mijn probleemaankopen.
mijn bijdragen tonen dat ik een slimme consument ben.
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik het aangenaam vind een gesprek te hebben met gelijkgestemde mensen.
ik het leuk vind om te communiceren met andere actieve Twitter leden.
ik daardoor leuke mensen ontmoet.
Ik heb deze post gepubliceerd op Twitter omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik gemotiveerd word door economische drijfveren, zoals de kans op kortingen,...
ik mogelijk een tegemoetking ontvang, bijvoorbeeld een korting.
- 93 -
Ik heb deze post op Twitter gepubliceerd omdat... Helemaal Niet akkoord Niet echt niet akkoord akkoord
Neutraal
Een beetje akkoord
Akkoord
Helemaal akkoord
ik verwacht dat ik ondersteuning of tips zal ontvangen van andere gebruikers.
ik hoop dat ik advies zal ontvangen van anderen over het oplossen van mijn probleem.
Een beetje akkoord
Akkoord
Helemaal akkoord
Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet akkoord Niet echt Neutraal niet akkoord akkoord Het voelt goed om mijn ontevredenheid te uitten en mijn frustraties te luchten door te klagen.
Het stoort me om niet te klagen over een slechte aankoop.
Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet Niet echt neutraal niet akkoord akkoord akkoord
Een beetje akkoord
Akkoord
Helemaal akkoord
Ik het het gevoel dat het riskant is om negatieve dingen te zeggen over bedrijven/producten op netwerksites zoals Twitter of Facebook.
Ik ben bezorgd dat anderen het afkeuren dat ik negatief praat over bedrijven/producten op netwerksites zoals Twitter of Facebook.
Ik ben bang dat ik onnozel overkom bij anderen als ik negatief praat over bedrijven/producten netwerksites zoals Twitter of Facebook.
- 94 -
Volgt u het bedrijf op Twitter? Ja Nee Bent u een fan van het bedrijf op Facbeook? Ja Nee Geef aan in welke mate u akkoord bent met onderstaande uitspraken. Helemaal Niet akkoord Niet echt Neutraal niet akkoord akkoord Ik heb ervaring Twitter.
Een beetje akkoord
Akkoord
Helemaal akkoord
veel met
Ik ben vertrouwd met de verschillende mogelijkheden van Twitter.
Ik ben zelfzeker over mijn kennis en gebruik van Twitter.
Ik heb veel ervaring met sociale media in het algemeen.
Ik ben vertrouwd met de verschillende mogelijkheden van sociale media in het algemeen.
Ik ben zelfzeker over mijn kennis en gebruik van sociale media in het algemeen.
1 keer per dag
Meermaals per dag
In welke mate... Minder dan 1 keer per maand
1 keer per maand
Een paar keer per maand
1 keer per week
Een keer week
paar per
Post je zelf berichten op Twitter?
Lees je de tweets van anderen op Twitter?
Minder dan 1 keer per maand
1 keer per maand
Een paar keer per maand
1 keer per week
1 keer per dag
Een paar keer per dag
Constant (ik laat het programma open)
Hoe vaak...
bezoek Twitter?
je
- 95 -
Hoeveel keer heeft u het voorbije jaar... Nooit Zelden
Soms
Vaak
De hele constant
tijd/
Niet van toepassing
een klacht gepost op Twitter over een bedrijf?
rechtstreeks gecommuniceerd met een bedrijf op Twitter?
uw ervaringen over een bedrijf gecommuniceerd op Twitter, zonder de post specifiek aan dat bedrijf te richten.
ervaringen gedeeld met uw volgers op Twitter over een teleurstellende dienstverlening of slecht product van een bedrijf?
Wat is uw leeftijd? Wat is uw geslacht? Man Vrouw Wat is uw hoogst bepaalde diploma? Lagere school Middelbare school ASO Middelbare school TSO/ BSO Professionele bachelor (hogeschool) Bachelor Master Doctoraat Ander diploma - Specifieer aub.: ____________________
- 96 -