kracht van negatieve_word-of-mouth

De kracht van negatieve word-of-mouth

Wat kunnen #fail-tweets doenmet de reputatie van een organisatie?

#fail !

Rob le PairMarije van Dongen

Negatieve word-of-mouth (WOM) op het platform Twitter

Traditionele WOM

persoonlijker, directer, face-to-face

in beperkte groep, betrouwbare informatiebronnen

belangrijke factor voor aankoopproces,merkkeuze, merkloyaliteit (b.v. Goodrich & De Mooij, 2014)

e-WOM

minder persoonlijk

veel groter bereik, betrouwbaarheid zender?

veel grotere kans op snelle verspreiding, groter risico op reputatieschade

#fail

n-WOM: online firestorm?

#fail#slecht

#faal

Van B2C naar C2B

Perspectief marketingcommunicatie:'machtsverschuiving' van Business-to-Consumer

naar Consumer-to-Consumer, en

naar Consumer-to-Business

communicatie-rol Business (-to-Consumer) wordt meer reactief:webcare: monitoren en reageren op (negatieve) word-of-mouth

Business

ConsumerB2C

C2B

n-WOM, bijvoorbeeld een 'ultimatum' aan ING

Negatieve product-beoordelingen

op review-sites, vergelijkingssites

corporate blogs

sociale media: Twitter, Facebook

C2B

#fail !

Experimenteel onderzoek naar de

effecten van negatieve productgerelateerde tweets

► op merkvertrouwen

► op intentie om negatieve word-of-mouth te verspreiden

De kracht van negatieve word-of-mouth

Onderzoeksvragen, model

Aantal n-WOM tweetsin timeline

Account-afbeeldingMerkvertrouwen

Intentie totverspreiden n-WOM

Deskundigheid zender n-WOM tweet

Bedrijfs- / persoons-account

Onderzoek 1

Onderzoek 2

Experiment 1 – onderzoeksvragen, model

Aantal n-WOM tweets in timeline

2 / 4

Account-afbeelding

Merkvertrouwen


Onderzoeksdesign, participanten, condities

Tussenproefpersoon-ontwerp:

2 (aantal n-WOM tweets) x 3 (account-type)

419 participanten, in 6 condities

Twitter-account2

n-WOM tweets4

n-WOM tweets

Stan van der Molen @StanvdMolen



totaal 210 209

7490

7458

6162

Materiaal, stimuli

Zender n-WOM: 3 account-afbeeldingen

2 of 4 n-WOM tweets in timeline

Effect van 2 / 4 n-WOM tweets en van account-afbeeldingop merkvertrouwen

► n-WOM tweets:merk-vertrouwen islager (dan 'neutraal')

► meer n-WOM tweets nog lager merkvertrouwen

► account-afbeelding heeft daarop geen invloed

Effect van 2 / 4 n-WOM tweets en van account-afbeeldingop merkvertrouwen

aantal #fail-tweets in timeline

account 2 4 totaal

N (SD) N (SD) N (SD)

2,52 90 (0.87) 2,33 74 (1.12) 2,43 164 (1.00)

2,5458 (0.94) 2,02 74 (0.88) 2,28 132 (0.91)

2,46 62 (0.75) 1,98 61 (0.72) 2,22 123 (0.74)

Totaal 2,51 210 (0.85) 2,11 209 (0.91)

► Hoofdeffect van Aantal negatieve tweets (F (1, 413) = 19.71, p < .001; participanten die vier negatieve tweets zagen hadden significant minder merkvertrouwen(M = 2.11, SD = .94) dan participanten die twee negatieve tweets (M = 2.51, SD = 0.85) zagen.

► Geen hoofdeffect van account-afbeelding: F (2, 413) = 2.01, p = .135► Geen interactie-effect: account-type heeft geen invloed op daling merkvertrouwen

(F (2, 413) = 1.57, p = .209).

Effect van 2/4 n-WOM tweets en van account-afbeeldingop intentie verspreiden n-WOM

► n-WOM tweets kunnen trigger zijn voor verdere verspreiding van n-WOM;

► meer n-WOM tweets in timeline maken de kans op verspreiding groter;

► acount-afbeelding heeft daarop slechtsmarginale invloed

Effect van 2 / 4 n-WOM tweets en van account-afbeelding op intentie verspreiden n-WOM

aantal #fail-tweets in timeline

account 2 4 totaal


4,51 90 (1.53) 5,15 74 (1.52) 4,83 164 (1.53)

4,69 58 (1.44) 5,30 74 (1.63) 5,00 132 (1.54)

4,39 62 (1.10) 5,80 61 (1.47) 5,01 123 (1.29)

Totaal 4,53 210 (1.39) 5,42 209 (1.47)

► Hoofdeffect van Aantal negatieve tweets (F (1, 413) = 39.60, p < .001); bij vier negatieve tweets is de intentie om negatieve WOM te verspreiden significant sterker (M = 5.42, SD = 1.39 ) dan bij twee negatieve tweets (M = 4.53, SD = 1.47).

► Geen hoofdeffect van account-afbeelding: F (2, 413) = 1.28, p = .279 ► Klein interactie-effect: account-type foto: bij vier negatieve tweets is de intentie tot verspreiden

(M = 5,80, SD = 1.47) hoger dan bij beide andere account-typen (F (2, 413) = 3.20, p = .042)

► Onderzoek 1

Aantal n-WOM tweets had negatief effectop merkvertrouwen en op intentie tot verspreiding n-WOM

Twitteraccount-afbeelding had geen effect

► Deskundigheid van ZENDER n-WOM Onderzoek 2

Wordt op Twitter meer/minder deskundigheid gepercipieerd?

Wordt een deskundig geachte zender betrouwbaarder gevonden?

Zo ja, heeft dat effect?

Speelt onderscheid bedrijfs- vs. persoonlijk account daarbij een rol?

Experiment 2 – onderzoeksvragen, model

Zender n-WOM tweetDeskundige /

Niet deskundige

Tweet vanBedrijfs- / persoons-

account

Merkvertrouwen


Onderzoeksdesign, participanten, condities

Tussenproefpersoon-ontwerp:

2 (Deskundige / Niet-deskundige) x 2 (account-type Bedrijf / Persoon)

236 participanten in 4 condities

Deskundig Niet-deskundig

Bedrijf

Persoon

totaal: 121 115

61 56

60 59

Materiaal, stimuli

Materiaal, stimuliin Twitter timeline

Effect van veronderstelde deskundigheid en account-type zender op merkvertrouwen

► n-WOM tweet lager (dan 'neutraal') merkvertrouwen

► n-WOM tweet van deskundige: nog lager merkvertrouwen

► Account type bedrijf / persoon heeft daarop geen invloed

Effect van (veronderstelde) deskundigheid en account-type zender op merkvertrouwen

Deskundig Niet-deskundig totaal


Bedrijf 3,12 61 (0.92) 3,74 56 (1.21) 3,42 117 (1.11)

Persoon 3,29 60 (0.88) 3,52 59 (0.99) 3,40 119 (0.94)

Totaal 3,20 121 (0.90) 3,63 115 (0.91)

► Hoofdeffect van deskundigheid (F (1, 232) = 10.57, p = .001) ; participanten die een tweet zagen van een (veronderstelde) deskundige hadden significant minder merkvertrouwen (M = 3.20, SD = 0.90) dan participanten die een tweetzagen van een (veronderstelde) niet-deskundige (M = 3.63, SD = 0.91).

► Geen hoofdeffect van type Twitter-account F (1, 232) < 1► Geen interactie tussen Type Twitter-account en Deskundigheid van de n-WOM zender

(F (1, 232) = 2.15, p = .144).

Effect veronderstelde deskundigheid en account-type zender op intentie verspreiden negatieve WOM

► n-WOM tweet van deskundige is sterkeretrigger voor intentie tot verdere verspreidingdan n-WOM tweet van niet-deskundige

► Type account bedrijf / persoon heeft geen invloed

Effect veronderstelde deskundigheid en account-type zender op intentie verspreiden negatieve WOM

Deskundig Niet-deskundig totaal


Bedrijf 4,62 61 (1.18) 4,18 56 (1.15) 4,26 117 (1.24)

Persoon 4.31 60 (1.23) 4,04 59 (1.14) 4,18 119 (1.19)

Totaal 4,47 121 (1.21) 4,11 115 (1.15)

► Hoofdeffect van deskundigheid (F (1, 232) = 5.37, p = .021): participanten die een tweet zagen van een (veronderstelde) deskundige hadden sterkere intentie tot verspreiding negatieve WOM (M = 4,47, SD = 1.21) dan participanten die tweets zagen van een (veronderstelde) niet-deskundige (M = 4,11, SD = 1.15)

► Geen hoofdeffect van type Twitter-account: F (1, 232) = 2.16, p = .143► Geen interactie tussen Type Twitter-account en Deskundigheid van de twitteraar:

(F (1, 232) < 1.

Conclusie

Aantal n-WOM tweets in timeline: 2 / 4

Merkvertrouwen


β = -.41

Deskundige vs. niet-deskundige n-WOM zender

Merkvertrouwen


β = -.48

Betrouwbaarheidn-WOM zender

β = .61

Social proof – consensus-vuistregelbij oppervlakkige argument-verwerking:als meer mensen het zeggenzal 't wel waar zijn

Deskundigheidsvuistregel:als een deskundige 't zegt zal 't wel waar zijn

Discussie

productbetrokkenheid

goedkoop, alledaags product; geen luxe / duur product;

'object' van de klacht

merkbetrokkenheid

fictief merk, geen bestaande goede / slechte reputatie van een merk

fictieve timeline met

fictieve n-wom tweets van fictieve, dus onbekende, zender;in werkelijkheid zijn de tweets in 'jouw' timeline afkomstig van bekende twitteraars die je volgt

Geen webcare-reactie of dialoog

interactie met organisatie / merk ontbreekt

Experimenteel onderzoek

Corpusonderzoek

Experimenteel onderzoek

Corpusonderzoek

Negatieve word-of-mouth en webcare: vervolgonderzoek

n-WOM – webcare interacties

n-WOM+ webcare

n-WOM + webcare dataverzameling

#slecht

#fail

#pff

#jammer

#faal

#zucht

7200 tweetsmet hashtag:

#fail81,8%

#slecht2,3% #pff

0,4%

filter 'echte' n-WOM =webcare van organisatie voorstelbaar

#jammer6,7%

#zucht5,4%

#faal3,5%

3270 tweetsmet hashtag:

45,4%

n-WOM webcare reactie dialoog

3270

942

632

0

500

1000

1500

2000

2500

3000

3500

n-WOM webcare-reac e dialoog

28,9% 67,1%

Corpus-onderzoekwant we willen meer inzicht in:

Factoren in n-WOM tweets

motieven voor n-WOM

object van klacht

adressering @[organisatie], #[organisatie]

gericht aan welk type organisatie

die samenhangen met

wel / geen webcare-reactie

wel / geen dialoog

'human voice': personaliseren

Factoren in webcare-reactie / webcare-dialoog

die samenhangen met succes webcare-interventie

Bedankt voor uw aandacht

@roblepair

@marijeDongen

Rob le Pair, Radboud Universiteit Nijmegen, Faculteit [email protected]

Marije van Dongen, Project Manager [email protected]

Bijlagen

► Instrumentatie (afhankelijke variabelen) – dia 33

► Controle-variabelen – dia 34

► Manipulatie-check – dia 35

Instrumentatie

Merkvertrouwen(7-punts Likert-schalen, 1 = helemaal mee oneens, 7 = helemaal mee eens); onderzoek 1: α = .91onderzoek 2: α = .91

ik vertrouw op CakeFactory

ik kan op CakeFactory rekenen

CakeFactory is een eerlijk merk

CakeFactory is een veilig merk

Intentie verspreiden n-WOM(7-punts Likert-schalen, 1 = helemaal mee oneens, 7 = helemaal mee eens)onderzoek 1: α = .77 onderzoek 2: α = .82

ik zou CakeFactory afraden aan mijn vrienden

als mijn vrienden een taart willen kopen, dan zou ik hen vertellen om geen taart van CakeFactory te nemen

Controle-variabelen

Attitude tegenover productbeoordelingen op Twitter (7-punts Likert-schalen, 1 = helemaal mee oneens, 7 = helemaal mee eens)onderzoek 1: α = .79onderzoek 2: α = .91

in het algemeen geloof ik de informatie in tweets die ik lees

in het algemeen denk ik dat productbeoordelingen op Twitter betrouwbaar zijn

Productbetrokkenheid (7-punts Likert-schalen,1 = helemaal mee oneens, 7 = helemaal mee eens) onderzoek 1: α = .79onderzoek 2: α = .75

Meestal houd ik met veel factoren rekening bij de aankoop van dit product

Meestal besteed ik veel tijd aan het kiezen van welke soort ik koop

Manipulatie

Betrouwbaarheid van de zender (zevenpunts semantische differentialen)α = .93

De zender van de negatieve tweet over CakeFactory is

oneerlijk – eerlijk

niet te vertrouwen – te vertrouwen

niet belangeloos – belangeloos

onoprecht – oprecht

Manipulatie: deskundigheid van de bron (zevenpunts semantische differentialen) α = .86

De zender van de negatieve tweet over CakeFactory is

ondeskundig – deskundig

onervaren – ervaren

onbekwaam – bekwaam

niet vakkundig – vakkundig

Type Twitter-account (in onderzoek 2)

Manipulatie: de negatieve tweet over taart van The CakeFactory was afkomstig van

Bedrijf – persoon

kracht van negatieve_word-of-mouth

Social Media