Experimenteel onderzoek naar de schadelijke effecten van negatieve word-of-mouth. Fail-tweets vormen een serieus risico op reputatieschade voor een bedrijf. De mogelijke schadelijke reputatie-effecten van deze negatieve word-of-mouth nopen bedrijven tot webcare-interventies waarmee bedrijven de schade binnen de perken kunnen houden.

1. De kracht van negatieve word-of-mouth
Wat kunnen #fail-tweets doen
met de reputatie van een organisatie?
#fail !
Rob le Pair
Marije van Dongen

2. 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

3. n-WOM: online firestorm?
#fail
#slecht
#faal

4. 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
Consumer
B2C
C2B

5. n-WOM, bijvoorbeeld een 'ultimatum' aan ING
Negatieve product-beoordelingen
 op review-sites, vergelijkingssites
 corporate blogs
 sociale media: Twitter, Facebook
C2B

6. #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

7. Onderzoeksvragen, model
Aantal n-WOM tweets
in timeline
Account-afbeelding
Merkvertrouwen
Intentie tot
verspreiden n-WOM
Deskundigheid zender
n-WOM tweet
Bedrijfs- / persoons-
account
Onderzoek 1
Onderzoek 2

8. Experiment 1 – onderzoeksvragen, model
Aantal n-WOM tweets
in timeline
2 / 4
Account-afbeelding
Merkvertrouwen
Intentie tot
verspreiden n-WOM

9. Onderzoeksdesign, participanten, condities
Tussenproefpersoon-ontwerp:
 2 (aantal n-WOM tweets) x 3 (account-type)
 419 participanten, in 6 condities
Twitter-account
2
n-WOM tweets
4
n-WOM tweets
Stan van der Molen @StanvdMolen
Stan van der Molen @StanvdMolen
Stan van der Molen @StanvdMolen
totaal 210 209
7490
7458
6162

10. Materiaal, stimuli
Zender n-WOM: 3 account-afbeeldingen
2 of 4 n-WOM tweets in timeline

11. Effect van 2 / 4 n-WOM tweets en van account-afbeelding
op merkvertrouwen
► n-WOM tweets:
merk-vertrouwen is
lager (dan 'neutraal')
► meer n-WOM tweets
 nog lager
merkvertrouwen
► account-afbeelding
heeft daarop geen
invloed

12. Effect van 2 / 4 n-WOM tweets en van account-afbeelding
op 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)
2,54
58 (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).

13. Effect van 2/4 n-WOM tweets en van account-afbeelding
op 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 slechts
marginale invloed

14. 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
N (SD) N (SD) N (SD)
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)

15. ► Onderzoek 1
 Aantal n-WOM tweets had negatief effect
op 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?

16. Experiment 2 – onderzoeksvragen, model
Zender n-WOM tweet
Deskundige /
Niet deskundige
Tweet van
Bedrijfs- / persoons-
account
Merkvertrouwen
Intentie tot
verspreiden n-WOM

17. 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

18. Materiaal, stimuli

19. Materiaal, stimuli
in Twitter timeline

20. 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

21. Effect van (veronderstelde) deskundigheid en account-type zender
op merkvertrouwen
Deskundig Niet-deskundig totaal
N (SD) N (SD) N (SD)
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 tweet
zagen 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).

22. Effect veronderstelde deskundigheid en account-type zender
op intentie verspreiden negatieve WOM
► n-WOM tweet van
deskundige is sterkere
trigger voor intentie tot
verdere verspreiding
dan n-WOM tweet van
niet-deskundige
► Type account bedrijf /
persoon heeft geen
invloed

23. Effect veronderstelde deskundigheid en account-type zender op
intentie verspreiden negatieve WOM
Deskundig Niet-deskundig totaal
N (SD) N (SD) N (SD)
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.

24. Conclusie
Aantal n-WOM tweets in
timeline: 2 / 4
Merkvertrouwen
Intentie tot
verspreiden n-WOM
β = -.41
Deskundige vs. niet-
deskundige n-WOM zender
Merkvertrouwen
Intentie tot
verspreiden n-WOM
β = -.48
Betrouwbaarheid
n-WOM zender
β = .61
Social proof – consensus-vuistregel
bij oppervlakkige argument-verwerking:
als meer mensen het zeggen
zal 't wel waar zijn
Deskundigheidsvuistregel:
als een deskundige 't zegt
zal 't wel waar zijn

25. 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

26. Experimenteel
onderzoek
Corpusonderzoek
Negatieve word-of-mouth en webcare: vervolgonderzoek
n-WOM – webcare
interacties

27. n-WOM
+ webcare

28. n-WOM + webcare dataverzameling
#slecht
#fail
#pff
#jammer
#faal
#zucht
7200 tweets
met hashtag:
#fail
81,8%
#slecht
2,3% #pff
0,4%
filter 'echte' n-WOM =
webcare van organisatie
voorstelbaar
#jammer
6,7%
#zucht
5,4%
#faal
3,5%
3270 tweets
met hashtag:
45,4%

29. 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%

30. Corpus-onderzoek
want 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

31. Bedankt voor uw aandacht
@roblepair
@marijeDongen
Rob le Pair, Radboud Universiteit Nijmegen, Faculteit Letteren
r.lepair@let.ru.nl
Marije van Dongen, Project Manager spotONvision
marijevdongen@hotmail.com

32. Bijlagen
► Instrumentatie (afhankelijke variabelen) – dia 33
► Controle-variabelen – dia 34
► Manipulatie-check – dia 35

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

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

35. 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