door Blauw Research, partner | 26 juli 2017, 14:55 in Merk & Strategie
foresight streaming Research Community

#4: De juiste ‘big qualitative data’

Blauw Research, partner | 26 juli 2017, 14:55

Om succesvol een Foresight Streaming Community te runnen zijn er 6 Key Success Factors. In dit artikel aandacht voor nummer 4: de juiste ‘big qualitative data’.

Bij Community Research verzamel je aan de ene kant veel vragen gestuurde ‘top down’ informatie. Je stelt vragen in de community en de community leden geven antwoord.

Aan de andere kant kun je ook ‘bottom up insights’ uit je community halen: informatie die automatisch uit de community omhoog komt, zonder dat je er specifiek naar vraagt, maar door deelnemers zelf aangemaakte topics en discussies.

 

Voldoende data verzamelen

 

Alleen, één opmerking van één community lid is interessant, maar niet voldoende voor patroon herkenning. Wil je dat goed kunnen doen, dan heb je wel voldoende data nodig. Het gaat hier niet over cijfers, maar over heel veel tekstuele informatie. Je laat ruimte vrij voor mensen om te praten over de dingen die zij interessant vinden (dat is pas consumer centric!) En je vist vervolgens als het ware de pareltjes uit die zee aan informatie. Dat is stap 1.

Maar hoe krijg je community leden zover om niet alleen vragen te beantwoorden, maar zelf met gesprekken te laten komen?

Blauw selecteert hiervoor precies de juiste mensen. Mensen die iets te vertellen hebben en hun mening graag met je delen. Omdat ze hun verhaal aan je kwijt willen. Het zijn bovendien mensen die om de juiste redenen mee doen, zes motivatoren, waaronder ‘fun’ en een ‘fit’ met het onderwerp. Waardoor mensen bereid zijn om hun kostbare tijd in zo’n onderzoek te steken.

Dit zijn twee eerder besproken Key Success Factors: (mensen die uit zichzelf voldoende informatie genereren) en de juiste motivatie (waarom doen mensen mee). En het zijn basisvoorwaarden om een community succesvol te laten zijn.

 

De verzamelde data analyseren

 

Stap 2 is het analyseren en verwerken van alle data die spontaan uit de community naar bovenkomt. Dit is een complex verhaal, want hoe filter je waardevolle inzichten uit een brij van conversaties?

Je hebt een heleboel ongestructureerde kwalitatieve data. Honderden, duizendenreacties. Hoe haal je daar de relevante informatie uit?

Dat is een proces van volgen – taggen – prioriteren.

  • Volgen is: kijken naar welke conversaties er binnen een community plaatsvinden.
  • Taggen gaat om: het clusteren van conversaties die met elkaar te maken hebben. Aan de achterkant van de community benoemen we elk onderwerp met tags om structuur in de data te krijgen.
  • En bij het prioriteren: beoordeel je welke informatie wel en niet interessant is voor de opdrachtgever. Welke onderwerpen zijn actueel en relevant om meteen mee aan de slag te gaan en welke informatie heeft zijdelings wel met het onderwerp te maken, maar is pas later interessant om wat mee te doen. Prioriteren doen we in overleg met de opdrachtgever.

 

Bruikbare informatie ontdekken met behulp van textmining

 

Nadat de informatie is gestructureerd moet het worden geanalyseerd.

Voor cijfermatige analyses zijn veel software oplossingen. Maar, we hebben het hier over tekstuele analyses.

Met textmining software kun je zoeken naar patronen in de tekst. Normaal gesproken kan een computer geen onderscheid maken in sentiment. De reacties: “Ik vind het leuk” en “Ik vind het niet leuk” zijn voor een computer gelijk, daar ziet hij geen verschil tussen. Maar speciale software voor textmining kan dat wel. Deze analyseert een tekst en houdt beter rekening met gevoel dat erachter zit.

Een voorbeeld. Stel we doen voor bierbrouwer Heineken onderzoek naar bierglazen. Dan kan daar werkelijk overal in de community over worden gepraat. En niet alleen de term ‘bierglazen’ is dan van belang, je wilt ook dat informatie met termen als: bierglas, fluitje, vaas, maar ook bierfles gevonden wordt. 

Textmining helpt je om alle teksten door te spitten en binnen de hele community informatie te vinden.

 

Software is niet genoeg, het gaat om een goede interpretatie

 

Maar het gaat nog een stap verder. Soms zijn er ook inzichten (foresights) die niet specifiek benoemd worden in een community. Bij de online community voor Etos bijvoorbeeld, kwam het thema ‘rusteloosheid bij vrouwen’ naar boven, maar zonder dat het woord ‘rusteloos’ ooit specifiek is genoemd in de community.

Een goede kwalitatieve onderzoeker is erop getraind om consumenten te begrijpen en hun gedrag te analyseren. Die kennis heb je absoluut nodig.

Want zij zagen in het geval van Etos dat er gesproken werd over: ’s nachts wakker liggen, vermoeid zijn, een dutje doen. Dat lijken op het eerste gezicht allemaal losstaande symptomen, maar onze experts (vaak met een achtergrond in de psychologie) kunnen als geen ander een patroon herkennen. Zij zien dan dat er een groter verband is tussen al deze elementen die je door kunt vertalen.

En dat is precies de grote toegevoegde waarde van ervaren onderzoekers. Informatie staat dan niet op zichzelf, maar hangt samen met andere informatie. Die patronen herkennen zorgt ervoor dat je data verzamelt waar je iets mee kunt. Het is een samenwerking tussen de kennis van onze onderzoekers en textmining software om teksten te analyseren en te achterhalen hoe vaak en in welke context iets voorkomt.  

Onze onderzoekers snappen welke informatie voor jou als klant relevant is. Daarmee komen we op de volgende Key Success Factor: de juiste klantkennis. Om alleen de belangrijke informatie te verzamelen moeten we onze klanten goed kennen. We kijken naar de community en de informatie die we daar tegenkomen prioriteren we, zodat we niet met open deuren komen. Je krijgt dus echt de informatie die je nodig hebt om je een voorsprong te geven op je concurrenten en je merk verder te laten groeien.

 

Meer weten over community onderzoek?

 

Onze Expertise Manager Marketing & Product Management kan je meer vertellen over onze onderzoeken en manier van werken. 
 

Eerder verschenen in deze serie: 

 

1: 
2: 
3: 

 

Reacties op dit artikel (0)

Comment author avatar

Dit is een bijdrage van

Blauw Research

Partner

Meer van deze partner
Nu op Twitter