Influencer Marketing

Een mouse tracking studie naar het effect van influencer marketing op Instagram op de aankoopbeslissing van millennials.

Door: Lisa van der Pasch

Wat voor invloed van het type bron in advertenties op social media, op de aankoopbeslissing van consumenten? Om deze vraag te beantwoorden is een mouse tracking experiment opgezet om de uiteindelijke aankoopbeslissingen (directe invloed) en het onderliggende beslissingsproces (indirecte invloed) te onderzoeken op basis van computermuisbewegingen. Ook is onderzocht of het mogelijk is om te voorspellen of mensen het geadverteerde merk verkiezen boven andere merken. In dit artikel geef wordt een korte samenvatting van dit onderzoek gegeven.

Celebrity Endorsement versus Influencer Marketing

In de tijden voor het internet tijdperk was celebrity endorsement vooral beperkt tot acteurs, atleten en entertainers, maar met de opkomst van social media, hebben ‘social influencers’ (die hun populariteit hebben vergaard via online media) nu ook een belangrijke invloed op de aankoopbeslissingen van consumenten.1 Er is reden om aan te nemen dat consumenten sceptischer zijn over de aanbeveling van producten door marketeers dan andere, onafhankelijke, internetgebruikers,2,3,4,5 maar er bestonden op het moment van de uitvoering van dit onderzoek geen directe vergelijkingen tussen aanbevelingen van social influencers en beroemdheden.

Het Mouse Tracking Exeriment

94 studenten van de Universiteit van Tilburg (Nederland) namen deel aan een experiment waarin ze op een computer 30 Instagram posts te zien kregen, gevolgd door twee producten waaruit zij een voorkeur aan moesten geven.

Participanten waren willekeurig toegekend aan een van de drie groepen, die Instagram posts van ofwel merken, beroemdheden of influencers te zien kregen (zie figuur 1). Deze posts verschilden tussen groepen deelnemers in de kop- en voettekst, die de naam en foto van een merk, beroemdheid of influencer toonden.

Voorbeeld van een Instagram post binnen de drie condities: een merk (links), een beroemdheid (midden), en een influencer (rechts), gebruikt in het eerste blok van het experiment.

Figuur 1. Voorbeeld van een Instagram post binnen de drie condities: een merk (links), een beroemdheid (midden), en een influencer (rechts), gebruikt in het eerste blok van het experiment.

Het experiment bestond uit drie of vier blokken, afhankelijk van de conditie waar de deelnemers aan toegekend waren. Participanten waren in het eerste blok blootgesteld aan de 30 Instagram posts, waarbij werd gevraagd om de post goed te inspecteren. Vervolgens kregen zij op een nieuw scherm twee producten te zien, waar zij met een computermuis een voorkeur voor een van de producten moesten aangeven (zie figuur 2). Na het maken van een beslissing voor alle 30 Instagram posts werden participanten in het tweede blok gevraagd om aan te geven of zij bekend waren met alle 30 merken die getoond waren aan de hand van drie vragen op een schaal. Dit blok was herhaald om ook de bekendheid met de bron te achterhalen voor de beroemdheid en influencer conditie. Uiteindelijk werden alle participanten in het laatste blok gevraagd om een aantal demografische vragen in te vullen zoals leeftijd, geslacht en nationaliteit.

De opzet van het mouse tracking experiment in OpenSesame. Participanten kregen eerst een Instagram post in het midden van het scherm te zien (links), in combinatie met een start button. Na het klikken op de button verschenen afbeeldingen van twee producten in de rechter en linker bovenhoek van het scherm (rechts). Participanten werden gevraagd om de muis zo snel mogelijk naar het voorkeursproduct te bewegen en erop te klikken.

Figuur 2. De opzet van het mouse tracking experiment in OpenSesame. Participanten kregen eerst een Instagram post in het midden van het scherm te zien (links), in combinatie met een start button. Na het klikken op de button verschenen afbeeldingen van twee producten in de rechter en linker bovenhoek van het scherm (rechts). Participanten werden gevraagd om de muis zo snel mogelijk naar het voorkeursproduct te bewegen en erop te klikken.

Resultaten

Binnen deze studie zijn twee aspecten van het beslissingsproces bestudeerd. Ten eerste is het uiteindelijke resultaat van het besluitvormingsproces onderzocht door te vergelijken hoe vaak participanten besloten om het geadverteerde merk te kiezen. Ten tweede is het onderliggende beslissingsproces onderzocht door computermuistrajecten te vergelijken die tot de uiteindelijke keuze leidde.

Effecten op de uiteindelijke aankoopbeslissing

De analyse van aankoopbeslissingen bracht geen verschillen aan het licht in de uiteindelijke keuze voor het afgebeelde merk tussen aanbevelingen van beroemdheden of social influencers. Uit de resultaten bleek echter wel dat advertenties van merken hebben geleid tot significant meer keuzes voor het afgebeelde merk dan aanbevelingen van beroemdheden en social influencers (zie figuur 3).

Merkkeuzes

Figuur 3. Proportie merkkeuzes, waarbij advertenties van merken, beroemdheden en social influencers worden vergeleken, waarbij het afgebeelde merk zich links of rechts bevond in de beslissingstaak van het experiment. Error bars geven de standard error van de mean voor de participanten weer.

Effecten op het onderliggende beslissingsproces

Het onderliggende beslissingsproces is onderzocht door de bewegingen van de muis met zes verschillende meeteenheden te analyseren, die middels clustering zijn verkregen. Voor alle keuzes van de participanten zijn de muisbewegingen individueel uitgetekend. Omdat de gekozen afbeelding soms links en soms rechts in beeld stond, zijn de muisbewegingen allemaal gespiegeld naar rechts. Vanuit daar zijn gemiddelde muispaden berekend en is de verdere analyse gedaan. Figuur 4 laat de gemiddelde muispaden per conditie (merk, beroemdheid, influencer) zien.

De muisbewegingen zijn vastgelegd op basis van x- en y-coördinaten en tijdsduur. Om de muistrajecten te analyseren is een package van R gebruikt: ‘Mousetrap’.6 Participanten konden vanuit de start-button in het experiment zowel links- als rechtsboven in beeld een afbeelding selecteren. Daarom zijn de muistrajecten naar de keuzes voor de merken die links in beeld stonden gespiegeld naar rechts. Daarnaast heeft space- en time-normalization plaatsgevonden, vanuit waar vervolgens 19 meeteenheden van de muistrajecten zijn afgeleid met Mousetrap. Om hiervan zes meeteenheden voor verdere analyse te selecteren zijn een principale componenten analyse, hiërarchische clustering en multidimensional scaling uitgevoerd.

De drie analyses leverden de consistente resultaten op dat alle meeteenheden onder waren te verdelen in drie hoofdclusters. Een van de clusters omvatte de eenheden gerelateerd aan tijd, een ander cluster de eenheden omtrent de vorm van de muistrajecten en de laatste omvatte eenheden rondom de richting van de muisbewegingen. Verdere analyse is gedaan op twee variabelen binnen ieder cluster, dus in totaal op zes variabelen: totale bewegingstijd (response time), de tijd om te beginnen met het verplaatsen van de muis (idle time), de maximale absolute afwijking (MAD), het gebied onder de curve (AUC), xpos-omkeringen en xpos flips.

Muispaden

Figuur 4. Een visualisatie van de muispaden, gebaseerd op de x- en y-coördinaten voor de drie typen Instagram bronnen.

Hoewel er een trend is naar meer gebogen muistrajecten voor advertenties geplaatst door het merk zelf in vergelijking met aanbevelingen van beroemdheden en social influencers, zijn er geen significante effecten gevonden op de meeteenheden van de muistrajecten. Dit kan in verband staan met de relatief variabele aard van muistrajecten.

Als laatste onderzocht de studie ook of het mogelijk is om te voorspellen of mensen het geadverteerde merk verkiezen boven andere merken op basis van computermuisbewegingen. Met behulp van een generalized liner mixed effects model is voor iedere trial voorspeld of de participant het geadverteerde merk zou kiezen op basis van een combinatie van variabelen. Deze voorspellingen zijn vervolgens vergeleken met de waarnemingen in het experiment. De voorspelling voor de verschillende condities werd als baseline gebruikt. Met deze voorspeller kon 75,9% van de aankoopbeslissingen nauwkeurig worden voorspeld. Naast de baseline zijn er tien combinaties van variabelen getest om te testen of het model daardoor beter scoort. Twee modellen hebben de baseline verslagen, waarbij de hoogste nauwkeurigheid uit kwam op 76,1%.

Conclusie en discussie

De uitkomsten van de huidige studie staan in contrast met eerdere suggesties dat aanbevelingen door social influencers effectiever zijn dan aanbevelingen door beroemdheden,7,8,9 maar in lijn met eerdere bevindingen die suggereren dat herhaalde blootstelling aan merken tot verhoogde aankoopbeslissingen voor dat merk leidt.10,11,12 Voor marketeers suggereren de resultaten van mijn onderzoek dat het niet nodig is om extra te betalen voor het plaatsen van advertenties via beroemdheden of social influencers. In plaats daarvan kunnen ze eigen merkkanalen gebruiken voor advertenties, maar het is interessant om na te gaan welke soort andere samenwerkingen met beroemdheden of influencers kunnen worden gestart.

Om de relatie tussen muistrajecten en aankoopbeslissingen nog beter te begrijpen is echter meer onderzoek nodig. Uit deze studie komt naar voren dat voorspelling zich als uitstekende methode biedt om het relatieve belang van de verschillende meeteenheden van computermuistrajecten te bepalen. In het vervolg kan de toepassing echter in meer detail uitgevoerd worden, bijvoorbeeld door:

  • meerdere, geavanceerde, voorspellende modellen te testen (bijv. logistische regressie, k-nearest neighbour, support vector machine),

  • alle mogelijke combinaties van muismetingen te testen,
  • een afzonderlijke train, test en validatie set te gebruiken om de modellen te testen en tunen.

Bronnen
1. Um, N. H. (2013). Celebrity scandal fallout: How attribution style can protect the sponsor. Psychology & Marketing, 30(6), 529-541.
2. Bansal, H. S., & Voyer, P. A. (2000). Word-of-mouth processes within a services purchase decision context. Journal of service research, 3(2), 166-177.
3. Smith, K. (2012). Longitudinal study of digital marketing strategies targeting Millennials. Journal of Consumer Marketing, 29(2), 86-92.
4. Watts, D. J., & Dodds, P. S. (2007). Influentials, networks, and public opinion formation. Journal of Consumer Research, 34(4), 441-458.
5. Woods, S. (2016). #Sponsored: The Emergence of Influencer Marketing. (Honors Thesis, University of Tennessee). Retrieved May 13, 2018 from http://trace.tennessee.edu/utk_chanhonoproj/1976
6. Kieslich, P. J., & Henninger, F. (2017). Mousetrap: An integrated, open-source mouse-tracking package. Behavior research methods, 49(5), 1652-1667.
7. Gallegos, J.A. (2018, January 3). Influencer Marketing: Understanding The Difference Between Micro- Influencers and Mega-Influencers. Retrieved June 6, 2018 from https://www.tintup.com/blog/micro-influencers-vs-mega-influencers-marketing/
8. Influencer MarketingHub. (n.d.). Micro-influencers vs. Celebrities. Retrieved June 6, 2018 from https://influencermarketinghub.com/micro-influencers-vs-celebrities/
9. Mediakix Team. (2017, December 6). Influencer Marketing vs. Celebrity Endorsements: Which is Better? Retrieved June 6, 2018 from http://mediakix.com/2017/12/influencer-marketing-vs-celebrity-endorsements-pros-cons/#gs.8nN0Qr4
10. Bornstein, R. F. (1989). Exposure and affect: overview and meta-analysis of research, 1968–1987. Psychological bulletin, 106(2), 265.
11. Ferraro, R., Bettman, J. R., & Chartrand, T. L. (2008). The power of strangers: The effect of incidental consumer brand encounters on brand choice. Journal of Consumer Research, 35(5), 729-741.
12. Rindfleisch, A., & Inman, J. (1998). Explaining the familiarity-liking relationship: mere exposure, information availability, or social desirability? Marketing Letters, 9(1), 5-19.

2019-06-27T09:48:34+01:0011 maart 2019|Tags: , , , , |