Miljoenen online gesprekken omzetten in bruikbare competitieve merkinzichten

De uitdaging: uw merk begrijpen voorbij traditioneel marktonderzoek

In de huidige digitale markt delen consumenten voortdurend hun meningen online. Of ze nu de prestaties van producten bespreken op gespecialiseerde fora, merken vergelijken op sociale media of reviews schrijven na aankoop, deze gesprekken geven gezamenlijk vorm aan de merkreputatie en beïnvloeden toekomstige aankoopbeslissingen.

Voor fabrikanten creëert dit zowel een kans als een uitdaging. Hoewel enorme hoeveelheden feedback van consumenten openbaar beschikbaar zijn, is het allesbehalve eenvoudig om betekenisvolle inzichten te halen uit miljoenen ongestructureerde gesprekken.

Traditioneel marktonderzoek (bijv. met behulp van webenquêtes) vangt slechts een fractie van de consumentenopinies op en mist mogelijk de schaal, snelheid en concurrentiecontext die nodig zijn voor strategische besluitvorming. De vraag wordt dan: welke methode is geschikt om merkbekendheid en merkperceptie objectief te meten binnen een volledig concurrentielandschap?

De case: Vredestein

Vredestein is een premium bandenfabrikant met meer dan een eeuw ervaring in de ontwikkeling van high-performancebanden voor personenauto's, landbouwmaterieel en fietsen. Het bedrijf staat bekend om zijn focus op veiligheid, innovatie en Europees vakmanschap en concurreert in een markt waarin consumentenvertrouwen en productreputatie een doorslaggevende rol spelen.

Om zijn marktpositie te versterken, wilde Vredestein beter begrijpen hoe consumenten het merk zien ten opzichte van belangrijke concurrenten. Meer specifiek wilde het bedrijf antwoord op vragen als:

·       Hoe bekend is Vredestein in vergelijking met concurrerende bandenmerken?

·       Welke productkenmerken associëren consumenten met Vredestein?

·       Op welke kenmerken presteert het merk beter dan concurrenten?

·       Op welke punten hebben concurrenten een sterkere positie in de beleving van consumenten?

In plaats van uitsluitend op enquêtes te vertrouwen, wilde Vredestein gebruikmaken van de enorme hoeveelheid authentieke consumentengesprekken die al online beschikbaar is.

De aanpak: hoe Hammer online gesprekken omzet in concurrentie-informatie

Het team van datawetenschappers en marktanalisten van Hammer is gespecialiseerd in het omzetten van grote hoeveelheden ongestructureerde informatie in heldere, bruikbare marktinzichten via de Brand Tracking & Monitoring-oplossing. Door geavanceerde AI-technieken te combineren met expertise in marktinformatie, ontwikkelden we een schaalbaar raamwerk om zowel merkbekendheid als merkperceptie te meten.

Om het authentieke sentiment van consumenten te achterhalen, bouwden we een schaalbare analysetool die zowel dataverzameling als geavanceerde tekstclassificatie integreert. Onze aanpak om de vragen van Vredestein te beantwoorden bestond uit een proces van vijf stappen:

1. Consumentengesprekken op schaal scrapen
We bouwden een geautomatiseerde datapijplijn, waarmee openbaar beschikbare discussies werden gescrapet van fora, community's van enthousiastelingen en andere onlineplatforms. Daarnaast maakten we gebruik van Hammers eigen nieuws- en contentdatabase (Goldmine) om deze datapunten aan te vullen.

In totaal werden meer dan 2,8 miljoen tekstitems verzameld in meerdere landen, voertuigsegmenten en online bronnen.

2. Merkbekendheid meten
In plaats van consumenten te vragen welke merken ze kennen (bijv. met behulp van webenquêtes), hebben we gemeten over welke merken mensen van nature online praten. Dit is waardevolle informatie, omdat de gebruikers uit eigen beweging berichten plaatsten over de bedrijven die we onderzochten. Met behulp van fuzzy keyword recognition werd elk gesprek geclassificeerd op basis van het merk dat werd besproken.

Dit creëerde een betrouwbare proxy voor merkbekendheid door de relatieve frequentie van gesprekken over elk bedrijf te vergelijken over miljoenen datapunten.

Figuur 1. Voorbeeld van een meting van merkbekendheid

3. Merkperceptie begrijpen met sentimentanalyse
Alleen het meten van de frequentie van merkvermeldingen biedt beperkt inzicht in merkperceptie. Daarom werd elke alinea waarin een merk werd genoemd automatisch geclassificeerd met behulp van sentimentanalyse.

Elk gesprek werd gecategoriseerd als positief, neutraal of negatief. Dit bood uiteindelijk een objectieve vergelijking van hoe positief elk merk binnen de markt wordt besproken.

Figuur 2. Voorbeeld van een visualisatie van merkperceptie

4. Vaststellen wat sentiment drijft
Om inzichten te identificeren die verder gaan dan algemene sentimentscores, gebruikten we ook AI-modellen om discussies in te delen naar specifieke productonderwerpen, waaronder:

• Comfort en wegligging
• Duurzaamheid
• Veiligheid en betrouwbaarheid
• Prijs-kwaliteitverhouding
• Prestaties onder specifieke omstandigheden, zoals rijden in de winter

Door onderwerpherkenning te combineren met sentimentanalyse, identificeerde Hammer welke productkenmerken positieve en negatieve percepties drijven voor elk concurrerend merk. Dit maakte inzichten mogelijk zoals: Welke merken worden het meest geassocieerd met premium comfort? Welke worden gezien als de beste prijs-kwaliteitverhouding? Wie loopt voorop op het gebied van veiligheid?

Deze inzichten hielpen Vredestein niet alleen te begrijpen hoe consumenten over elk concurrerend merk denken, maar ook waarom.

Figuur 3. Voorbeeld van merkassociaties

5. Een basis leggen voor herhaalbare concurrentiemonitoring
De opgeleverde oplossing was meer dan een eenmalige analyse. Omdat scraping, het meten van merkbekendheid, sentimentanalyse en onderwerpcategorisatie volledig geautomatiseerd zijn, is het resultaat een pipeline die opnieuw kan worden uitgevoerd in plaats van een momentopname. Hoewel de opdracht in deze fase werd afgerond, is de pipeline ontwikkeld met het oog op continue monitoring — en biedt deze een kant-en-klare basis die kan worden uitgebreid tot een dashboard voor periodieke updates. Zo kunnen veranderingen in marktperceptie doorlopend worden gevolgd, de impact van marketingcampagnes worden geëvalueerd en ontwikkelingen bij concurrenten in de loop van de tijd worden gemonitord.

De methode: schaalbare merkmonitoring

Deze case illustreert hoe AI en marktintelligentie elkaar aanvullen. AI maakt het mogelijk om miljoenen consumentengesprekken te verwerken op een schaal die met handmatige analyse onmogelijk is. Vervolgens zorgt Hammer's expertise op het gebied van marktintelligentie ervoor dat de verzamelde datapunten worden vertaald naar bedrijfsrelevante inzichten die strategische besluitvorming ondersteunen.

Hoewel ontwikkeld voor de bandenindustrie, is de methodologie toepasbaar in vrijwel elke consumenten- of B2B-markt waar online discussies het koopgedrag beïnvloeden. Of bedrijven nu hun merk willen benchmarken, concurrenten willen monitoren of veranderende klantbehoeften willen begrijpen, grootschalige sentiment- en onderwerpanalyse biedt een krachtig alternatief voor traditioneel marktonderzoek.

Voor Hammer laat dit project zien hoe ongestructureerde online data kan worden omgezet in concurrerende merkinzichten. Wilt u begrijpen hoe uw klanten uw merk werkelijk ervaren? We bespreken graag hoe deze methodologie kan worden toegepast op uw markt. Bereik ons via +31 85 3332472 of freek@hammer-intel.com