Dit is de eerste blogpost van een tweeluik over eye tracking. Het vervolg is hier te lezen.
Iedereen is in meerdere of mindere mate bekend met eye tracking. Wanneer ik vertel dat we bij Braynz klantgedrag voorspellen aan de hand van eye tracking data, krijg ik al snel de reactie: “ahja dat ken ik wel hoor, dat is met van die heatmaps.” Geen speld tussen te krijgen natuurlijk.

Alhoewel, een heatmap is enkel een middel is om data te visualiseren, net zoals een staafdiagram dat is. Daarbij levert eye tracking een hele boel meer interessante informatie dan enkel een gemiddelde verdeling van de aandacht. In deze blog zoomen we verder in op de voor- en nadelen van de klassieke eye tracking analyse, om vervolgens te leren wat meer diepgaande eye tracking metrics opleveren. In de volgende blog wordt besproken hoe (consumenten) keuzes worden voorspeld aan de hand van deze metrics en waar het wetenschappelijke veld nu staat.

Een eigen ervaring met eye tracking in marktonderzoek

In recent onderzoek voor een bekende Nederlandse energieleverancier onderzocht Braynz verschillende communicatie uitingen en mediakanalen. Visualisatie van de aandacht in heatmaps toonde zoals verwacht een mooi overzicht van de aandachtsverdeling over webpagina’s, e-mails en direct mail (DM, de oude vertrouwde brief). Weinig verrassend ging de aandacht van de groep testpersonen uit naar foto’s, knoppen, andere hoog contrasterende elementen, titels en naar de tekst. Vaak waarschijnlijk in precies deze volgorde. Echter, door het ontbreken van de dimensie tijd in de heatmaps was het lastig te bepalen of de elementen die uiteindelijk veel aandacht kregen ook wel meteen opvielen. Met andere woorden, gaat de aandacht van de kijker zo over de uiting als een designer of marketeer heeft bedoeld in het ontwerp?

Toevoegen van extra metrics aan de analyse, zoals de tijd die het duurt tot een eerste fixatie op een element, zorgde voor verregaand begrip van de aandachtsverdeling over de geteste uitingen. Bijvoorbeeld, in de DM die werd getest ging de aandacht eerst naar de opsomming in de tekst (aangeduid met vinkjes) en daarna pas naar een grote gekleurde cirkel met pakkende tekst bedoeld om de aandacht direct te vangen. Niet geheel toevallig, aangezien we weten dat checkmarks de aandacht trekken en aangezien de gekleurde cirkel in de huisstijl was weergegeven en daardoor niet extra opvallend.

Ander voorbeeld, op een webpagina werd de enige call to action (CTA) knop pas gezien na ruim een halve minuut. Een tijdstip waarop meerdere testpersonen al waren afgehaakt op de pagina. Achterliggende reden, de knop was geplaatst onder de scroll lijn en werd dus pas opgemerkt wanneer de testpersonen naar beneden gingen.

Klassieke visualisaties van eye tracking data geven de werkelijkheid maar beperkt weer

Zoals gezien in het voorbeeld hierboven heeft de “klassieke” analysemethode van eye tracking data aan de hand van heatmaps beperkingen. Een heatmap geeft mooi de verdeling van de aandacht over een communicatie uiting weer en is daarbij eenvoudig te middelen voor alle testpersonen in een onderzoek. Maar het grote nadeel is dat er informatie ontbreekt over hoe de spreiding van aandacht verandert over de tijd.

Eenvoudige en veelgebruikte oplossing voor dit probleem is de gaze plot. Zoals de naam al doet vermoeden, een weergave van de fixaties en saccades (de gaze), geplot in chronologische volgorde op een uiting (afbeelding 1, links). Helaas is de gaze plot ook geen ultieme oplossing voor de visualisatie van eye tracking data. Het probleem zit dit keer in het combineren van de resultaten van meerdere testpersonen in een studie. Doordat verschillende testpersonen met een andere strategie of andere voorkeuren naar een uiting kijken zullen de individuele gaze plots logischerwijs niet eenzelfde patroon vormen. Wanneer alle individuele gaze plots van alle testpersonen overlappend op een uiting worden afgebeeld geeft dit meestal geen duidelijk algemeen beeld van de kijkvolgorde (afbeelding 1, rechts). Ook een gemiddelde van alle individuele gaze plots, per fixatie of voor alle fixaties in een tijdsvlak, geeft weinig interessante informatie.  

gazeplot_tobii_braynz

Afbeelding 1. Links: gaze plot bestaande uit de eerste tien fixaties van één persoon. Rechts: gaze plot bestaande uit alle fixaties op de afbeelding van 30 proefpersonen. De grote van de cirkels representeert de tijdsduur van de fixatie. Bron: Tobii Learning Center, 2017.

 

Welke aanvullende eye tracking metrics er zijn en waarom dat nuttig is

De oplossing voor bovenstaande beperkingen is het benaderen van de verschillende onderdelen in een uiting als losse elementen, in plaats van de gehele uiting als één totaal. In principe kan elk element, groot of klein, op een (mobiele) website of in een afbeelding, video of brief worden gedefinieerd als zogenoemde area of interest (AOI). Per AOI worden er vervolgens metrics berekend, afhankelijk van de doelstelling van een communicatie uiting of de onderzoeksvraag. Voorbeelden van relevante metrics zijn:

  • Findability, vaak gedefinieerd als de time to first fixation. Hoe lang duurt het voordat een AOI voor het eerst wordt gezien. De time to first fixation is een goede maat voor de opvallendheid van een element, in de neurowetenschap vaak aangeduid als saliency (Koch en Ullman, 1985). Findability wordt ook uitgedrukt als het percentage van de testpersonen dat een heeft AOI gezien. Vaak handig in te zetten bij het testen van websites om te controleren of een belangrijk element zoals een CTA knop überhaupt wel wordt gezien.
  • Engagement, hoe betrokken zijn de testpersonen, ofwel met hoeveel aandacht wordt een uiting of AOI bekeken. Gemeten aan de hand van het aantal fixaties of de kijkduur op over hele uiting of bijvoorbeeld in een vlak met tekst.
  • Comprehension, gemeten aan de hand van het aantal herhaalde fixaties op een AOI. Hoe vaker een testpersoon terugkijkt hoe meer moeite het kost om te begrijpen wat er wordt getoond.
  • Processing order, ook wel scan path genoemd, is de chronologische volgorde van aandacht ongeveer zoals we zagen bij de gaze plot. Het verschil is dat er nu gebruik gemaakt wordt van de data die beschikbaar is voor de losse elementen in een uiting. De algemene processing order over een uiting wordt gemeten door verschillende AOI’s te definiëren en een rangorde te maken van de tijden waarop een AOI gemiddeld wordt gezien.

Het indelen van areas of interest in functionele categorieën

Behalve dat AOI’s en bijbehorende metrics enorm handig zijn om berekeningen op los te laten en zo verschillende elementen of uitingen te vergelijken helpen ze nog op een tweede manier bij de beoordeling van een communicatie uiting. Door AOI in te delen naar functie wordt er bekeken of een uiting voldoet aan het beoogde doel. Denk hierbij bijvoorbeeld aan AOI’s in de functionele categorieën:

  • Gedragsinstructies
  • Emotie opwekken
  • Beïnvloedingstechnieken
  • Merk kenmerken
  • Informatie

Door voorgaande metrics te berekenen per categorie ontstaat een duidelijk beeld van de kracht en de zwaktes van een uiting. Veel voorkomend is de uiting die goed scoort in de categorie ‘informatie’, maar niet in de categorie ‘gedragsinstructies’. Wanneer een consument deze uiting ziet wordt de boodschap opgenomen, maar leidt dit niet tot het gewenste gedrag doordat de uiting niet voldoende aanstuurt op uitvoering.

Een ander terugkerend voorbeeld met betrekking tot branding zijn uitingen die sterk scoren op de emotionele schaal met als doel het opbouwen van positieve associaties bij een merk. Om vervolgens minimale zorg te besteden aan de onderscheidende kenmerken van een merk, waardoor de beoogde associatie tussen emotie en merk niet wordt opgebouwd. Denk bij onderscheidende kenmerken van een merk niet alleen aan het logo, maar ook aan andere zogenoemde brand assets (Romaniuk en Sharp, 2015; Sharp, 2010).

Door AOI’s te categoriseren naar functie ontstaat een duidelijk beeld op welk vlak een uiting moet worden verbeterd om een beoogd doel te bereiken.

Keuzegedrag van consumenten voorspellen met eye tracking

Nog een stapje verder gaat het voorspellen van een koopkeuze aan de hand van eye tracking metrics. Lees hierover verder in de tweede blog van dit tweeluik.

Braynz

Braynz past onder andere eye tracking, mobile eye tracking, keuze-experimenten en een combinatie van deze tools toe om het succes van communicatie uitingen en klantgedrag te voorspellen. De tools werken snel, eenvoudig, vaak online en zijn geoptimaliseerd voor het oplossen van marketing vraagstukken. Vragen naar aanleiding van deze blog? Neem contact op.

 

Referenties

Koch, C. & Ullman, S. (1985). Shifts in selective visual attention: towards the underlying neural circuitry. Human Neurobiology, 4, 219-22.

Romaniuk, J. & Sharp, B. (2015). How Brands Grow 2.

Sharp, B. (2010). How brands grow.

Tobii Learning Center, 2017: https://www.tobiipro.com/learn-and-support/learn/steps-in-an-eye-tracking-study/interpret/working-with-heat-maps-and-gaze-plots/