De fusie tussen verschillende datasets vindt plaats op basis van zogenaamde ‘hooks’ (‘haakjes’). In de datasets moeten dus vergelijkbare kenmerken aanwezig zijn die gebruikt kunnen worden om donoren en ontvangers te vinden die zoveel mogelijk op elkaar lijken qua (media-)gedrag en achtergrondkenmerken. Belangrijk is dat het haakje verband houdt mèt en voorspellend is voor het mediagedrag, anders heeft de fusie op dat kenmerk weinig zin. Om relevante hooks te vinden, heeft RSMB verschillende analyses uitgevoerd zoals ‘factoranalyse’ en ‘variantieanalyse’ (ANOVA).
Uit analyses van RSMB kwam naar voren dat ‘geslacht’ en ‘provincie’ zeer belangrijke hooks zijn voor mediagedrag. Dermate belangrijk zelfs dat ervoor is gekozen om op voornoemde kenmerken geen afwijkingen tussen donor en ontvanger te accepteren. Een donor werd alleen gekoppeld aan een ontvanger van hetzelfde geslacht en uit dezelfde provincie. De reden daarvoor is dat geslacht één van de meeste dominante en onderscheidende factoren is voor mediagedrag. Provincie is bepalend voor het bereik van regionale media en daarom belangrijk om mee te nemen in de fusie.
Voorbeeld Hoe werken die hooks in de praktijk? Laten we een voorbeeld uitwerken. Stel dat een respondent in het HUB-panel (= fusie tussen Media:Tijd en NOM Print Monitor) een zware televisiekijker en een lichte radio luisteraar is. Dan wordt deze respondent als ontvanger gefuseerd met een donor uit het SKO Kijkerspanel die ook als zware televisiekijker wordt gekenmerkt. Het kijkgedrag van deze zware televisiekijker uit het Kijkonderzoek wordt dan gekoppeld aan de ontvanger uit de HUB. Vanuit het Luisteronderzoek wordt vervolgens nog een donor en zijn luistergedrag gefuseerd die als lichte luisteraar te boek staat. Uiteraard worden ook andere achtergrondkenmerken meegenomen in de beoordeling of er sprake is van een goede ‘match’ tussen donor en ontvanger, zoals leeftijd. |
Het geschetste voorbeeld is relatief eenvoudig. In werkelijkheid is mediagedrag veel complexer te voorspellen. Naast de directe relaties tussen specifieke achtergrondkenmerken van respondenten en hun mediagedrag heeft RSMB dan ook groepen van kenmerken moeten construeren die voorspellend zijn voor mediagedrag. Hier zijn de directe verbanden minder duidelijk zichtbaar, maar wordt gezocht naar onderliggende patronen die mediagedrag verklaren. Hiertoe heeft RSMB zogenaamde ‘Principal Components Analysis’ (PCA) uitgevoerd.
Niet alle hooks die gebruikt worden zijn allemaal even belangrijk. Het systeem van RSMB houdt daar rekening mee door gebruik te maken van ‘importance weights’.