Welke rol spelen data en AI bij het bepalen van de top Healthcare Influencers in Nederland? | by An Apple A Day – Accelerating Healthcare Brands | Jun, 2023

Bij An Apple A Day zijn we altijd nieuwsgierig en houden we ervan om dingen tot op de bodem uit te zoeken. Onlangs kregen we een interessant idee: we kennen allemaal de influencers die op dit moment de toon zetten, voornamelijk op Instagram en Facebook, maar wie heeft eigenlijk de meeste invloed in de wereld van de Nederlandse gezondheidszorg? Wie heeft de grootste impact op zijn volgers en wat kunnen we daarvan leren?

Gelukkig houden we van uitdagingen en zijn we gek op data, dus dit idee pakten we met beide handen aan. Het maken van een lijst met influencers op Instagram of Facebook is relatief eenvoudig, maar als het gaat om healthcare professionals en hun doelgroep, bevinden zij zich voornamelijk op professionele platforms zoals LinkedIn. En daar bleek het nog niet zo makkelijk te zijn om een dergelijke lijst samen te stellen. Wat volgt is een reis door moderne technieken zoals scraping, NLP, data-analyse en AI, gecombineerd met onze persoonlijke kennis over de gezondheidszorg. Dit is een onderzoek naar welke rol data en AI spelen bij het bepalen van de top Healthcare Influencers in Nederland.

Om te bepalen wie de top healthcare-influencers zijn, moet je eerst weten wie zich in deze wereld begeven. We hebben een op maat gemaakt dataverzamelingsproces gecreëerd. Dit proces maakt gebruik van iets dat we een “browser-emulatiescript” noemen. Hierbij creeërede we een steriele omgeving om data van het internet af te halen en op te slaan voor verdere analyse. Voor de gemiddelde gebruiker is dit misschien een onbekend begrip, dus laat ons dat even verduidelijken. Een browser-emulatiescript is een soort code of programma dat ontworpen is om menselijk gedrag op het internet na te bootsen. Het kan bijvoorbeeld door websites bladeren en informatie verzamelen alsof het een echte persoon is die de website gebruikt. Dit script maakt gebruik van speciale tool, waarmee we door de LinkedIn-interface konden navigeren alsof we een echte gebruiker waren.

Deze tool is een soort digitale handtekening tussen jouw browser en het platform waarop je inlogt. Het is een soort cookie, ofwel code, die achterblijft als je bent ingelogd zodat je niet steeds opnieuw hoeft in te loggen als je je browser opent. Hier kan je gebruik van maken als je buiten de LinkedIn-interface of beperkingen analyses wilt doen, zeker gezien je alleen op het platform komt als je bent ingelogd.

Dankzij onze browser-emulatie en onze speciale tool hebben we de kracht van het LinkedIn-algoritme gebruikt om op basis van onze criteria relevante gebruikers te vinden op LinkedIn. Praktisch gezien maken we hiervoor gebruik van een sneeuwbalmethode. We beginnen met een startpunt, een healthcare-influencer die we kennen, en elke keer laten we het LinkedIn-algoritme zelf op basis van onze voorwaarden nieuwe vergelijkbare gebruikers zien. Aangezien voor elke gebruiker minimaal vijf nieuwe gebruikers worden aangeleverd, groeide de lijst exponentieel.

Dit proces leverde ongeveer 27 verschillende datapunten per gebruiker op, waaronder profielfoto’s, interesses en ervaringen. We hebben deze gegevens verzameld met behulp van onze eerder genoemde methode totdat de data verzadigd was en we geen nieuwe relevante gebruikers meer vonden. Op deze manier hebben we alle mogelijke healthcare influencers op LinkedIn in kaart gebracht.

Resultaat is een lange lijst van LinkedIn-gebruikers die in de Nederlandse gezondheidszorg actief zijn en relatief veel volgers hebben. Dit maakt het nog geen lijst met Healthcare Influencers. Een influencer heeft niet alleen veel volgers, maar weet zijn of haar volgers ook te beïnvloeden door veelvuldig actief te zijn, informatie te verspreiden en meningen te delen.

De volgende stap was daarom een subjectieve selectie door ons team. We zijn handmatig door de lijst gegaan en hebben geverifieerd of de gebruikers die door de data-analyse waren geïdentificeerd daadwerkelijk invloedrijke personen zijn. Op basis van onze jarenlange ervaring in healthcare marketing hebben we hier een goed beeld van.

Een optie die we hebben overwogen, was het gebruik van iets dat een Natural Language Processing (NLP)-netwerk wordt genoemd om alle opmerkingen en berichten per gebruiker te analyseren. Om dit te verduidelijken: Natural Language Processing, of NLP, is een tak van kunstmatige intelligentie die zich richt op het vermogen van een machine om menselijke taal te begrijpen en te interpreteren. In deze context zou een NLP-netwerk alle tekstuele inhoud — dus opmerkingen en berichten — van een gebruiker kunnen analyseren om betekenis, sentiment en andere relevante informatie te onttrekken.

Bijvoorbeeld, het zou kunnen bepalen of iemand overwegend positief of negatief spreekt over een bepaald onderwerp, of zelfs bepaalde thema’s identificeren in de discussies waarin ze betrokken zijn. Hoewel dit zeker waardevolle inzichten zou hebben opgeleverd, hebben we ervoor gekozen om deze stap uit te stellen om de complexiteit van ons huidige project beheersbaar te houden. In toekomstige onderzoeken zullen we zeker de mogelijkheden van NLP-analyse onderzoeken.

Uiteindelijk hebben we een lijst van 37 healthcare influencers samengesteld. Volgende stap is het maken van een ranking. Wie heeft de meeste volgers, maar minstens zo belangrijk, wie heeft het meeste engagement met zijn of haar publiek.

Om de mate van betrokkenheid van LinkedIn-gebruikers te meten, hebben we ons gericht op het creëren van een formule die het gemiddelde aantal interacties per post en per volger zou weergeven. LinkedIn biedt echter geen publieke toegang tot het totale aantal weergaven per post, waardoor traditionele engagement rate berekeningen moeilijk toe te passen zijn. Daarom hebben we gekozen voor een alternatieve benadering waarbij we de beschikbare gegevens gebruiken: het aantal posts, het aantal volgers en het totale aantal interacties (likes, shares, en reacties). De formule die we hebben ontwikkeld is als volgt:

Engagement Rate = (Totaal aantal interacties / Aantal posts) / Aantal volgers)

Deze formule biedt ons een maatstaf die de gemiddelde interacties per post per volger aangeeft. Hoewel dit ons een nuttige indicatie geeft, erkennen we dat deze berekening alleen niet het volledige verhaal vertelt over de betrokkenheid van een gebruiker op LinkedIn.

Een hoge engagement rate kan het gevolg zijn van zeer actieve volgers, maar het kan ook het gevolg zijn van het regelmatig plaatsen van content die een breed publiek aanspreekt. Aan de andere kant, een lage engagement rate kan erop wijzen dat een gebruiker te veel content post die zijn volgers niet interessant vinden, of dat de gebruiker te weinig post om een constante interactie met zijn volgers te behouden.

Daarom hebben we ook een engagement rating systeem ontwikkeld dat van A (zeer consistent in het plaatsen van posts en het ontvangen van interacties) tot E (onregelmatige posts en weinig interacties) varieert. Dit systeem houdt rekening met de consistentie en voorspelbaarheid van een gebruiker zijn gedrag op LinkedIn, en biedt een meer genuanceerd beeld van hun succes op het platform.

Samen geven deze twee metingen ons een beter begrip van de impact en invloed van een gebruiker op LinkedIn. Ze stellen ons in staat om zinvolle vergelijkingen te maken tussen gebruikers en om inzicht te krijgen in wat succes op dit platform kan bevorderen.

Het vergaren van de data voor het berekenen van engagement rates is een van de lastigste activiteiten, vooral op LinkedIn. Waarom LinkedIn een uitzondering is, heeft te maken met hoe het platform is ontworpen. In tegenstelling tot andere sociale mediakanalen, maakt LinkedIn het moeilijk om engagement data zoals likes, shares en reacties, direct en eenvoudig te verzamelen. Dit maakt de berekening van engagement rates complexer. Daarnaast willen wij als bureau ook handelen conform de fair use policy van LinkedIn.

Om de benodigde gegevens voor de engagement rates te verkrijgen, moesten we LinkedIn ‘ontleden’. We zijn in de achterliggende structuur van het platform gedoken en konden middels een aantal in house technieken de data verzamelen: Hoe vaak iemand post, hoeveel likes iemand krijgt, hoeveel commentaren iemand krijgt en hoe vaak het wordt gedeeld, in verhouding tot het aantal volgers.

Daarna volgde de analyse. Met behulp van AI-tools konden we correlatieanalyses uitvoeren en onze bevindingen visualiseren. Een data consultant kan je hierbij helpen, met en die zou gebruik maken van degelijke systemen, applicaties, scripts en tools. Het enige is dat je altijd de data en correlaties moet controleren. Daarvoor is kennis van de markt essentieel.

We wilden nog een stap verder gaan. Het resultaat van ons onderzoek was meer dan alleen een diepgaande analyse van de huidige healthcare influencers of een lijst van de top influencers. Het gaf ons de mogelijkheid om onze eigen ultieme healthcare influencer te creëren. Deze stap was net zo fascinerend als de voorgaande stappen in ons proces.

Door gebruik te maken van een Natural Language Processing (NLP) systeem hebben we een beknopte samenvatting gemaakt van alle verzamelde data over alle gebruikers. We hebben deze samengevatte data vervolgens gebruikt om de gemiddelde healthcare influencer te genereren, iemand die het beste van elke geanalyseerde influencer belichaamt. Dit hebben we gedaan met behulp van Generative AI.

Om eer te betuigen aan alle influencers van wie onze ideale influencer haar kennis en vaardigheden heeft verkregen, hebben we een uniek mozaïek gemaakt. Dit kunstwerk combineert elementen van ieders LinkedIn-profielen en symboliseert de harmonieuze integratie van hun bijdragen. Je kan het via deze link bewonderen.

De reis die we hebben gemaakt in de wereld van data en AI heeft ons in staat gesteld om een unieke tool (of een lijn van processen) te creëren die de complexiteit van het berekenen van engagement rates op LinkedIn heeft vereenvoudigd. Hoewel we deze tool niet aanvankelijk hadden bedoeld om te creëren, is het een waardevol instrument gebleken bij het bereiken en begrijpen van onze doelgroep.

De tool verzamelt gegevens zoals het aantal volgers, het aantal posts en het totale aantal interacties (likes, shares, en reacties), en past onze engagement formule toe om een gemiddelde engagement rate te berekenen. Dit geeft ons een maatstaf die de gemiddelde interacties per post per volger weergeeft.

Deze ontdekkingsreis heeft ons laten zien hoe krachtig de combinatie van data en AI kan zijn bij het oplossen van complexe vraagstukken en het versterken van marketingactiviteiten. We hopen dat onze ervaring jou inspireert om de mogelijkheden van data en AI te verkennen.

Mocht je aan het begin van je eigen ontdekkingsreis staan en hulp nodig hebben, dan staan we bij An Apple A Day altijd klaar om je te ondersteunen en vrijblijvend advies te geven om mee te kunnen groeien in deze snel veranderende digitale wereld.

Disclaimer: Deze blog is puur voor vermaak en beoogt geen resultaten of advies te bieden en is vanuit een journalistiek oogpunt opgesteld. We raden mensen niet aan om onze methoden te gebruiken.