Onlangs publiceerden we een artikel met inzichten van Martin de Munnik, medeoprichter en CCO van Neurensics, waarin werd gesteld dat AI-based eye tracking wel aandacht kan voorspellen, maar geen echte betrokkenheid. Volgens neurowetenschapper Roeland Dietvorst mist die redenering een belangrijk perspectief uit de praktijk.
In het eerdere artikel stelde Neurensics dat aandacht op zichzelf nog niets zegt over engagement. Betrokkenheid zou volgens hen pas zichtbaar worden in neurale processen zoals value, involvement en familiarity, die alleen via directe hersenmetingen betrouwbaar in kaart zijn te brengen. Daarmee waarschuwde het bureau dat AI-based eye tracking vooral laat zien waar mensen kijken, maar niet wat een reclame daadwerkelijk met hen doet.
Om ook het andere perspectief te belichten, sprak de redactie van Daily Data Bytes met Roeland Dietvorst om zijn visie en tegenargumenten te horen. Dietvorst werkt samen met alpha.one, waar hij verantwoordelijk is voor de researchstrategie. Het AI-gebaseerde testplatform Junbi.ai wordt daar ingezet om reclame-uitingen te analyseren en campagnes te verbeteren. Hij heeft daarnaast ruime ervaring met fMRI-onderzoek, een methode die binnen alpha.one ook wordt toegepast. Volgens hem ligt de kracht van AI niet alleen in voorspellen, maar vooral in het snel en iteratief optimaliseren van bestaande creatie.
▼
Snelheid maakt optimalisatie mogelijk
Volgens Dietvorst heeft elke onderzoeksmethode zijn eigen rol. Methoden zoals fMRI kunnen inzicht geven in de potentiële impact van een concept. Maar zodra een campagne geproduceerd is en mediabudgetten zijn ingekocht, verandert de vraag van adverteerders. Dan willen zij niet weten of een concept theoretisch sterk is. Ze willen weten wat ze nog kunnen verbeteren.
AI-based analyse kan volgens Dietvorst juist daar waarde toevoegen. Met behulp van computer vision en aandachtmodellen kan binnen enkele minuten zichtbaar worden waar de aandacht van kijkers naartoe gaat in een video of advertentie. Denk aan heatmaps, aandachtcurves en moment-tot-momentanalyse van beelden.
Die informatie maakt het mogelijk om direct kleine aanpassingen te testen. Bijvoorbeeld door een logo iets te verplaatsen, een shot in te korten of een scène anders te monteren. Vervolgens kan een aangepaste versie opnieuw worden geanalyseerd.
Volgens Dietvorst is juist die iteratieve cyclus belangrijk: maken, meten, aanpassen en opnieuw testen. In veel traditionele onderzoeksprocessen ontbreekt die snelheid nog.
Aandacht als voorwaarde voor effect
Een tweede punt waar Dietvorst op reageert, is de stelling dat AI-based eye tracking alleen aandacht meet en daarom weinig zegt over betrokkenheid. Volgens hem is dat te zwart-wit.
“Aandacht is de poortwachter van effect,” stelt hij. Zonder aandacht ontstaat geen merkherinnering, geen boodschapoverdracht en geen gedragsverandering. De eerste vraag bij elke reclame is daarom simpel: wordt de boodschap überhaupt gezien?
AI-modellen die visuele aandacht voorspellen, kunnen laten zien of een boodschap in een drukke social feed opvalt of juist wegvalt tussen andere prikkels. Ook maken ze zichtbaar of de aandacht van kijkers geconcentreerd blijft op de kern van de boodschap, of juist uiteenvalt.
Volgens Dietvorst laten praktijkanalyses vaak hetzelfde beeld zien. Fragmenten die een stabiel en geconcentreerd aandachtspatroon oproepen, gaan regelmatig samen met betere merkherinnering en een duidelijkere boodschapoverdracht.
Dat betekent volgens hem niet dat aandacht alles verklaart. Maar het is wel een bepalende factor voor engagement en effectiviteit. Want als niemand kijkt, gebeurt er simpelweg niets.
Twee methoden, verschillende rollen
Volgens Dietvorst moeten de verschillende methoden dan ook niet tegenover elkaar worden gezet. Hersenmetingen zoals fMRI kunnen waardevol zijn om te begrijpen of een campagne in potentie aantrekkelijk of overtuigend is. Tegelijkertijd zijn ze minder praktisch wanneer een campagne al geproduceerd is en snel moet worden geoptimaliseerd. In dat stadium zoeken adverteerders vooral naar duidelijke verbeteringen binnen bestaande creatie. Juist daar kan AI-analyse volgens hem een rol spelen.
De conclusie is daarom niet dat één methode beter is dan de andere. Ze beantwoorden simpelweg verschillende vragen. fMRI kan helpen bij het begrijpen van de onderliggende aantrekkingskracht van een concept. AI-based analyse kan helpen om bestaande campagnes sneller en praktischer te verbeteren.
Helderheid over wat je meet
Volgens Dietvorst is het daarom belangrijk om duidelijk te zijn over wat een methode precies meet. AI-based eye tracking analyseert visuele aandacht en de manier waarop die aandacht wordt gestuurd door een reclame-uiting.
Wanneer die inzichten worden gecombineerd met kennis over aandacht en reclame-effectiviteit, kan het volgens hem een waardevolle methode zijn voor moderne marketingteams. Vooral als praktisch hulpmiddel in een creatieve praktijk waarin campagnes snel worden getest en verbeterd. Want uiteindelijk begint elke vorm van reclame-effectiviteit bij dezelfde vraag: wordt de boodschap überhaupt gezien.
Dietvorst verwijst daarbij naar een bekende uitspraak van Abraham Maslow uit 1966:
“I suppose it is tempting, if the only tool you have is a hammer, to treat everything as if it were a nail.”
Waar ligt volgens jullie de toekomst van reclameonderzoek: in hersenscans, in AI-analyse, of juist in de combinatie van beide?