Methodologie

Sectie 1

Onze aanpak

Rascasse neemt een eigen positie in binnen het onderzoekslandschap: Behavioral Audience Intelligence. Wij zijn geen aanbieder van social listening en ook geen aanbieder van enquêteonderzoek. In plaats daarvan analyseren wij systematisch waarneembaar digitaal gedrag uit meerdere bronnen om doelgroepprofielen op te bouwen die gebaseerd zijn op wat mensen doen, niet op wat ze zeggen.

Dit onderscheid is belangrijk. De kloof tussen zelfgerapporteerde houdingen en werkelijk gedrag — de Say-Do Gap — is goed gedocumenteerd in zowel de academische literatuur als de praktijk. Choi en Varian toonden aan dat digitaal zoekgedrag economische activiteit in de echte wereld nauwkeuriger voorspelt dan traditionele enquête-instrumenten.1 Kosinski et al. lieten zien dat digitale registraties van menselijk gedrag persoonlijke kenmerken met opmerkelijke nauwkeurigheid kunnen voorspellen.2

De marktonderzoeksbranche erkent dit probleem zelf steeds vaker. Op IIeX North America 2025 presenteerde Qrious Insights bevindingen die wijzen op foutpercentages van ongeveer 80% in zelfgerapporteerde data over mediaconsumptie.{{methodology.toc_item_14}} Het rapport State of Survey Fraud 2025 van Rep Data analyseerde 4,1 miljard enquêtepogingen en stelde vast dat 33% frauduleus en 27% onoplettend was — waardoor ruwweg de helft van de verzamelde antwoorden echt bruikbaar bleef.{{methodology.toc_item_15}}

Onze aanpak sluit aan bij wat de ICC/ESOMAR International Code (5e editie, 2025) nu formeel erkent: de legitieme rol van de “onderzoeker als datacurator” — professionals die inzichten afleiden uit bestaande databronnen in plaats van primaire data te genereren via direct contact met deelnemers.5

Op ESOMAR Reimagine 2025 presenteerde Heineken een risicokader voor synthetische en geïmputeerde data. Binnen dat kader valt de methodologie van Rascasse onder “Stap 1: data-imputatie” — de categorie met het laagste risico, omdat zij conclusies afleidt uit echte gedragssignalen in plaats van synthetische data te genereren.{{methodology.toc_item_17}}

Kernprincipes

• Triangulatie over meerdere bronnen: Elk datapunt wordt gevalideerd tegen onafhankelijke bronnen. Geen enkele bron domineert het resultaat.
• Geaggregeerde, niet-persoonsgebonden data: Wij verwerken gedragspatronen op populatieniveau. Geen individuele tracking, geen verwerking van persoonsgegevens — AVG-conform by design.
• Waarneembaar gedrag boven verklaarde voorkeuren: Zoekopdrachten, engagementpatronen en consumptiegedrag leveren data met een hogere betrouwbaarheid dan zelfgerapporteerde enquêteantwoorden.
• Transparantie over onzekerheid: Waar data schaars is, rapporteren wij onvoldoende data in plaats van geïmputeerde waarden.

Sectie 2

Data-architectuur & onafhankelijkheid

De data-architectuur van Rascasse is bewust behoudend. Wij hebben nog nooit te maken gehad met een geblokkeerde bron, een ingetrokken API, een sommatiebrief of een schending van gebruiksvoorwaarden. Dat is geen toeval — het is ontwerp. Onze architectuur is gebouwd op openbaar waarneembaar gedrag dat geen bevoorrechte API-toegang, gebruikersauthenticatie of intrekbare partnerschappen met derden vereist.

Geen afhankelijkheid van third-party cookies

Terwijl een groot deel van het digitale advertentie-ecosysteem wordt opgeschud door het verdwijnen van cookies — de Privacy Sandbox van Google, ITP van Safari, ETP van Firefox — is de methodologie van Rascasse volledig cookie-onafhankelijk. Wij volgen individuele gebruikers niet over websites heen. Onze datapunten zijn geaggregeerde gedragspatronen: zoekvolumes, engagementcijfers en publieke interactiedata. Geen daarvan steunt op trackingmechanismen op browserniveau.

Geen klantdata nodig

Rascasse heeft geen toegang nodig tot CRM-systemen, first-party data, klantendatabases of andere vertrouwelijke informatie van klanten. Onze intelligence is volledig afgeleid van openbaar beschikbare gedragsdata. Dat betekent geen verwerkersovereenkomsten (DPA's) buiten de standaard SaaS-voorwaarden, geen risico op vermenging van klantdata met externe bronnen, geen vertraging bij de onboarding voor data-integratie en volledige AVG-conformiteit by design.

Brononafhankelijkheid

Anders dan concurrenten die afhankelijk zijn van de API van één bron — zoals de Twitter/X Decahose of de Marketing API van Meta — zorgt de multi-source-architectuur van Rascasse ervoor dat geen enkele bronwijziging onze datapijplijn kan verstoren. Wanneer externe diensten de API-toegang beperken, zoals Twitter/X in 2023 deed of zoals Meta zijn Marketing API periodiek aanpast, blijft onze methodologie onaangetast.

De ESOMAR Guideline on Passive Data Collection, Observation and Recording erkent uitdrukkelijk de legitimiteit van onderzoek op basis van openbaar waarneembare data, mits het voldoet aan de beginselen van transparantie en proportionaliteit — waaraan de architectuur van Rascasse by design voldoet.7

Sectie 3

Databronnen

Rascasse neemt gedragsdata op uit meerdere onafhankelijke categorieën. Elke categorie legt een ander facet van digitaal gedrag vast, en geen enkele bron domineert het eindresultaat. Deze multi-source-aanpak volgt de principes van datafusie zoals beschreven door Ipsos MediaCT: onafhankelijke datastromen combineren tot schattingen die geen enkele bron alleen kan leveren.8

Sectie 4

Datapuntprofilering

Een datapunt in het systeem van Rascasse is elk afzonderlijk cultureel, commercieel of sociaal object dat meetbaar digitaal gedrag genereert. Het systeem profileert momenteel meer dan 500.000 datapunten in vijf typen: Merken, Mensen, Evenementen, Media en Onderwerpen.

Opbouw van datapunten

Elk datapunt wordt gedefinieerd door een samengestelde set zoekwoorden, aliassen en categorietoewijzingen. Deze curatie is essentieel: dezelfde zoekterm kan naar verschillende datapunten verwijzen (bijvoorbeeld “Jaguar” het automerk versus “Jaguar” het dier), en disambiguatie vraagt om domeinkennis in combinatie met algoritmische validatie.

Datapuntomvang

Datapuntomvang is een genormaliseerde metriek die zoekvolume combineert met socialemedia-engagement. Zij biedt een vergelijkbare maat voor de totale digitale voetafdruk van een datapunt en maakt vergelijkingen tussen categorieën en landen mogelijk. Datapuntomvang is typespecifiek: een merk wordt anders gewogen dan een persoon of een evenement, wat de verschillende gedragspatronen per type weerspiegelt.

Kwaliteitsfactor (QualFactor)

Elk datapunt draagt een QualFactor-score, afgeleid uit kruisvalidatie tussen zoekgebaseerde en engagementgebaseerde gedragsdata. Een hoge QualFactor duidt op consistente patronen over onafhankelijke bronnen heen; een lage QualFactor leidt tot handmatige controle of dataverrijking.

Sectie 5

Opbouw van doelgroepen

Doelgroepen in Rascasse worden opgebouwd uit datapunten via curatie door domeinexperts — niet via algoritmische clustering. Deze bewuste ontwerpkeuze waarborgt semantische samenhang: een doelgroep “Premium Automotive Enthusiasts” wordt samengesteld door experts die weten welke merken, mediaproperties, evenementen en influencers dat segment definiëren.

Doelgroepen op basis van één datapunt

Het eenvoudigste doelgroeptype draait om één datapunt. “Fans of the Dallas Cowboys” omvat al het digitale gedrag rond de Dallas Cowboys — zoekpatronen, social engagement, contentconsumptie en verwante merkaffiniteiten.

Doelgroepen met meerdere datapunten

Complexe doelgroepen combineren meerdere datapunten via logische operatoren (AND, OR, NOT). Een doelgroep “Sustainable Fashion” kan bijvoorbeeld duurzaamheidsgerichte merken, ethische modemedia en relevante influencers combineren — en tegelijk fastfashionmerken uitsluiten.

Gewogen aggregatie

Bij het samenstellen van doelgroepen met meerdere datapunten worden de samenstellende datapunten gewogen naar relevantie. Een doelgroep “American Hip-Hop Fans” weegt artiesten mogelijk zwaarder dan mediatitels, wat het sterkere gedragspatroon van artiestenengagement weerspiegelt.

Sectie 6

Demografische modellering

Demografie is niet direct waarneembaar uit zoekdata. Daarom hanteren wij een schattingsaanpak met meerdere bronnen, waarbij verschillende onafhankelijke demografische indicatoren tot één samengestelde schatting worden gecombineerd. Elke indicator levert een stuk bewijs; het uiteindelijke demografische profiel ontstaat uit de convergentie van deze onafhankelijke inputs.

Het bayesiaanse raamwerk achter indicator 2 en 5 volgt gevestigde methoden uit de marketingwetenschap, zoals beschreven door Rossi, Allenby en McCulloch (2005)9 en toegepast op media-mix-modellering door Google Research (2017).10

De visuele demografische analyse bouwt voort op de DEX-architectuur (Deep EXpectation) voor het schatten van de waargenomen leeftijd op basis van gezichtsfoto's11 en op breder werk over machine-learning-gebaseerde demografische herkenning op sociale media.12

Kanaalspecifieke demografische verdelingen worden gekalibreerd aan de hand van het doorlopende onderzoek van het Pew Research Center naar socialmediagebruik binnen demografische groepen.13

Sectie 7

Modellering van affiniteit & psychografie

Affiniteitsscores

Affiniteit meet de relatieve sterkte van de band tussen een doelgroep en een merk, persoon of property. De basislijn is 1,0 en staat voor het marktgemiddelde. Een affiniteitsscore boven 1,0 duidt op bovengemiddelde interesse, onder 1,0 op benedengemiddelde interesse. Deze indexbenadering — gangbaar in mediaplanning — maakt directe vergelijking tussen datapunten en doelgroepen mogelijk.

De affiniteitsberekening maakt gebruik van technieken uit collaborative filtering en matrixfactorisatie, zoals beschreven door Koren, Bell en Volinsky (2009) in de context van aanbevelingssystemen.14 De kerngedachte: co-occurrentiepatronen in gedragsdata leggen latente voorkeuren bloot die afzonderlijke datapunten alleen niet kunnen vastleggen.

Psychografische profilering (28 eigenschappen)

Rascasse schat voor elke doelgroep 28 psychografische eigenschappen, geordend rond dimensies als duurzaamheidsoriëntatie, technologieadoptie, luxeaffiniteit, gezondheidsbewustzijn en culturele betrokkenheid.

Elke eigenschap wordt gescoord aan de hand van marker-datapunten: merken, personen en properties die sterke indicatoren zijn voor een bepaalde psychografische dimensie. Zo baseert de eigenschap “Sustainability” zich op interactiepatronen met merken als Patagonia, media over klimaatverandering en evenementen rond milieuthema's. De score van een eigenschap geeft aan hoeveel hoger of lager een doelgroep op deze marker-datapunten indexeert ten opzichte van de algemene bevolking.

Deze aanpak is gebaseerd op onderzoek naar het voorspellen van psychologische eigenschappen uit digitaal gedrag2 en op het Schwartz Values Framework, dat een theoretisch onderbouwde taxonomie van menselijke waarden biedt.15 Boyd et al. (2015) toonden aan dat waardeoriëntaties betrouwbaar kunnen worden afgeleid uit digitale gedragspatronen.16

Sectie 8

Location Intelligence

Rascasse levert intelligence op locatieniveau in 200+ landen, 100.000+ steden en 250.000+ postcodegebieden. Locatiedata wordt afgeleid uit de geografische verdeling van zoekgedrag, gecombineerd met ruimtelijke analyse van points of interest (POI's).

Locatieaffiniteit

Locatieaffiniteit meet hoe sterk een merk of property in een specifieke geografie aanslaat ten opzichte van het nationale gemiddelde. Zij combineert de verdeling van het zoekvolume met interessepatronen, volgens de regionale analysemethode die Choi en Varian (2012) als eersten beschreven.1

Database met points of interest (POI)

Het systeem beheert een database met meer dan 8 miljoen points of interest uit open geografische databases — waaronder venuelocaties, winkels, culturele instellingen en sportaccommodaties. POI's worden gekoppeld aan de stads- en regiotaxonomie van Rascasse, waardoor ruimtelijke analyses digitaal gedrag verbinden met aanwezigheid in de fysieke wereld.

Detectie van uitschieters

Niet elk geografisch datapunt is betekenisvol. Het systeem gebruikt buurvalidatie om echte lokale trends te onderscheiden van data-artefacten: een stad met een opvallend hoge affiniteit wordt getoetst aan de omliggende steden en aan patronen op regioniveau. Geïsoleerde uitschieters zonder regionale bevestiging worden gemarkeerd als mogelijk artefact in plaats van gerapporteerd als insight.

Sectie 9

Share of Search

Share of Search meet het aandeel van een merk in het totale merkgebonden zoekvolume binnen een gedefinieerde concurrentieset. Voor het eerst formeel voorgesteld door Les Binet op IPA EffWorks Global in 202017, is de maatstaf sindsdien gevalideerd als een betrouwbare proxy voor marktaandeel.

De IPA Think Tank onder leiding van James Hankins analyseerde 30 studies in 12 categorieën en 7 landen en stelde vast dat Share of Search ongeveer 83% van de variatie in marktaandeel verklaart.18 Cruciaal is dat veranderingen in Share of Search doorgaans voorafgaan aan veranderingen in het werkelijke marktaandeel, waardoor het een voorlopende indicator is voor concurrentiedynamiek.

Implementatie bij Rascasse

• Flexibele categoriedefinitie: Concurrentiesets worden per use case gedefinieerd — niet beperkt tot vooraf gebouwde taxonomieën. Een set “premium automotive” in Duitsland kan afwijken van hetzelfde concept in de Verenigde Staten.
• Maandelijkse meting: Share of Search wordt maandelijks berekend met vergelijkingen op jaarbasis, waardoor trends zichtbaar worden voorbij de seizoensruis.
• Granulariteit op landniveau: Elke markt wordt afzonderlijk geanalyseerd, omdat de concurrentiedynamiek per geografie verschilt.
• Normalisatie: Ruwe zoekvolumes worden genormaliseerd om te corrigeren voor seizoensschommelingen en voor groei of krimp op categorieniveau.

Sectie 10

Validatie & beperkingen

Validatiekader

Rascasse gebruikt meerdere validatiemechanismen om de kwaliteit van de resultaten te waarborgen:

• Bronoverstijgende consistentie: Datapunten moeten via minstens twee onafhankelijke bronnen worden bevestigd voordat zij met hoge betrouwbaarheid worden gerapporteerd. Datapunten uit één bron worden als zodanig gemarkeerd.
• Temporele stabiliteit: Resultaten worden gevalideerd over tijdreeksen om ruis van één maand eruit te filteren. Plotselinge, niet-bevestigde verschuivingen leiden tot een controle in plaats van tot automatische rapportage.
• Benchmark tegen publieke data: Profielen worden periodiek gebenchmarkt tegen extern beschikbare data — kijkcijfers, gepubliceerde verkoopcijfers, censusdemografie en openbaar beschikbare marktonderzoeksresultaten.
• Kwaliteitsfactorscore: Elk datapunt draagt een QualFactor die de consistentie en de breedte van de onderliggende data weerspiegelt. Datapunten met een lage QualFactor worden in de gebruikersinterface gemarkeerd.

Bekende beperkingen

Wij vinden transparantie over beperkingen essentieel voor methodologische geloofwaardigheid. De volgende beperkingen van onze aanpak zijn bekend:

Voor een volledige lijst van de wetenschappelijke bronnen achter deze methodologie, zie onze Bibliografie.