Stemmen winnen met data-analyse

In 2007 liepen de verkiezingen voor de latere president, Barack Obama, erg succesvol. Analytics-specialist Timothy Prescott maakte het van dichtbij mee. Hij liep dat jaar stage in Iowa bij het campagneteam van Obama. Hoe anders was de situatie in 2012. De eerste zwarte president van de Verenigde Staten lag onder vuur. Opnieuw zat Prescott er met zijn neus bovenop als medewerker in het datateam van de Obama-campagne. De Nederlander, tegenwoordig consultant bij IG&H, vertelt erover tijdens een onlangs gehouden business analytics-congres in Nieuwegein. Hij is daar uitgenodigd om te spreken over de rol van data bij verkiezingen.

‘Als Obama in 2012 op dezelfde manier campagne had gehouden als in 2008, dan was hij nooit herkozen’, aldus Prescott. ‘Uit onze data bleek namelijk dat de kans dat een Amerikaans president herkozen wordt bij werkloosheid hoger dan 7,2 procent nihil is. De werkloosheid was toen we begonnen zelfs 8,9 procent.’

Ondanks dat magere perspectief togen hij en de vrijwilligers met goede moed aan de slag. Bij het datateam van de campagne werkte Prescott in een afgesloten ruimte. Hij mocht niet praten over zijn functie in het campagneteam. Bezoekers werden zelfs zorgvuldig om de ruimte heengeleid en de media mochten er geen lucht van krijgen. Het doel van het datateam was duidelijk: de kansen voor Obama om opnieuw gekozen te worden groter maken.

Alles stond in het teken van de winst. Geen ‘ fun facts’ of leuke achtergrondinformatie: het datateam moest meer stemmen opleveren door de bekendheid van de kandidaat te vergroten, kiezers te verleiden op Obama te stemmen en voorstanders ook daadwerkelijk naar de stembus te mobiliseren. Bovendien moest het resultaat ook snel worden geleverd, omdat de campagne niet eeuwig duurt.

Meer kennis
En data-analyse kan daarbij helpen door de kennis en het inzicht die de data bieden over mogelijke kiezers, zo legt Prescott uit. Zoals bedrijven kennis over hun klanten gebruiken voor hogere winsten, zo kunnen politieke partijen dat ook. Het gaat er vooral om dat het leger aan vrijwilligers zo effectief mogelijk wordt ingezet. ‘Stel je loopt een straat in en je belt aan bij drie huizen’, schetst Prescott. ‘De eerste is een politiek teleurgestelde vrouw die al twintig jaar uit principe niet stemt en dit niet gaat veranderen. De bewoner van het tweede huis draagt een shirt van Mitt Romney en is beslist niet over te halen. In het derde huis woont een Obama-fan die het helemaal met je eens is. Dan heb je drie goede gesprekken gehad, maar heeft je inzet per saldo niets bijgedragen aan de campagne voor Obama.’

Met data-analyse kan in kaart worden gebracht in welke straten en buurten veel mensen wonen die nog wel een keuze moeten maken. De 2,2 miljoen tellende vrijwilligersploeg van Obama werd zodoende gestuurd naar de plekken waar de twijfel tussen Romney en Obama groot was, of waar het voor mensen lastig was om de stembus te bereiken. Obama-stemmers werden vervolgens met busjes opgehaald om te stemmen en weer thuis afgezet. ‘Door die effectiviteit heb je meer plezier van het enorme aantal vrijwilligers’ aldus Prescott. De groepen mensen die nog over te halen waren om voor Obama te kiezen, moesten ook worden gelokaliseerd. Prescott weidde daar eerder al over uit in VPRO Tegenlicht. Om die groepen te bepalen, werd gebruikgemaakt van eerder onderzoek. De onderzoekers gingen daarom met 10.000 mensen in gesprek over actualiteiten. De standpunten daarover werd genoteerd. Een week later werd bij diezelfde mensen bekeken of dat standpunt al was veranderd en welke impact het eerdere gesprek op dat standpunt had. De groep mensen die na een gesprek van mening veranderde, was daarbij het meest interessant. Welke mensen tot die groep behoren veranderen, wil Prescott niet zeggen.

Hoe dan ook, de Obama-campagne werd sterker dankzij data: Obama won in bijna alle zogeheten swingstates, de staten zonder een duidelijke meerderheid. Prescott: ‘Ten eerste door de kwaliteit van de kandidaat, maar ten tweede door slim gebruik van data-analyse.’ Ook de informatie die het data-team uit de immer schommelende peilingen haalde was van nuttig. ‘De peilingen schommelen zo sterk, dat je er als campagneteam niet op tijd op kan inspelen. Maar wanneer je de peilingen verdeelt in verschillende doelgroepen, is te zien welke gevolgen beslissingen hebben op de peiling onder één groep.’ Door die verdeling is de impact van een beslissing veel nauwkeuriger in beeld. Wanneer een campagneteam in korte tijd vervolgens veel impact wil uitoefenen, kan het de groepen benaderen waarbij de kandidaat de afgelopen tijd het sterkst is gedaald. In die groepen is namelijk veel meer winst te behalen dan in de groepen waar hij al sterk staat.’

Politieke persoonstypen
In Nederland heeft het gebruik van data bij verkiezingen ook al behoorlijk terrein gewonnen. Dat wijst ook de campagne van het ‘Leger des Peils’ uit, volgens een casestudy van de Politieke Academie.

Het Leger des Peils mobiliseerde eerder in april de Nederlandse bevolking om te stemmen bij het referendum over het Associatieovereenkomst van de Europese Unie en Oekraïne. Zo’n drieduizend vrijwilligers voerden daarbij effectief campagne door samen te werken via een app, die politieke persoonstypen had ontwikkeld en strategische big data-analyses maakte op postcodeniveau. Deelnemers kunnen met de app zien welke gebieden al worden gedekt door andere vrijwilligers. Zo wordt voorkomen dat vrijwilligers wijken dubbel langs gaan.

Uiteindelijk hebben de vrijwilligers ruim 1,2 miljoen huishoudens bezocht en zijn er tienduizenden gesprekken gevoerd. Zo’n 81 procent van de vrijwilli-gers voerde campagne om tegen te stemmen. Dat was terug te zien in het resultaat: meer dan 30 procent van stemgerechtigd Nederland kwam opdagen en 61 procent daarvan bracht een ‘nee’ uit.

De app die de vrijwilligers gebruikten, zorgde ervoor dat het gehele Leger des Peils door één persoon kon worden gemanaged. Met behulp van de app is voor vrijwilligers te zien in welke buurten voor hun partij de meeste winst te behalen valt. Dat inzicht is er niet alleen om dubbele inzet in wijken te voorkomen. Het maakt ook duidelijk of er in een buurt voornamelijk tegenstanders of voorstanders wonen van het eigen standpunt en hoe hoog de stembereidheid is van de verschillende buurten. De verdeling van de inzet van vrijwilligers kan zo handig worden gemanaged.

Landelijk dekkende kaart
De Politieke Academie wijst in de casestudy politieke micro-targeting aan als fundament van de succesvolle Geen Peil-campagne. Micro-targeting deed de Politieke Academie al eerder; er werden dan analyses op basis van eerdere verkiezingsuitslagen en big data gemaakt. Voor de Geen Peil-campagne waren verkiezingsuitslagen echter niet bruikbaar, omdat het een referendum betrof. Daardoor konden de vrijwilligers ook variëren van SP tot VVD. Er was een oplossing voor; namelijk door zes politieke persoonstypes te ontwikkelen en drie verschillende soorten campagnes te voeren (voor, tegen en neutraal). Zo ontstonden er uiteindelijk achttien profielen die werden gemodelleerd met big data en vervolgens werden gekoppeld aan eerdere verkiezingsuitslagen en statistische relaties tussen politieke partijen. Zo werd er een patroon voor heel Nederland zichtbaar en kon campagnemateriaal worden gespecificeerd voor de juiste campagne. Voor ieder van de achttien profielen werd een landelijk dekkende kaart gemaakt waar op postcodeniveau de kans op succes werd berekend.

Iedere vrijwilliger had de app tot zijn beschikking om de, op basis van campagnevoorkeur en politiek persoonstype, relevante kaarten te bekijken. ‘Ieder lid kon de gebieden kiezen waar mensen wonen die genegen waren naar de stembus te gaan, waar de campagneboodschap zou aanslaan en waar het gesprek met iemand zou worden gevoerd waar een ‘klik’ mee is.’ Het was de eerste keer dat de Politieke Academie de big data-analyses tot dit gedetailleerde niveau van politieke targeting leidde. In de casestudy wordt politieke micro-targeting dan ook aangewezen als hét fundament van de succesvolle Geen Peil-campagne.