【資訊種子─講座課程】[2015–11–21][楊立偉董事總經理][社群輿論大數據]

  1. 課堂筆記

(1) 大數據:機器是用來輔助人的,不是取代人。
 企業大數據
 機器大數據
 社群大數據:量大、速度快、多樣(內容混亂)

(2) 語意分析技術
 資料調閱檢索
 詞彙擷取:資料夠多、學習越快
 內容分析、自動分類、情緒分析、自動摘要(挑出關鍵字,自動生成文章)

(3) 行為改變,讓工具變準
 台灣社群青壯年(12~55歲)涵蓋率96.1%
 Facebook > BBS > 討論區 > 部落格 > 新聞網站

(4) 意藍資訊的商業模式
 從搜尋引擎,改為讓公司用量計費,35~45分鐘系統顯示公司評論,具即時性、品質的社群大數據資料庫。
 會減少市調公司一半的產值

(5) 創新應用範例
 消費預測:預測電影票房。預告片作為風向球,看討論量、正負評比( > 1為佳)。
 疾病預測:Google預測流感爆發,越多人搜尋流感,爆發可能性越高。社群領先疾管局落後指標。
 民意預測:歐巴馬利用Twitter(流動性較Facebook高)。正面字詞次數越多,當選機率越高。

(6) 大數據衝擊社會科學,抽樣晃動信度,大數據普查直接觀察母體,可連續分析比較,兼具量化、質化。

(7) 面對負評
 比較、差異才能詮釋,罵競爭對手的比較多就贏了。
 巴哈姆特(主文多),伊莉(回文多,顯示議題有爭議性),PTT(追蹤帳號,辨識意見領袖)。
 寫手偵測:一文多貼、內容行為不一致

(8) 事件分析及擴散預測:量化與質化模型
 解釋時間變化
 資料來自社群貼文
 從社群媒體預知明日新聞
 大數據不是找因果,而是連動性
 從波度、廣度預測事件延燒多久
 社群傳播路徑圖:從好評變化,了解對品牌的衝擊。
 關鍵字風暴圖:視覺化呈現關鍵分析(關鍵字)
 累積分析圖:資料視覺化呈現,了解社會現象、脈絡

(9) 統計 + 科技 + 領域:看見大數據的用途
 領域專家內容分析,從內容對使用者側寫;語意分析潛在顧客,資料越久,越一致、準確。
 信號蘊含在大數據資料的反推

(10)資料相同,建立模型的配方可以不一樣
 量化分析:風暴圖,競爭分析。
 質化分析:分析市場定位,產品定位重疊為競爭者。
 若模型假設被破壞,比算出來的速度(資訊不對稱)
 不要只用單一資料,多重資料

(11)傳統媒體宣傳 — 網友自發討論:差值越大,代表認知差距。
 政策→產業→消費

(12)運用社群大數據新方法
 匯流→分析(過去)→預警(未來,社群大數據價值所在)→管理
 社群空中預警:建立多重預警指標
 品牌聲量、負評率、負評比
 前波討論量 < 後波討論量,正負評比 > 1:危機處理妥當

(13)大數據需要的人才:
 資料命題、詮釋的人
 解釋、建模、視覺化

2. 課後心得
很高興有機會聽到意藍資訊總經理楊立偉教授,關於社群大數據之觀測、分析及應用的分享。在講座中提到幾個個案,例如阿基師外遇事件、布丁事件,經由楊教授的講解,原來社群大數據是這麼有趣及準確,可以看見民意的波動,以及危機處理的效果。在大數據資料庫裡,我們都是幫手。對企業來說可以更容易發現商機所在,但以個人來說所有的行為都會被留下紀錄,更要謹言慎行。

也許五年後,社群使用的族群會再延伸至55~66歲,因此我認為社群大數據的應用將越來越重要。大數據需要的是資料命題及詮釋的人才,而由此我驚覺到自己能力的不足,過去雖然學過統計學,卻已記憶模糊,因此警惕自己必定要趕緊補足在這方面的學習。

Like what you read? Give sustainable a round of applause.

From a quick cheer to a standing ovation, clap to show how much you enjoyed this story.