【數據分析】Blink社群數據 — 用故事線提出社團增長模型

Published in

Finformation當資料科學遇上財務金融

Jun 21, 2020

寫在前頭 — 敘事線簡報的練習

這篇文會紀錄自己在擔任政大創聯會 6.5屆副行銷長任內所做的一篇結案報告，將資料科學的方法用到社群經營上。因為是結案報告，所以同時附上學期檢討，主要是網站流量相關的內容。這篇文同時也會帶到我畫decks的邏輯，同時用我在創聯會內部報告的成品當作例子。

由於算是這學期才開始做Storyline式的簡報，之前的訓練主要來自於政大管顧社的專案進行與社課內容，還有就是進入管理顧問公司之後學習如何更好地鋪陳整個故事、邏輯貫通，所以不管是社團經營、還是敘事線簡報，自己都還是在學習的過程，屬於學習紀錄性質的一篇文章。

這篇的內容並不一定「MECE」、呈現報告的方式也不一定遵守管顧做decks的守則，更多是針對「營運問題」來提出解方。不到一天的情況下要遍尋可能的問題其實並不容易，相對地，針對既有問題的了解與身為實際的管理者，透過經驗出發的假說可以讓我更快聚焦到找尋root cause與建立假說上，這篇報告更偏向這樣的工作模式。

workflow

Storyline
Data collection
Data analysis
Reporting

本份報告從0–1 ：梳理問題 ->建立故事線->爬蟲收集資料->寫程式->分析 -> 跑模型 ->補充內容總計花了我6小時左右。實際時間不會這麼短，比如在管顧社的時候我們可能就花了2個月左右在順完整份故事線與填滿資料，而工作中可能會花更多時間在確保邏輯的縝密性。

附註：下方的示範因為我截了蠻多不同自己的簡報，所以顏色可能會有不一致的情況、字體也可能會跑掉，重點還是內容。

字少圖多的簡報？

管顧的簡報通常跟大學生習慣的「字少圖多」非常不一樣，我們會在裡面放上非常多的資訊，作為決策支援與了解事實的載體。所以字通常都很多，方便客戶或者使用者事後查看、閱讀。

前期資訊整理，畫出Storyline

通常我在畫slides之前，都會先多方整理資訊與思考內容，以這份報告來說，這部分大概會花1~2個小時，主要是了解問題、與思考「初步的解決方法」，這時候主要會在數位筆記與紙本上進行，通常都是先初步發想，然後再慢慢收斂到我想要傳達的Key message是什麼，如下圖：

然後到時候這些第一層的message都會變成每張slide的Tagline ，並且把每頁slide的標題都總結到第一頁的執行摘要，方便先給予聽眾整份報告的結構與流程會如何進行：

而其實做完初始的整個storyline，就會是我們的假說思考，好比我註記pf : scatter plot ，其實是proof for this content with scatter plot(x ,y )，代表說這一頁我會在下方的內容使用散點圖證明的意思。因為想完message的當下，有非常多的內容都來自於「假說」，很多事情我不確定，我必須思考要用什麼方式、或者什麼資料、什麼事實來「證明」這件事情，換句話說：

假說必須是可證的，不可證則是需要可行動的

在這裡就蠻推薦大家去修數學系相關的課程（不過我是去修蠻多統計系的課XD），數學系有非常多證明的課程與理論，而整本課本的理論知識可能就是循序漸進的，比如說你想證C，而你知道通過A，否定B的當下就說明了C，那寫出這種關係就是一種證明的方式之一。

也會有我們不知道的事情，比如這邊我可能會用ABCD等代數來先替代，這讓我知道後續我必須做完Clustering才能填上內容，相對也確立了我接下來該做什麼，更能專心在執行面上。

當然在分析之前，必須要確立現在的問題是什麼。這時候我會根據之前與其他人開會、討論得到的反饋來歸納問題面向，並且思考我們該問什麼問題。這也很像在企業端，我們必須有個小組去當各個部門的接口，了解部門的需求與問題是什麼，並且思考解決方案。由於我本身的思考方式比較偏向量化，因此習慣在前幾頁透過關鍵指標來檢視何謂現狀，並且讓問題隨之浮現。

接著就是把既有問題放上來，並且思考能用什麼方式來解決這些「表面問題」，這個時候的問題並不一定是「最終問題」，而只是表面看到的so what ，目的主要在讓大家了解到「那些潛在問題如果沒有被解決，會有哪些現象」，畢竟不是所有人都會對問題survey，我們要先快速recap，當然這也針對報告對象，如果對方已經很了解公司或者社團，那麼這件事情可能就是放在附錄、或者根本不必做。

接著我會透過一些數據來說明問題發生的點以及原因：

當然這邊我可能也不只會用管顧的敘事線，因為創聯會主要偏向新創、網路端，所以我也挪用了創投、創業端的簡報技巧，在募資簡報中，經常會有「對比手法」，這邊就可以搭配使用來說明問題：

資料收集

另外因為上面有個問題是內容，所以這邊我們的解決方案是內容改善。我會去思考什麼地方存在這些量化指標，而且是「可取得的」由於社團這學期有在學生社群Blink發文，而Blink的指標都是可見的，因此很適合做為我們的內容評估方向，於是我會在初步的slides上規劃接下來要做哪些資料工作，好比說準備寫一隻爬蟲、有哪些欄位、資料是我需要的。

當然也會有質化分析的部分，這邊我就會用案例說明，在管顧通常會放上best case、good practice來說明這件事情的成效、與更具體傳達執行之後的預期。比如思考過後我認為社團官方網站應從內容定位轉移到連結效果，而非內容輸出的渠道，而原訂的內容渠道可由Blink替代，藉此解決第三個子問題：量化指標不明、寫作功能不完善的問題，所以我也會去尋找好的學習對象當作case，作為solution的說明：

而這份專案中，資料分析的角色在於提供內容參考對象，因此在該頁我必須說明Why Blink、Why this method?

比如說我會用到文字探勘，那麼就需要文字相關資料，因此寫爬蟲的時候這就是我要的資料。然後我會開一個Jupyter（類似Python開發的地方）專門寫爬蟲、清資料，在實際寫之前我會先想好需要哪些函數，執行這個workflow就可以要到我想要的資料，藉此清楚整個爬資料的流程，確保模組化與可重複執行

然後實際寫code :

另外一些分析作法我會放到後面附錄，畢竟這不是這份報告的主體，但是會有人好奇，這時候附錄就很好用了，好比：

資料分析

然後設計分析的呈現方法，比如文字雲在文字探勘上是一個很好的手法：

接著我可能會用到商業分析的技巧，從宏觀到微觀來剖析，只是對象從市場、產業換到平臺、媒體內容XD

另外也不是什麼內容都放，只是我會在EDA的時候額外得到一些資訊，有些有趣的內容還是得放到附錄，畢竟不是故事主線，很有趣的內容還是不能隨意放，除非我覺得他們之間有不錯的關聯、或者能夠補充更多邏輯：

這邊的思路就是把我們自己的粉絲資料爬下來，然後去看說還有追蹤哪些人，分析粉絲的重疊性，藉此了解內容訂製與接近Persona。所以分析資料前就是先做一些清洗，並且整理成我們想要的格式：

轉化一下：

以及我可能會挑選適合的演算法來做，好比binary就比較適合用K-mode而不是大家熟悉的K-means，並且呈現分群結果，BTW，分群結果真的非常好，有一批甚至抓出「現實關係非常緊密的一群人」，雖然Clustering是一種無監督學習方式，但是搭配對資料的理解，真的常給我驚喜的感覺：

這樣我們就可以接著分析粉絲的輪廓囉！這部分會搭配到質化分析，當然我也會先分析一下有沒有一些特徵，好比觀看數、讀者類型，真的無法自動化或者判別，再透過人工看文章、追蹤作者類型的方式來分析：

並且轉為建議與可行動的操作方式：

然後試算一下成效，作為下次Campaign的KPI參考目標，不過這邊通常都很不好估計、或者估不太準，就是參考用的以及避免做出來沒有什麼改變：

後面就是附錄，可以放上一些技術細節：

還有玩玩資料，比如這種資料是完全可以拿來做推薦系統的，就簡單寫個function來執行推薦演算法就好：

額外發現：經營風格與粉絲轉化流量

有趣的是，因為我也有一些朋友在經營Blink，所以用推薦系統稍微看了一下，發現某位朋友的粉絲其實「主要來自於某篇心理分析的文章」，而她目前的寫作風格其實比較偏向「行銷教學、實習心得」，這就是數據分析有趣的點了，本來她以為那篇心理的文章只是流量特別高而已，但是透過數據對照出粉絲也追蹤的作者，其實蠻大一部分是心靈、感情層面的作者。

還有Blink有趣的是，觀點放送除了我理解中的職場、大學相關話題，沒想到兵役也是一個熱門觀看點（這邊只列出前幾名，但其實比我想像中多很多），也許可以做個系列campaign來增加流量：

看完這篇文章，有興趣了解更多的人歡迎按讚粉專：

政大創聯會（政大創業聯會）來獲取新創與創投相關產業資訊！

以及我們最近有跟XChange合作，點進看更多網路業文章：

Blink — 政大創聯會

歡迎想學習Python資料科學、商業分析、金融知識的人一起交流！本部落格的內容全部都是基於「分享」的實作、理論兼顧文章，希望能夠幫助到所有對資料科學領域有興趣的人們，長期關注可按左手邊的Follow!若喜歡我在 Medium 的內容，可以拍個手（Claps）這邊想做個實驗，好讓我知道你/妳喜不喜歡這篇文章：
拍 10 下：簽個到，表示支持（謝謝鼓勵！）
拍 20 下：想要我多寫「商管相關」
拍 30 下：想要我多寫「資科相關」
拍 50 下：我有你這讀者寫這篇也心滿意足了！

敬請期待下一篇！或是您也可以逛逛我的其他資料科學文章：人工智慧商務系列：

Python資料科學系列：

看我用金融的概念解釋AI：

如果想跟著我實作資料科學，開始寫程式必知必會基礎系列：

Coding共十講，讓你進入程式世界