嗨！我是葉又銘，目前準備升大四的臺大資管學生。這學期修了魏志平教授的社群媒體分析課程收穫非常多，這是一門資管（大四以上）、數據分析學程選修，結合各種資訊管理、技術來建構社群數據分析方法論，可以應用在如社群行為分析、產品推薦、廣告投放、鎖定目標族群、產品評論分析等在無數的商業場景，是真的非常有趣、實用也超厲害的一門課！接下來我會透過這篇文章講述現今社群媒體分析的重要性、方法論、應用場景。
這篇文章是我個人的觀點，不代表臺大資管學系的立場
社群媒體分析的定義
首先我想談談社群媒體分析到底是什麼？和數據處理、數據科學、大數據、統計分析有什麼不同？其實社群媒體分析也就是想要分析社群的某些 patterns，旨在找出這些 patterns 能帶來的商業價值，而社群的價值就在於，我們「先從商業角度定義問題，再結合上述這些領域可以應用在分析社群的方法，定義一套分析策略框架、流程，最後提供可解釋、可操作的結果。」
所以不同的是，社群媒體分析是應用型的方法論，我們不是在研究如何開發一個新的技術、架構去解決一個社群問題，而是透過定義一套先前的研究成果、方法論，去解決特定的商業問題，這是社群媒體分析的價值所在。
龐大研究基礎 + AI 崛起 + 大數據時代
為什麼現在社群媒體分析這麼重要？其實社群媒體分析的重要性在於，現今社群媒體的發展，已經有了龐大的研究基礎，不僅是 AI 帶來的技術革新，透過將大量原始數據轉換為有意義的指標，而還建立在其他跨領域的研究成果，如行為科學、語文學等，用來解釋社群媒體的型態，或結合技術開發新的方法，這些都是社群媒體分析的基礎。
而更重要的是，大數據最困難的地方在於如何從龐大的數據中找出有意義的 patterns、指標，我們常說 Garbage in, Garbage out，也就是如果數據龐大但是沒有意義，那麼分析出來的結果也是沒有意義的，社群媒體分析也注重如何轉換這些數據為所謂拓 topology，讓結果更有意義。
方法論
社群媒體分析可以分成兩個最主要的方法論，一個是社群網路分析，另一個是自然語言處理。
Social Media Analytics (SMA) Essentials
以下是社群媒體分析的基本方法：
- Data mining
- Text mining
- Network based SMA methods:
- Link prediction
- Community detection
- Opinion leader identification
- Influence modeling
- Text based SMA methods:
- Sentiment analysis
- Product review analysis for marketing intelligence
- User profiling
- Fake review detection
所以社群媒體分析問題其又可以分為「社群網路分析」和「自然語言處理」。
社群網路分析
社群網路分析是透過分析社群的結構、關係，找出社群的型態，如：
-
社群的中心性：分析社群的核心人物、關鍵橋樑等，對於社群的影響力做排序，應用在搜尋引擎排名、推薦系統、找出意見領袖 KOL 等，例如著名來自 Google 的 PageRank 演算法，就是一種分析網路中心性的方法，藉此來推薦網頁排名
-
社群的結構：分析社群的結構，如社群的密度、連結的強度等，應用在社群的分類、分群等，可以應用在廣告投放、鎖定目標族群等
-
社群的連結：分析社群的互動、關聯，如貼文的回覆、轉發等、分析朋友或追蹤關係，分析社群影響力或聲量等
這些關係注重於社群的結構所存在的「連結」，這種明確的結構可以讓我們更容易找出社群的型態，能夠提供可視化的分析結果。
自然語言處理
自然語言處理是透過分析社群的文字、語言，找出社群的情感、意見，如：
- 情感分析：分析社群的情感，如正面、負面、中性，應用在產品評論分析、品牌聲譽分析等
- 意見挖掘：分析社群的意見，如意見領袖、意見領袖的意見，應用在產品推薦、廣告投放等
- 主題分類：分析社群的文字，如分析社群的主題、內容，應用在社群的分類、分群等
這些關係注重於社群的文字所存在的「意義」，文字是最直接的表達方式，但難以直接分析，所以需要透過自然語言處理的方法，將文字轉換為有意義的指標。
有許多的前輩提供各種研究方法，如 PageRank Centrality、Community Detection、Sentiment Analysis、Topic Modeling、Named Entity Recognition、Aspect Extraction 等，這些方法都是社群媒體分析的基礎，再透過定義一個分析流程，將個步驟串聯起來，最後的結果往往帶來不少的商業價值。
社群媒體分析的應用場景
其實社群媒體分析的應用場景非常多，最主要的應用場景如：
-
推薦系統：如 Netflix、YouTube 的影片推薦、Amazon 的商品推薦等，如何透過社群的行為、意見，甚至找出用戶的喜好，提供個性化的推薦至關重要，社群媒體分析可以透過以下方法給出更好的推薦：
- 社群網路分析：找出社群的中心人物（文章、影片、商品）、鎖定目標族群、找出意見領袖等後，透過推薦系統推薦相關內容，例如同一個社群的人喜歡的文章、影片、商品可能相似，意見領袖的意見可能影響其他人，這時候推薦系統就可以推薦和這個社群的人可能喜歡的內容
- 自然語言處理：分析社群的情感、意見，找出社群的喜好、意見，這些意見可以用來推薦相關內容，例如社群對於某個商品的評論進行分析，找出正面評論的關鍵字，就可以把擁有這些優勢的商品推薦給特定需求的用戶
-
產品評論分析：如 Amazon、PChome 的商品評論分析，如何透過社群的評論，找出商品的優缺點與指標，提供商家一個改進的方向或找到產品的價值，更可以找到其與競品的差異，提供商業上的競爭優勢
- 自然語言處理：分析社群的情感、意見，找出社群對於產品的評論，這些評論可以用來找出產品的優缺點，例如找出負面評論的關鍵字，就可以找出產品的缺點，進行改進，或找出正面評論的關鍵字，找出產品的優勢，進行推廣，最後繪製 Importance-Performance Map，分析產品的價值，提供商家決策的重要依據
-
假留言、評論偵測：如政府、企業的社群留言、評論偵測，如何透過社群的留言、評論，找出假留言、評論、機器人，提供政府、企業一個偵測的方法，保護社群的品質，而這類方法不在只能透過分析文本，透過社群行為更能偵測異常：
- 社群網路分析：分析社群的結構、關係，找出異常的連結、行為，如重複的留言、罐頭評論、機器人帳號等，是重要的偵測依據
- 自然語言處理：分析社群的情感、意見，找出異常的情感、意見，如負面評論、不合理的評論等，是重要的偵測依據，例如正負面評論的比例、評論的長度異常可能都是重要指標
其實社群媒體分析的應用場景遠比這些廣泛，甚至我認為大部分問題都還沒被發掘、定義，為什麼呢？這是我和魏志平教授聊時得到的啟發。
魏志平教授給我的啟發
魏志平教授致力於社群媒體分析，他曾有不少跨領域合作經驗，從專利分析到生物科技產品開發，都有社群媒體分析的機會，有時候許多問題看似沒有分析的價值，但實際上困難的往往在於我們如何找到這個問題的商業價值。
魏志平教授講過一個故事，他曾經在幫助公司分析專利，透過專利去預測公司的技術走向或想要併購的公司，但業界的朋友卻說：「其實我們都知道我們要併購哪家公司、開發哪些技術，所以能夠預測這些並沒有太大的價值。」，經過一段時間的思考後，他將問題重新定義為，分析其他競爭對手的專利，找出他們的技術走向，這對於提升公司的競爭力、找出自己的優勢，就有了商業價值。
所以他說我們需要從問題出發，而不是從技術出發，在解決問題時我們總需要 domain knowledge，往往需要透過人脈加上自身的深入了解，才能找到這個問題的商業價值，而技術只是一個工具，這也是資管人獨有的能力。
問題出發，而不是技術出發 -> 了解 Domain Knowledge -> 應用技術 -> 找到問題的商業價值
結論
總結來說，社群媒體分析是一門結合多領域知識和技術的實用課程，能夠在現今大數據和 AI 時代中更發揮巨大商業價值。透過社群網路分析和自然語言處理等方法，能夠找出社群中的有意義 patterns，並應用於推薦系統、產品評論分析和假留言偵測等多種商業場景。未來，隨著技術的進一步發展和應用場景的不斷擴展，社群媒體分析將會變得更加重要。希望這篇文章能夠帶給你一些啟發和思考。