社群媒體分析與行銷智慧 (social media analytics for marketing...

社群媒體分析與行銷智慧(Social Media Analytics for

Marketing Intelligence)

魏志平教授國立臺灣大學資訊管理系

2018/09/29

2

大綱

• 背景與現況說明

• 運用社群媒體分析進行市場結構分析(market structure analysis)

• 運用社群媒體分析進行顧客偏好衡量(preference measurement)

• 運用社群媒體分析進行品牌聯想分析(brand association analysis)

3

社群媒體與線上產品評論

• 使用者/消費者經常會在社群媒體上表達他們對於所購買的產品(或服務)的經驗以及個人意見

• 現在我們可以透過各式各樣的社群媒體獲得大量的產品評論

產品評論網站論壇部落格、微博社群網站

4

旅館相關的評論

• 旅館訂房網站

• 旅遊訂位網站

• 旅遊評論網站

5

餐廳相關的評論

• 線上訂位服務網站

• 餐廳或旅遊評論網站

6

其他產品/服務的評論

• 航空公司相關的評論

• 電腦與數位相機相關的評論

7

新型態的口碑－線上產品評論

• 77%的消費者會在購物前閱讀網路上的產品評論

• 75%的消費者信任線上產品評論勝過朋友的推薦

• 此外， 81%的使用者表示，他們從線上產品評論中可以得到有用的建議

http://wallblog.co.uk/2012/05/14/the-future-of-the-social-customer-rise-of-fan-commerce-infographic/

因此，線上產品評論已成為行銷智慧重要的資訊來源

行銷智慧(marketing intelligence)是指用於支援行銷相關決策的資訊或分析模型(例如，消費者偏好，市場機會，競爭對手及其行為)

8

運用社群媒體分析萃取行銷智慧之現況

• 利用情感分析(sentiment analysis)技術進行網路輿情分析(opinion analysis)與社群聆聽(social listening)已受到學術界與實務界高度的關注

• 情感分析技術試圖分辨

– 文件的整體情感態度(正面、負面或是中立)，也就是文件層級的情感分析(document-level sentiment analysis)

– 文件中各個概念(如產品特徵)的情感態度，也就是概念層級的情感分析(aspect-level sentiment analysis)

9

情感分析技術的流程(1/3)

線上產品評論或其他社群媒體資料

辨認文件的整體情感態度

萃取產品特徵

辨認消費者對不同產品特徵的情感態

度

網路輿情分析或社群聆聽

10


Review for EVA Air

很棒的飛機經驗從紐約經過台北到曼谷。雖然機上娛樂選擇較少，但在波音777的3-3-3配置上，經濟艙座位的大小很舒服，食物很好，工作人員很棒。希望以後還可以再搭乘; 經台灣前往大多數的亞洲國家，這是最佳選擇。

這篇評論的整體情感態度: 正面

Review for EVA Air

很棒的飛機經驗從紐約經過台北到曼谷。雖然機上娛樂選擇較少，但在波音777的3-3-3配置上，經濟艙座位大小很舒服，食物很好，工作人員很棒。希望以後還可以再搭乘; 經台灣前往大多數的亞洲國家，這是最佳選擇。


辨認文件的整體情感態度


11

範例－應用文件層級情感分析進行口碑分析

Sources: 1. http://www.opview.com.tw/portfolio_item/201709082. http://www.brain.com.tw/news/articlecontent?ID=44953&sort=

國產車各車款正負情緒比較

12


討論的產品特徵

• 娛樂選擇• 座位大小• 食物• 工作人員對不同產品特徵的情感態度

• 娛樂選擇：較少(負面)• 座位大小：很舒服(正面)• 食物：很好(正面)• 工作人員：很棒(正面)

萃取產品特徵

辨認消費者對不同產品特徵的情感態度


Review for EVA Air

很棒的飛機經驗從紐約經過台北到曼谷。雖然機上娛樂選擇較少，但在波音777的3-3-3配置上，經濟艙座位的大小很舒服，食物很好，工作人員很棒。希望以後還可以再搭乘; 經台灣前往大多數的亞洲國家，這是最佳選擇。


13

範例－應用概念層級情感分析進行口碑分析

Source: Wei, C.P., Chen, Y.M., Yang, C.S., and Yang, C.C. (2010). Understanding what concerns consumers: A semantic approach to product feature extraction from consumer reviews. Information Systems and E-Business Management, 8(2), 149-167.

14

我們是否探究了社群媒體用於行銷智慧的所有潛能？

• 除了網路輿情分析與社群聆聽之外，我們還可以從社群媒體資料中萃取出其他的行銷智慧?

• 如何從社群媒體資料中萃取這些額外的行銷智慧?

運用社群媒體資料進行市場結構分析(market structure analysis)

16

運用社群媒體資料進行市場結構分析

• 市場結構分析(market structure analysis)

– 這個行業的競爭程度有多少？

– 你的競爭對手是誰？

Market-structure Perceptual Map of Car Brands Using Car-Switching Data

Source: Netzer et al. (2012). Mine your own business: Market-structure surveillance through text mining. Marketing Science, 31(3), 521-543.

17

傳統的市場結構分析方法(1/2)

• 傳統的市場結構分析方法主要仰賴「考慮組合問卷調查」(consideration set survey)或「品牌轉換資料」(brand-switching data)

– 考慮組合問卷調查 : 受試者被問及「如果你打算購買某種產品，你會考慮的前兩名品牌是什麼?」

– 品牌轉換資料(brand-switching data): 例如以舊車換購新車的資料(car trade-in data)

18

傳統的市場結構分析方法(2/2)

• 傳統方法的限制

– 樣本數量有限

– 難以進行事件影響分析(event impact analysis)(例如產品傷害危機product-harm crisis、行銷活動)

– 針對不同消費者族群(例如不同性別)或不同國家進行市場結構分析的成本過於昂貴

19

運用社群媒體資料進行市場結構分析之方法(1/8)

• Pang 和 Lee (2008)的研究指出線上產品評論經常包含產品比較的意見

• 哪些品牌可能會在消費者的心中相互比較(Netzeret al., 2012)?

– 認知心理學的文獻表明人們的心中會形成一個聯想網絡(associative networks)，用以連結相關的概念(以網絡中的節點呈現)

– 啟動(activate)一個節點(例如Toyota)可能也會啟動聯想網絡中其他緊密聯接的節點(例如Honda)

References: Pang, B. & Lee, L. (2008). Opinion mining and sentiment analysis. Information Retrieval, 2(1–2), 1-135.Netzer et al. (2012). Mine your own business: Market-structure surveillance through text mining.

Marketing Science, 31(3), 521-543.

20


– 因此，當消費者在撰寫產品評論時，聯想網絡中緊密相連的兩個品牌有可能從長期記憶中被檢索出來，並在其撰寫的產品評論中比較。

• 透過分析線上產品評論中出現的產品比較資訊，應可呈現品牌間的競爭。因此，由社群媒體資料所產生的品牌比較網絡(brand comparison network)提供了可用於市場結構分析的有用的資料來源。

21


品牌名稱識別與分群(Brand name

recognition and grouping)

品牌比較關係判定(Brand comparison

identification)

群落偵測(Community detection)

視覺化(Visualization)

品牌關聯強度估算(Estimation of inter-

brand associationstrengths)


22


• 品牌名稱識別與分群(Brand name recognition and grouping)：此步驟是識別線上產品評論中提及的品牌名稱，並將同一品牌的不同寫法(同義詞)分到同一群集中。作法如下：

– 仰賴事先定義好的詞庫(lexicon)，包括品牌與產品名稱、同義詞(例如 VW就是Volkswagen)以及產品與品牌的關係(例如 Beetle、Jetta 和Passat是 Volkswagen 的三種車款)

– 或使用1)命名實體識別技術(NER)來標註文本中的專有詞，例如品牌名稱和產品名稱，以及2)統計方法來識別同義詞以及產品與品牌的關係

23


• 品牌比較關係判定(Brand comparison identification)：識別產品評論中相互比較的品牌

– 共現方法(co-occurrence method): 在同一句子中共同出現的品牌視為相互比較的品牌

– 比較句方法(comparative sentence method): 比較語句中出現的品牌(例如優於、比較差)視為相互比較的品牌

– “Both Nikon and Canon are popular. …”

– “The 2018 Camry is incredibly superior to the competition, i.e., Honda Accord, Nissan Altima/ Maxima, and even Hyundai Sonata! …”

24


• 品牌關聯強度估算(Estimation of inter-brand association strengths)：此步驟是評估品牌競爭網絡中品牌之間的關聯強度

– 線上產品評論中，兩個品牌共同出現的次數(可在句子的層級或產品評論的層級)

– 兩品牌間的增益值(Lift)：增益值是兩個品牌實際共同出現頻率與期望共同出現頻率的比率

其中P(A)是在一組線上產品評論中，A 品牌出現的機率。如果兩個品牌是相互獨立的，則其增益值將為1，若是兩品牌之間的關聯性越強，則其增益值越大。

𝐿𝑖𝑓𝑡 𝐴, 𝐵 =𝑃(𝐴, 𝐵)

𝑃(𝐴) × 𝑃(𝐵)

25


𝐿𝑖𝑓𝑡 𝐴, 𝐵 =𝑃(𝐴, 𝐵)

𝑃(𝐴) × 𝑃(𝐵)=

0.005

0.1 × 0.05= 1

|N|=1,000

|A|=100

|B|=50

|AB|=5

𝑃 𝐴 =100

1000= 0.1

𝑃 𝐵 =50

1000= 0.05

𝑃 𝐴, 𝐵 =5

1000= 0.005

|N|=1,000

|A|=100

𝑃 𝐴 = 0.1

𝑃 𝐵 = 0.05

𝑃 𝐴, 𝐵 = 0.05

𝐿𝑖𝑓𝑡 𝐴, 𝐵 =0.05

0.1 × 0.05= 10

|B|=50

26


• 群落偵測(Community detection)：給定一個品牌比較網絡，此步驟是偵測其中包含的群落(clusters)，每個群落內的節點(品牌)緊密聯接，而群落間的聯接較為稀疏

– Girvan-Newman 演算法

• 視覺化(Visualization)：此步驟將品牌比較網絡或品牌聚落視覺化

– 多維尺度分析(Multidimensional scaling, MDS)

27

範例－運用線上產品評論進行汽車市場結構分析(1/2)

Network Graph of Sedan Car Models(Online Reviews) MDS Map of Car Brands Using Online Reviews

Netzer et al. (2012). Mine your own business: Market-structure surveillance through text mining. Marketing Science, 31(3), 521-543.

28

範例－運用線上產品評論進行汽車市場結構分析(2/2)

MDS Map of Car Brands Using Online Reviews

Netzer et al. (2012). Mine your own business: Market-structure surveillance through text mining. Marketing Science, 31(3), 521-543.

MDS Map of Car Brands Using Car-Switching Data

29

其他範例－筆記型電腦之市場結構分析

NotebookReview.com (US) Mobile01.com (TW)

# of threads

# of posts

Duration

# of brands

# of models

45,686

881,075

2003~2016

122,796

1,044,066

2003~2016

30

1,161

分析的品牌包括Acer, Asus, Gigabyte, Dell, HP, Lenovo, Apple, Sony 等

30

Acer 在美國及台灣市場的主要競爭對手

NotebookReview (US)

Mobile01 (TW)

ASUS

Dell

HP

Lenovo

Toshiba

ASUS

Dell

HP

Lenovo

Gigabyte

31

Dell在美國及台灣市場的主要競爭對手

NotebookReview (US)

Mobile01 (TW)

ASUS

Sony

HP

Lenovo

Alienware

ASUS

Acer

HP

Lenovo

Gigabyte

運用社群媒體資料進行顧客偏好衡量(preference measurement)

33

運用社群媒體資料進行顧客偏好衡量(1/2)

我們是否能根據上圖，指出哪個產品特徵對於顧客來說比較重要，且會影響顧客對產品的整體評價?

答案是不能!!!

34

• 顧客偏好衡量(Preference measurement)是衡量顧客對於不同產品特徵的情感態度對顧客偏好(產品整體評價)的影響

• 衡量顧客偏好對於企業來說很重要，因為它可以促進企業在產品改進、新產品開發、定價、市場區隔、定位及廣告方面的計畫與決策

運用社群媒體資料進行顧客偏好衡量(2/2)

35

顧客偏好衡量之傳統方法

• 傳統的顧客偏好衡量方法通常採用聯合分析(conjoint analysis)方法，藉由問卷調查(surveys)或實驗(experiments)來收集消費者的偏好


– 資料收集過程耗時且成本高

– 樣本數量有限

– 在問卷調查中要評估許多不同的產品特徵是相當困難

– 衡量和比較不同消費者族群(如性別、顧客喜好)的偏好模型之可行性不高

36

運用社群媒體資料進行顧客偏好衡量之方法－前處理(Preprocessing) (1/2)

Xiao, S. Wei, C., & Dong, M. (2016). Crowd Intelligence: Analyzing online product reviews for preference measurement. Information & Management, 53, 169-182.

37

運用社群媒體資料進行顧客偏好衡量之方法－前處理(Preprocessing) (2/2)


x1pro

r1

r2

…

rk

1

0

…

0

x1con x2pro x2con … xipro xicony: product

rating

0

1

…

0

0

0

…

0

1

0

…

1

1

0

…

1

0

1

…

0

5

1

…

4

Review

38

運用社群媒體資料進行顧客偏好衡量之方法－分析模型(Analytical models)

• 卜瓦松迴歸模型(Poisson regression model, PRM)

• 負二項迴歸模型(Negative binomial regression model, NBRM)

• 基礎的有序選擇模型(Basic ordered choice model, BOCM) (Decker &Trusov, 2010)

• 修正過的有序選擇模型(Modified ordered choice model, MOCM) (Xiao et al., 2016)

References: Decker, R., and Trusov, M. (2010). Estimating aggregate consumer preferences from online product

reviews. International Journal of Research in Marketing, 27(4), 293-307.Xiao, S. Wei, C., & Dong, M. (2016). Crowd Intelligence: Analyzing online product reviews for

preference measurement. Information & Management, 53, 169-182.

39Xiao, S. Wei, C., & Dong, M. (2016). Crowd Intelligence: Analyzing online product reviews for preference measurement. Information & Management, 53, 169-182.

Econometricmodel

修正後的有序選擇模型(MOCM)

x1pro

r1

r2

…

rk

1

0

…

0

x1con x2pro x2con … xipro xicony: product

rating

0

1

…

0

0

0

…

0

1

0

…

1

1

0

…

1

0

1

…

0

5

1

…

4

Review

40

範例－智慧型手機之顧客偏好衡量

Distribution of Features Discussed in 2425 Reviews


41

…

…

範例－智慧型手機之顧客偏好衡量

Parameter Estimates

Feature Classification Map

PerformanceFeatures

Must-beFeatures

ExcitementFeatures


運用社群媒體分析進行品牌聯想分析(brand association analysis)

43

• 品牌形象聯想(brand image associations)或簡稱品牌聯想(brand associations)是消費者記憶中對於品牌的認知(perceptions)、偏好與選擇

• 品牌聯想包含從產品屬性到與品牌相關聯的人、地點和場合的認知

運用社群媒體分析進行品牌聯想分析

John, D. R., Loken, B., Kim, K., & Monga, A. B. (2006). Brand concept maps: A methodology for identifying brand association networks. Journal of Marketing Research, 43(4), 549-563.

44

萃取與分析消費者觀點的品牌聯想的效益

• 對於企業而言

– 提升行銷活動的效率與有效性

– 幫助評估品牌權益(brand equity)

– 支援品牌延伸(brand extension)相關的決策

45

傳統的品牌聯想萃取方法(1/2)

• 傳統的品牌聯想萃取方法主要仰賴問卷調查(survey)，來建構消費者心中的品牌聯想網絡

• 可分為三個主要階段：

– 啟發(Elicitation)：要求每位參與者回想並選出印象深刻的品牌聯想

– 對應(Mapping)：要求每位參與者分別建構聯想間的關係(如聯想與品牌間的關係、聯想間的關係)，並產生個別的品牌聯想網絡

– 整合(Aggregation)：整合這些個別的品牌聯想網絡，以建立一個共識的網絡

46

傳統的品牌聯想萃取方法(2/2)


– 資料收集過程耗時且成本高

– 樣本數量非常有限

– 針對不同消費者族群萃取相關的品牌聯想網絡將非常困難

– 難以進行長時間品牌聯想網絡的定期監控與分析

47

運用社群媒體資料進行品牌聯想萃取之方法(1/6)

聯想萃取(Association extraction)

喜好度判定與聯想分群(Favorability

identification and association grouping)

鍵結權重衡量(Link weighting)

品牌聯想網絡視覺化(Visualization of

brand association network)

聯想選擇(Association selection)


48


• 聯想萃取(Association extraction)：此步驟包含詞性標記(POS tagging)、停用詞移除(stopwordremoval)與詞形還原(lemmatization)。我們認為品牌聯想包含形容詞、名詞、形容詞+名詞、形容詞+TO+動詞不定式。產品評論中符合上述詞性之字詞成為候選的品牌聯想(candidate brand associations)– 形容詞: inexpensive

– 名詞: silver

– 形容詞+名詞: good gas mileage, neat color

– 形容詞+TO–動詞不定式: easy to park, fun to drive

49


• 喜好度判定與聯想分群(Favorability identification and association grouping)

– 為了識別一個聯想的情感態度，我們首先尋找在聯想字詞內或附近的形容詞，利用事前建構的特定領域的情緒字典，進行聯想的情感分析

– 針對「形容詞+名詞」與「形容詞+TO+動詞不定式」，我們將具有相同情感極性的形容詞+相同名詞(或動詞不定式)分到同一群集中，且使用頻率最高的形容詞作為代表詞

50


• 聯想選擇(Association selection)

– 我們首先針對每個聯想進行共識檢查(consensus check)，一個聯想的共識程度是指多少比率的產品評論同時提到此聯想(例如，要求至少要20%)

– 接著，我們衡量每個品牌聯想鍵結的強度(例如，使用 TF、TFIDF、TFICF)，然後使用所有品牌中所有聯想鍵結強度的平均值(或平均值加減一個標準差)作為門檻，來為每個品牌選出具代表性的品牌聯想

51


• 假設所有品牌的產品評論共有1000篇(即Nr = 1000)和品牌的總數為10個(即Nb = 10)

• 我們更進一步假設一個聯想ti在目標品牌bj相關的評論中共出現了50次(即TFij = 50)，ti總共出現在三個品牌(即CFi = 3)的600篇評論(即DFi = 600)中

• 因此，ti跟bj的連結強度關係是:– TF (term frequency): TFij = 50

– TFIDF (TF inverse document frequency) :TFijIDFi= 50log2(Nr/DFi) = 50log2(1000/600) = 36.85

– TFICF (TF inverse category frequency): TFijICFi= 50log2(Nb/CFi) = 50log2(10/3) = 86.85

52


• 鍵結權重衡量(Link weighting)：此步驟使用了下列權重方法之一(TF、TFIDF或TFICF)來衡量每個聯想鍵結的權重

• 品牌聯想網絡視覺化(Visualization of brand association network)：此步驟將萃取出來的品牌聯想網絡視覺化

53

品牌聯想網絡範例－Airlines

This analysis is based on 21,620 reviews about the top 50 airlines (in 2015) collected from SkyTrax.com.

S: Singapore AirlineC: China Southern AirlinesA: AirAsiaE: EmiratesV: Virgin AmericaEVA: Eva Airline

54

品牌聯想分析之應用(1/3)

• 我們根據從線上產品評論中萃取出來的品牌聯想網絡，建立一個品牌權益預測模型(brand equity prediction, BEP)，此預測模型的自變數包括：

– 評論的總數

– 產品平均評分

– 品牌聯想的總數

– 正面品牌聯想的總數

– 品牌聯想的獨特性

– 等等

上述的品牌權益預測模型，總共包含8個自變數

55


• 資料集合

– 從SkyTrax.com的網站中收集航空公司相關的評論(2013-2016)

– 英國及美國市場中的航空公司品牌權益資料是從BrandZTM資料庫中取得，在BrandZTM 中，品牌力量(brand power)指的是品牌權益

Total UK US

Number of observations 85 59 26

Number of brands 25 18 15

Number of reviews 7437 5315 2122

Brand equity (min, max) (26, 308) (34, 308) (26, 303)

Brand equity (average) 105.67 105.05 107.08

56


Algorithms R2 MAE RMSE

Linear Regression (LR) 47.88% 39.23 53.00

Support Vector Machine (SVM) 40.38% 38.28 56.67

Random Forest (RF) 50.47% 36.98 51.65

Model Tree (MT) 39.18% 41.06 57.23

57

整體技術挑戰

• 改善情感分析的準確度，包含產品特徵萃取和情感態度辨認

• 提升產品特徵分群(product feature grouping)的準確度(例如影像解析度與相片品質指的是同一個產品特徵)

• 擴展到多語言(multilingual)情感分析

• 開發偵測假評論與假評論作者(fake review and reviewer detection)的技術

58

結論

• 社群媒體在行銷智慧已經有非常好的起始(也就是我們可以透過情感分析來進行網路輿情分析與社群聆聽)

•除了網路輿情分析與社群聆聽之外，我們還可以從社群媒體資料中萃取出那些額外的行銷智慧?

– 市場結構分析

– 顧客偏好衡量

– 品牌關聯分析

– 還有什麼?

社群媒體分析與行銷智慧 (social media analytics for marketing...

Documents