我的競爭優勢？ 視覺化口碑定位雷達圖輕鬆搜出來！（附實現程式碼）
企業競爭者的調查方式 vs 網路特性
企業的品牌以及形象，是企業一向非常重要的無形資產，沒有一個企業會忽視他的重要性，尤其會與其競爭者相互比較，知道自己在市場上的位置。一般調查的方式，都以問卷的方式居多，但由於社會形態的改變，用問卷調查競爭者的方式，漸漸產生了幾個缺點：
- 隱私權的興起，問卷填寫率越來越難掌控
- 網路問卷填寫者大多因為獎品而隨意亂填
- 填寫問卷時，因題目而有所侷限，所以無法充分顯示非結構化文字的意涵
- 每做一次問卷，必須要花費不少成本
- …
諸如此類的問題，嚴重影響了結果的準確性。讀者可發現問卷在動態競爭的環境中較不易發揮即時快速的特性，更遑論網路輿情言論滿天飛的21世紀。
（但這並不代表問卷一無是處，在調查特定特徵市場區隔變數時或特定問題時，是有可用之處的，詳情可以參考行銷研究、資料庫行銷與行銷資料科學之比較-1）
反觀網路世界，大多數的人都將想法以及討論，放到網路上了，因為網路有匿名的特性，每個人可以不受心理壓力的狀況下，忠實的表達心中的想法， 而這網路輿情，對企業便是把雙面刃。好的行銷手法，可造就大量的銷售業績，但一旦有流言蜚語，便可能壞事傳千里。
網路輿情如同雙面刃，好事、壞事傳得快，但相對的，企業也能更快速使用行銷資料科學技法，取得快速的網路輿情資訊
如何及時觀察網路輿情「雙面刃」?
本文將帶領讀者，透過網路輿情分析，找到自己品牌在網路上的「定位」。這時，我們可簡單透過「定位圖」的概念，抵禦雙面刃帶給我們的外部效益與成本。
實務上，企業在繪製定位圖時，「屬性的確認」與「屬性的衡量」是最大的挑戰。好的屬性有機會協助企業找到新的定位。而屬性的衡量，一般是透過行銷研究或內外部資料分析的方式來進行，例如︰透過問卷調查的方式來收集消費者的資料，進而找出重要特性。只是，問卷調查工具有其限制，成本、時效、樣本接觸…等，都是可能的限制。
當行銷資料科學出現後，除了傳統的行銷研究工具，行銷人員還多了行銷資料科學工具可以使用。我們可以透過網路爬文工具，將消費者在網路上談論公司產品（品牌）、競爭者產品（品牌）的文章進行擷取。再透過分析工具，對這些文章進行分析， 了解該目標市場討論的屬性為何？重視的屬性為何？並且在這些屬性上，顧客對各競爭者屬性的知覺狀況。
透過資料科學工具，我們可以彌補以下幾項實務定位上常見的缺失:
- 定位衝突：所欲達成的定位，出現相互衝突的訴求。例如：一家餐廳強調其擁有最好的食材、最好的服務、最低的價錢…，這些訴求本身相互衝突。便可透過消費者的輿情，了解我們跟其他餐廳定位到底差在哪裡。
- 認知不一致：公司的主管與員工對品牌定位的認知不同。透過消費者的輿情，由第三方認知客觀判斷公司所處定位。
- 混淆定位、區隔與廣告：分不清定位、區隔與廣告之間的關係，或是認為廣告訴求就是定位本身，訴求並不是公司說的算，要消費者說了算，廣告訴求打得再多，還是要看消費者心中相較於其他品牌來說，該訴求是否是消費者真正購買的因素。所以這時便要了解公司訴求相較於市場同業來說，是否真的被消費者所青睞。
實作開始! 視覺化口碑定位雷達圖
以下面的例子進行說明，我們以汽車品牌在網路論壇（PTT）上的網友討論，來做分析。
首先先將論壇汽車版上的所有資料都爬下來，當然包含文章內容，網友評論等，都是真實爬下來子資訊，但由於保護品牌，將品牌名稱做了代號處理，以下會以A、B、C、D、E、F、G、H，分別代表八個不同的汽車品牌。
品牌在PTT中的文章數量比較圖
首先，下圖是「品牌在PTT中的文章數量比較圖」，Y軸是文章聲量，X軸是各品牌名稱。我們可以看到B這個牌子在論壇中的文章數量是很高的，但這並不能代表他們的產品很棒，只能顯示這個品牌的聲量相較其他品牌來說，是非常高的。
所以這樣產品這樣倍受青睞，相信銷售業績也不錯吧！ 恩！？ 真的嗎？
但請注意，這個論壇的使用者年齡層大約在15～30歲上下，因此並不能代表整個的消費市場，等到這群人成長至購買能力強的中年，如還是呈現這樣的趨勢，便能代表整個市場的購買主力很有可能就在B牌中。雖然這群顧客僅是15～30歲的年輕人， 但這不代表這群年輕人不重要，因為每一家企業的顧客都會老，因此任何一個企業除了要留住老顧客，更要對年輕人訴說你的品牌，漸漸使年輕人成為支撐您公司最重要的支柱。
雖然以年輕族群來說，B牌的汽車可能不如預想的賺到大把鈔票但B牌等於在培養「下一代消費力強的顧客」
難道聲量代表一切嗎？ 難道沒有其他特別應注意的嗎？！ 當然有！讓我們來看看簡易的「情緒評價分析」部分吧！
品牌的正評/負評數量比較百分比
下圖是「品牌的正評/負評數量比較百分比」，Y軸為正負評價比例，如果藍色>0.5 ，代表有一半以上正評價多於負評價，反之，則是負面評價大於正面評價；X軸則是各品牌名稱。
為了要得知正負評價分析的結果，我們在此細分每一個評論，將每一個網友的留言分段後進行字詞的情緒評價分析，得到以下的結果，很明顯的可以看到，雖然B牌的聲量雖高，但就「好評的比例」來講，其實E牌才是有較多正面評價的品牌，相對的A牌和C牌正負面評價大概參半，也就是這兩品牌相較其他比較品牌來說，評價的部份就是需要改進的地方了。
正負評對於企業來說是關重要，負評如潮的企業可能面臨倒閉，而有口皆碑的企業則有可能在網路的時代更如魚得水。
恩… 看起來都不錯了，但是有沒有更細部、更明確一點的呈現/視覺化方式？
定位圖
這時定位圖正式出場！定位圖得呈現均為「品牌相對比較的概念」。
讓我們實際來看看何謂定位圖「相對比較的概念」！
下圖Y軸為情感評價分析（網路好感度）百分比；X軸為網路聲量，將聲量與網路好感度做一個交叉分析，很明顯的可看出每個品牌目前被網友定位在什麼樣的地方，兩條虛線分別為網路聲量與網路好感度的總體平均值，劃分成四個象限：
- 第一象限：討論度高且好感度高，是網友心目中最理想的品牌，以兩軸平均值來看，發現此區並無一牌，顯示要達到理想品牌的各家汽車品牌還要更加油。
- 第二象限：討論度低但好感度高，是網友好感度上，稱頌的好品牌，不過聲量卻不比同業，例如D與E牌，好感度雖高，但是該兩品牌應該要多多努力加強網路上的討論度。
- 第三象限：討論度低且好感度低，是網友最不理想品牌，G、F、H品牌落在此區域，表示討論度與好感度要好好加強。
- 第四象限：網路聲量高，但是好感度低，是網友討論度高，但是負面爭議相較也較多，這些品牌有A、C、B，不過仔細觀看，這些品牌的好感度雖然小於第二象限的D與E牌，但正面評價都有>0.5，代表雖然相較他牌來說，A、C、B牌正評較差，但是還是高於負評！ 所以可說A、C、B在聲量與好感度皆有不錯的成就，而應要加強的是他們可以聽聽顧客的需求，讓他們對這個品牌更加滿意，以讓這群年輕顧客好成為未來的主要顧客。
定位圖更容易將兩個變數交叉分析，變成人更容易看得懂的比較圖
雷達圖
雷達圖在視覺化中，可以多維度的方式展示各種品牌屬性，也因此，雷達圖在自然語言分析中，便是一非常好理解的「多維度定位圖」。而雷達圖上的特徵分數則是使用Glove深度學習模型評估產品與字詞之間的詞向量（權重），再使用Cosine Similarity找出與該產品與最相關的字詞距離，再以相關係數表明之，舉例來說：當提到行銷資料科學粉絲專頁，與該品牌最相關的字詞就有可能是「行銷」、「機器學習」等。
會使用Glove的方式來評估，便是因為我們要在大量的文本中僅可能考量到文字語意間的關係（Semantic meaning），讓僅可能不遺漏與該品牌相關的字詞。
還是不懂嗎？ 讓我們以真正的實例來做給您看！
為了圖表的整潔度，圖中我們試著將兩象限的B、C、G三個品牌放入雷達圖中。這邊要請讀者特別注意，這個雷達圖並不代表產品真正的狀況，而是以網友對品牌認知的角度去看，因此假如您的品牌的訴求且號稱是最省油，但經過網友「嚴格」的評論下，卻可能不是這一回事，那您的品牌便可以依照消費者對品牌的認知，一方面進行調查，一方面在這方面下工夫。
回到下圖的實例分析，我們可以看出B和C牌的特徵分數幾乎是旗鼓相當的，但很明顯可以區分G的特徵分數較低，G在馬力、省油、扭力的部分，在消費者眼中，幾乎都沒有與該品牌相關，因此並沒有數值，那該品牌是不是可以在這幾個部分作升級或者包裝，以獲得更大的利益， 讓網友對這個品牌認知更完整。
雷達圖上的特徵也可以當汽車產業的「需求探勘」圖表喔！
另外，這張雷達圖也可以當汽車產業的「需求探勘」圖表，我們發現，在煞車上，僅有G牌明顯勝出，可見顧客對G的煞車情有獨鍾，如果B牌發現自己的消費者非常重視煞車功能，且對此一直有所輿論，B牌的下一個「潛在需求」便可能是「煞車性能」的改善，以滿足B牌顧客的需求，創造更多的商業利益。
本雷達圖採用NLP深度學習Glove 模型，找出B、C、G在每一個字詞上的關聯性，關聯性越高，相關係數越高，代表該品牌常與該關鍵字詞論及相關
- 但是… 難道我們在定位中所看到的這些特徵變數（如：性能、扭力等），僅能使用專家知識來做判斷？
- 難道這些專家知識對營收一定會有影響嗎？
- 市場定位還有其他的面向？
敬請期待！ 目標市場特徵選擇
所以在下一章節，我們會使用「機器學習」模型找出在「定位上」可以拿來使用的重要特徵變數，不但節省市場定位上專家或自己挑選特徵變數上的時間，而且挑選出來的特徵變數同樣對Y變數（營收、點擊率、銷售）有影響，如此，進行市場定位才真正能夠打中顧客核心，找出顧客真正care的特徵值，以精進與改善，增加更多企業利益。
當然，在市場定位的延伸上，我們會更深層一步探討定位圖對企業利益的影響，同時從龐雜的資料海中，找出為可能的需求處女地。
往後的文章都會持續在行銷資料科學粉絲專頁上發表喔！
再請大家多多follow我們的粉絲專頁：行銷資料科學
Enjoy Marketing Data Science!
作者：
鍾皓軒（臺灣行銷研究有限公司 共同創辦人）
楊超霆（臺灣行銷研究有限公司 資料科學研發工程師）
鍾皓軒（臺灣行銷研究有限公司 共同創辦人）
楊超霆（臺灣行銷研究有限公司 資料科學研發工程師）
留言
張貼留言