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）
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| #匯入爬下來的資料 | |
| brand_df_2=readRDS("brand_df_2.rds") | |
| ######################## library ############################## | |
| suppressPackageStartupMessages({ | |
| library(httr) | |
| library(data.table) | |
| library(stringr) | |
| library(rvest) | |
| require(jiebaR) | |
| require(data.table) | |
| library(tidyverse) | |
| library(plotly) | |
| }) | |
| ######################## 繪圖 ############################## | |
| #使用聚集函數將數據從寬數據轉換為長數據 | |
| brand_df_2_tmp <- brand_df_2 %>% gather("item", value, -1:-4) | |
| brand_df_2_tmp_2 <- brand_df_2 %>% | |
| group_by(brand_name, article_count, rec,positive, negative) %>% | |
| summarise(sum=sum(positive, negative)) %>% mutate(pct=positive/sum * 100) | |
| #權重 | |
| brand_df_2_tmp_2$trn=scale(brand_df_2_tmp_2$rec)*brand_df_2_tmp_2$pct | |
| #設置繪圖的主題 | |
| howard_theme <- function(base_size = 12, base_family = "sans"){ | |
| theme_minimal(base_size = base_size, base_family = base_family) + | |
| theme( | |
| axis.text = element_text(size = 12), | |
| axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 0.5), | |
| axis.title = element_text(size = 14), | |
| panel.grid.major = element_line(color = "grey"), | |
| panel.grid.minor = element_blank(), | |
| panel.background = element_rect(fill = "aliceblue"), | |
| strip.background = element_rect(fill = "navy", color = "navy", size = 1), | |
| strip.text = element_text(face = "bold", size = 12, color = "white"), | |
| legend.position = "right", | |
| legend.justification = "bottom", | |
| legend.background = element_blank(), | |
| panel.border = element_rect(color = "grey", fill = NA, size = 0.5), | |
| title = element_text(size = 20), | |
| plot.caption=element_text(size = 10) | |
| ) | |
| } | |
| theme_set(howard_theme()) | |
| attach(brand_df_2) | |
| # 正面評價較多的品牌 | |
| ggplot(brand_df_2, aes(reorder(brand_name, -positive), positive, fill = brand_name)) + | |
| geom_bar(position = "dodge", stat="identity", width = 0.8) + | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| theme(legend.position = "none") + | |
| labs( x = "品牌名稱", | |
| y = "正面評價數量", | |
| title = "正面評價較多的品牌", | |
| caption = "數據來源: PTT汽車板") | |
| # 負面評價較多的品牌 | |
| ggplot(brand_df_2, aes(x = reorder(brand_name, -negative), y = negative, fill = brand_name)) + | |
| geom_bar(position = "dodge", stat="identity", width = 0.8) + | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| theme(legend.position = "none") + | |
| labs( x = "品牌名稱", | |
| y = "負面評價數量", | |
| title = "負面評價較多的品牌", | |
| caption = "數據來源: PTT汽車板") | |
| # 品牌在PTT中的文章數量比較圖 | |
| ggplot(brand_df_2, aes(reorder(brand_name, -article_count), article_count, fill = brand_name)) + | |
| geom_bar(position = "dodge", stat="identity", width = 0.8) + | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| theme(legend.position = "none") + | |
| labs( x = "品牌名稱", | |
| y = "品牌在PTT中的文章數量", | |
| title = "品牌在PTT中的文章數量比較圖", | |
| caption = "數據來源: PTT汽車板") | |
| # 品牌的正評/負評數量比較圖 | |
| ggplot(brand_df_2_tmp, aes(reorder(brand_name, -article_count), value, fill = item)) + | |
| geom_bar(stat = "identity",position = "dodge", width = 0.8)+ | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| scale_fill_discrete(name="評價狀況", | |
| breaks=c("negative", "positive"), | |
| labels=c("負評價", "正評價"))+ | |
| labs( x = "品牌名稱", | |
| y = "品牌的正評/負評數量", | |
| title = "品牌的正評/負評數量比較圖", | |
| caption = "數據來源: PTT汽車板") | |
| # 品牌的正評/負評數量比較百分比 | |
| ggplot(brand_df_2_tmp, aes(reorder(brand_name, -article_count), value, fill = item)) + | |
| geom_bar(stat = "identity",position = "fill", width = 0.8)+ | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| scale_fill_discrete(name="評價狀況", | |
| breaks=c("negative", "positive"), | |
| labels=c("負評價", "正評價"))+ | |
| labs( x = "品牌名稱", | |
| y = "品牌的正評/負評數量百分比", | |
| title = "品牌的正評/負評數量比較百分比", | |
| caption = "數據來源: PTT汽車板") | |
| # 正評價分數比較圖 | |
| ggplot(brand_df_2_tmp, aes(reorder(brand_name, -rec),y = rec,fill = brand_name)) + | |
| geom_bar(stat = "identity",position = "dodge", width = 0.8)+ | |
| theme(axis.text.x = element_text(angle = 35, color="black"))+ | |
| theme(legend.position = "none") + | |
| labs( x = "品牌名稱", | |
| y = "正評價分數", | |
| title = "正評價分數比較圖", | |
| caption = "數據來源: PTT汽車板") | |
| ######################## 未縮放的定位圖 ############################## | |
| #聲量與好感度分佈圖 | |
| ggplot(data=brand_df_2_tmp_2, aes(x = article_count , y = pct, colour = brand_name)) + | |
| geom_point(aes(size = rec, colour =brand_name )) + | |
| geom_text(aes(label=brand_name), size = 3, hjust=.5, vjust=-.99) + | |
| geom_vline(xintercept=mean(brand_df_2_tmp_2$article_count), lty=2) + | |
| geom_hline(yintercept=mean(brand_df_2_tmp_2$pct, na.rm = T), lty=2) + | |
| theme(legend.title=element_blank())+ | |
| labs(x = "網路聲量",y = "網路好感度", | |
| title = "聲量與好感度分佈圖", | |
| caption = "數據來源: PTT汽車板") |
留言
張貼留言