开源技术 * IBM 微讲堂:Kubeflow 系列(观看回放 | 下载讲义) 了解详情

发现隐藏的 Facebook 使用洞察

本 Code Pattern 是自然语言处理入门学习路径的一部分。

摘要

结合使用 Jupyter Notebook、Cognos Dashboard Embedded 和 IBM Watson™ Natural Language Processing 的强大功能,从海量的非结构化 Facebook 数据中收集有用的市场营销洞察。为帮助提升品牌认知度、产品性能、客户满意度及受众参与度,我们将从 Facebook Analytics 导出内容中获取数据,通过 Watson Visual Recognition 和 Natural Language Understanding 扩充这些数据,并创建交互式图表来展示结果。感谢 Anna Quincy 和 Tyler Andersen 提供最初的 Notebook 设计。

概览

首先从 Facebook Analytics 中导出数据,然后使用 Watson API 扩充这些数据。

使用扩充后的数据来回答如下问题:

  • 在参与度最高的帖子中,哪种情绪最普遍?
  • 哪种情感的平均参与度分数更高?
  • 您的帖子中最常见的关键字、实体和对象是什么?

这些类型的洞察对于想要了解和提升品牌认知度、产品性能、客户满意度和受众参与度的营销分析师来说很有帮助。值得注意的是,本 Code Pattern 旨在用作指导性实验,而不是用作具有一组输出的应用程序。

标准的 Facebook Analytics 导出内容包含来自帖子、文章和缩略图的文本,以及标准的 Facebook 性能指标(例如,点赞量、分享量和观后感)。可以使用 Watson API 扩充这些非结构化内容,以提取关键字、实体、情绪和情感。

使用 Watson API 扩充数据后,可以使用多种方式来分析这些数据。Watson Studio 提供了一种可浏览 Facebook 内容的强大而灵活的方法。

本 Code Pattern 提供了 Facebook 模拟数据和一个 Notebook,并附带了一些预先构建的可视化,可帮助您开始发掘隐藏的洞察。学完本 Code Pattern 后,您将掌握如何:

  • 使用 Watson Studio Object Storage 和 pandas DataFrame 将外部数据读入 Jupyter Notebook 中。
  • 使用 Jupyter Notebook 以及 Watson Visual Recognition 和 Natural Language Understanding 来扩充非结构化数据。
  • 使用 Cognos Dashboard Embedded 浏览数据并可视化洞察。

流程

流程

  1. 将从 Facebook Analytics 导出的 CSV 文件添加到 IBM Cloud Object Storage 中。
  2. 生成的代码将该文件作为 pandas DataFrame 提供,并使其可供访问。
  3. 使用 Watson Natural Language Understanding 扩充数据。
  4. 使用 Watson Visual Recognition 扩充数据。
  5. 使用仪表板可视化扩充后的数据并发掘隐藏的洞察。

操作说明

准备好实践本 Code Pattern 了吗?参阅 README 文件,获取有关如何开始运行和使用此应用程序的完整详细信息。

结束语

本 Code Pattern 展示了如何结合使用 Jupyter Notebook、IBM Watson 服务、Cloud Object Storage 和仪表板,从海量的非结构化 Facebook 数据中收集有用的市场营销洞察。本 Code Pattern 是自然语言处理入门学习路径的一部分。

本文翻译自:Discover hidden Facebook usage insights(2020-07-27)