Lees dit in andere talen: 한국어.

Dit patroon maakt deel uit van de Ga aan de slag met natuurlijke taalverwerking leerweg.

Samengevat

Combineer de kracht van een Jupyter Notebook, Cognos Dashboard Embedded en IBM Watson™ natuurlijke taalverwerking om bruikbare marketinginzichten te verzamelen uit een enorme hoeveelheid ongestructureerde Facebook-gegevens. Om de merkperceptie, productprestaties, klanttevredenheid en betrokkenheid van het publiek te helpen verbeteren, kun je gegevens uit een Facebook Analytics-export halen, deze verrijken met Watson Visual Recognition en Natural Language Understanding en interactieve grafieken maken om je bevindingen te schetsen. Alle eer gaat naar Anna Quincy en Tyler Andersen voor het leveren van het eerste notebookontwerp.

Omschrijving

We beginnen met data geëxporteerd vanuit Facebook Analytics en verrijken die data met Watson API's.

We zullen de verrijkte data gebruiken om vragen te beantwoorden als:

• Welk sentiment komt het meest voor in de posts met de hoogste betrokkenheidsprestaties?
• Welke emotie heeft gemiddeld de hoogste betrokkenheidsscore?
• Wat zijn de meest voorkomende trefwoorden, entiteiten en objecten in uw berichten?

Dit soort inzichten zijn gunstig voor marketinganalisten die geïnteresseerd zijn in het begrijpen en verbeteren van merkperceptie, productprestaties, klanttevredenheid en betrokkenheid van het publiek. Het is belangrijk op te merken dat dit patroon bedoeld is om te worden gebruikt als een geleid experiment, in plaats van een toepassing met één ingestelde uitvoer.

De standaard Facebook Analytics-export bevat tekst uit berichten, artikelen en miniaturen, samen met standaard Facebook-prestatiestatistieken, zoals likes, shares en impressies. Deze ongestructureerde inhoud wordt vervolgens verrijkt met Watson API's om trefwoorden, entiteiten, sentiment en emotie te extraheren.

Nadat gegevens zijn verrijkt met Watson API's, zijn er verschillende manieren om deze te analyseren. Watson Studio biedt een robuuste maar flexibele methode om de Facebook-inhoud te verkennen.

Dit patroon biedt nep-Facebook-gegevens, een notitieboek en wordt geleverd met verschillende vooraf gebouwde visualisaties om u op weg te helpen met het blootleggen van verborgen inzichten. Wanneer u dit patroon voltooit, begrijpt u hoe u:

• Lees externe data in een Jupyter Notebook via Watson Studio Object Storage en panda's DataFrame.
• Verrijk ongestructureerde data met behulp van een Jupyter Notebook en Watson Visual Recognition en Natural Language Understanding.
• Gebruik Cognos Dashboard Embedded om gegevens te verkennen en inzichten te visualiseren.

Stroom

1. Een vanuit Facebook Analytics geëxporteerd CSV-bestand wordt toegevoegd aan Object Storage.
2. Gegenereerde code maakt het bestand toegankelijk als een pandas DataFrame.
3. De data is verrijkt met Watson Natural Language Understanding.
4. De data wordt verrijkt met Watson Visual Recognition.
5. Gebruik een dashboard om de verrijkte data te visualiseren en verborgen inzichten bloot te leggen.

Instructies

Klaar om dit codepatroon te gebruiken? Volledige details over hoe u aan de slag kunt gaan met het gebruik van deze applicatie vindt u in de README bestand.

Conclusie

Dit patroon liet zien hoe je een Jupyter Notebook, IBM Watson-services, Cloud Object Storage en dashboards kunt combineren om bruikbare marketinginzichten te verzamelen uit een enorme hoeveelheid ongestructureerde Facebook-gegevens. Het patroon maakt deel uit van de Ga aan de slag met natuurlijke taalverwerking leerweg.

Bron: https://developer.ibm.com/patterns/discover-hidden-facebook-usage-insights/