Por: Mark Sturdevant, Anna Quincy, Tyler Andersen
Atualizado em: 23 de julho de 2020 | Publicado em: 27 de julho de 2017
Resumo
Combine o poder de um Jupyter Notebook, do Cognos Dashboard Embedded e do processamento de linguagem natural IBM Watson™ para obter insights úteis de marketing a partir de um vasto corpo de dados não estruturados do Facebook. Para ajudar a melhorar a percepção de marca, o desempenho de produtos, a satisfação dos clientes e o envolvimento do público, obtenha dados exportados do Facebook Analytics, enriqueça-os com o Watson Visual Recognition e Natural Language Understanding e crie gráficos interativos a fim de delinear suas descobertas. Os créditos vão para Anna Quincy e Tyler Andersen por fornecerem o design inicial do notebook.
Descrição
Começamos com dados exportados do Facebook Analytics e os enriquecemos com APIs do Watson.
Usaremos então os dados enriquecidos para responder a perguntas como:
Qual sentimento é o mais prevalente nas postagens com o desempenho de engajamento mais alto?
Qual emoção tem, em média, a pontuação de engajamento mais alta?
Quais são as palavras-chave, entidades e objetos mais comuns em suas postagens?
Esses tipos de insights são benéficos para analistas de marketing que estão interessados em compreender e melhorar a percepção de marca, o desempenho de produtos, a satisfação dos clientes e o envolvimento do público. É importante observar que esse padrão deve ser utilizado como um experimento guiado, em vez de um aplicativo com uma saída definida.
A exportação padrão do Facebook Analytics apresenta textos de postagens, artigos e miniaturas, além de métricas de desempenho padrão do Facebook, como curtidas, compartilhamentos e impressões. Esse conteúdo não estruturado é então enriquecido com APIs do Watson a fim de se extrair palavras-chave, entidades, sentimento e emoção.
Depois que os dados são enriquecidos com APIs do Watson, há várias maneiras de analisá-los. O Watson Studio fornece um método robusto, mas flexível, de explorar o conteúdo do Facebook.
Esse padrão fornece dados simulados do Facebook, um bloco de notas e vem com várias visualizações pré-construídas para que você comece a descobrir insights ocultos. Ao completá-lo, você entenderá como:
Ler dados externos em um Jupyter Notebook por meio do Watson Studio Object Storage e do pandas DataFrame.
Enriquecer os dados não estruturados utilizando um Jupyter Notebook e o Watson Visual Recognition and Natural Language Understanding.
Usar o Cognos Dashboard Embedded para explorar dados e visualizar insights.
Fluxo
Um arquivo CSV exportado do Facebook Analytics é adicionado ao Armazenamento de Objeto;
O código gerado torna o arquivo acessível como um pandas DataFrame;
Os dados são enriquecidos com o Watson Natural Language Understanding;
Os dados são enriquecidos com o Watson Visual Recognition;
Utilize um painel para visualizar os dados enriquecidos e descobrir insights ocultos.
Instruções
Pronto para colocar esse padrão de código em uso? Os detalhes completos sobre como começar a executar e usar este aplicativo estão no arquivo README.
Conclusão
Este padrão mostrou como combinar um Notebook Jupyter, serviços IBM Watson, Cloud Object Storage e painéis para a obtenção de insights de marketing úteis de um vasto corpo de dados não estruturados do Facebook. O padrão faz parte do caminho de aprendizagem Introdução ao processamento de linguagem natural.
...
Quer ler mais conteúdo especializado de programação? Conheça o IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!
…..
Quer dar o próximo grande passo na sua jornada profissional? Participe do Cloud Training, um curso online e gratuito que vai te preparar para o exame da certificação IBM Cloud Foundations. Inscreva-se já!
