【專欄】選舉後思考題:你查的輿情有參考價值嗎?
【專欄】選舉後思考題:你查的輿情有參考價值嗎?

看到這篇文章時,2022年的九合一選舉已經落幕了。許多品牌作為網路行銷的參考,會定時搜集網路聲量,無論是人工收集、跟供應業者購買帳號或報告,網路聲量和品牌發展息息相關,掌握網路的脈動變得至關重要。

談到選舉,候選人必然的功課是走上街頭親近選民、宣傳政見或過往政績,我們說這是傳統的陸戰∕地面戰,近年因選舉型態的改變,空戰(指網路宣傳與攻防)也扮演相當大比重,凸顯了政治上的聲量(俗稱輿情)作為報告的參考價值。不論是候選人自己會經營社群和選民溝通,甚至有些政治攻防的第一戰場就在社群網路上,社群影響力、風向和公關形象的打造,更為細緻和講求效率。

但是大家手上都有工具,查來查去,輿情真的有參考價值,甚至能改變決策嗎?

每2年,總是會有些選舉人根據手上的輿情,向我工作的公司購買數位廣告,這裡提供幾個思考點。

輿情起手式:像一般的行銷模式,先決定受眾對象

查輿情不是範圍愈大,或涵蓋愈多競爭對手最好。

跟一般行銷一樣,受眾才是輿情的重點,講得更直白一點:受眾是手上有選票或者能影響有選票的人。選縣市長跟選縣市議員,受眾不只是規模差異,更有集中度的考量。但我發現很多黨部、競選團隊對於輿情的查詢都是沒有任何差別的,產出報告就好。

假設有一個比較偏鄉的縣市議員,根據輿情發現某論壇有酸民攻擊他,他該採取什麼行動?

首先要判斷,這個論壇都是誰在看?若是一個在地人經常閱讀的論壇板塊,那就要立即因應;若不是,就拿幾個意見領袖做樣本,看他們平時還出入哪些地方,可能會發現這些攻擊者,根本不是選區的民眾,而可能是競爭對手請來的網軍。
受眾不看的場合,再怎麼敲鑼打鼓,都是跑錯場子,根本不用搭理。

在這裡就能知道:決定資料板塊,長期去追蹤才有效率。

過濾多餘資料板塊,再決定怎麼搜尋

排除不需要的資料板塊,可以讓報告容易閱讀。有些板塊受眾集中度太高,來來去去都是同批人,那還不如只注意有擴散性的。

搜尋方式也是學問,除了一般搜尋,更可以排除憎惡∕喜愛之後的結果,去分類這些發文管道的立場,並用社群群組區分。

比方說,某黨部想要了解候選人的負面新聞會有多大影響,我把跟黨部類似立場的幾十個粉專列為一個群組,反對立場的幾十個粉專列為另一個群組,然後在搜尋中排除了這兩群組,如果看到負面值特別高,要判斷候選人在這個選區的情勢:是不是需要中間選民的支持?

有許多地方的候選人,資料少得可憐,常常總統或者黨主席來站台,就是輿情報告上的高峰了,候選團隊還因此沾沾自喜。但是這個高峰就純粹新聞媒體的曝光而言,互動性不佳,並不會真正帶來空戰方面的優勢,反而因為這幾個高峰沒有被排除,就看不到這段時間到底進步多少、跟競爭對手的差距在哪裡。

台北市長候選人蔣萬安
台北市長候選人蔣萬安運用不同 Hashtag 將社群貼文分類,讓粉絲能快速掌握貼文的重點。
圖/ 蔣萬安 Facebook

因應關鍵:正確解讀和採取行動

競選總部人人手上一份報告,怎麼解讀以及採取行動又是一回事。

許多候選人發文很多,乍看之下也很多互動,所以就解讀為有熱度了,殊不知發一些宣傳美照,互動只有好美好帥跟支持,沒有深度更無法擴散。應該要及時改變發文內容,改為個人故事、政見思考,或發人省思的政績等深度互動和可擴散的內容。

負面批評也是,要怎麼採取行動,得要正確解讀。看到對手的批評,團隊可以觀察對手是否是一手消息,底下留言是否有備而來的聲援者,再決定對應的行動。

觀察最近一段時間的文字雲,可以知道和其他人事物的關聯,有位候選人將文字雲中一小塊批評自己的負面聲量,轉換為對女性的外在價值回應,成功引來媒體的中立報導,帶來一些新的在地粉絲聲援,就是很成功的行動。

選舉文字雲
文字雲提供:QSearch 將提及三位北市候選人的Facebook、Instagram、Youtube、論壇、新聞媒體等媒體文章進行斷詞分析後,再根據個別文章獲關注程度計算出議題關鍵詞的大小。資料時間:2022/10/10-2022/11/09
圖/ QSearch

總結來說,不管是對中央或地方黨部來說,選後對於輿情的反思,是對未來選戰的重要參考,切勿沉浸在當選的喜悅或落選的失意當中,放掉能學習精進的好機會。

責任編輯:傅珮晴、蘇柔瑋

往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓