【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
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

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
代理式商務連動百兆商機
© 2026 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