การฟังเสียงของสังคม Social Listening

หลายๆคนอาจจะเคยได้ยินคำว่า Social Listening หรือบางคนอาจจะไม่ค่อยคุ้นกับคำนี้เท่าไหร่ แต่ถ้าเป็น Social Media เกือบทุกคนจะรู้จักและใช้งานมาเป็นอย่างดี จาก Social Media ที่ทุกคนใช้งานกันจะมีข้อมูลดิจิทัลจากสื่อออนไลน์เป็นจำนวนมาก ไม่ว่าจะเป็นข้อความ บทความหรือรูปภาพต่างๆ แต่การเล่นโซเชียลมีเดียอย่างเดียวไม่สามารถทำให้เรารู้ข้อมูลรวมถึงอินไซท์ (insight) บางอย่างของทุกคนในโลกออนไลน์ได้ การรับรู้ปัญหาหรือการพัฒนาเมืองอัจฉริยะจะดีไม่น้อย ถ้าเราสามารถนำข้อมูลจาก Social Media ของคนในเมืองนั้น ๆ มาวิเคราะห์เพื่อรับรู้ปัญหา และเข้าใจความต้องการของประชาชนในพื้นที่ ส่งผลให้เกิดการแก้ไขปัญหาได้รวดเร็วและตรงจุด ซึ่งการจะทำแบบนี้ได้คงไม่สามารถใช้ Social Media เพียงอย่างเดียว แต่ต้องใช้เครื่องมืออื่นที่สามารถฟังเสียงของผู้คนบนโลกออนไลน์ได้ชัดเจนมากยิ่งขึ้น

หลายๆคนอาจจะเคยได้ยินคำว่า Social Listening หรือบางคนอาจจะไม่ค่อยคุ้นกับคำนี้เท่าไหร่ แต่ถ้าเป็น Social Media เกือบทุกคนจะรู้จักและใช้งานมาเป็นอย่างดี จาก Social Media ที่ทุกคนใช้งานกันจะมีข้อมูลดิจิทัลจากสื่อออนไลน์เป็นจำนวนมาก ไม่ว่าจะเป็นข้อความ บทความหรือรูปภาพต่างๆ แต่การเล่นโซเชียลมีเดียอย่างเดียวไม่สามารถทำให้เรารู้ข้อมูลรวมถึงอินไซท์ (insight) บางอย่างของทุกคนในโลกออนไลน์ได้ การรับรู้ปัญหาหรือการพัฒนาเมืองอัจฉริยะจะดีไม่น้อย ถ้าเราสามารถนำข้อมูลจาก Social Media ของคนในเมืองนั้น ๆ มาวิเคราะห์เพื่อรับรู้ปัญหา และเข้าใจความต้องการของประชาชนในพื้นที่ ส่งผลให้เกิดการแก้ไขปัญหาได้รวดเร็วและตรงจุด ซึ่งการจะทำแบบนี้ได้คงไม่สามารถใช้ Social Media เพียงอย่างเดียว แต่ต้องใช้เครื่องมืออื่นที่สามารถฟังเสียงของผู้คนบนโลกออนไลน์ได้ชัดเจนมากยิ่งขึ้น

ข้อมูลจาก Social จึงมีความสำคัญมากในการช่วยวางแผนและเป็นแนวทางในการตัดสินใจ เพื่อให้ตอบสนองความต้องการของประชาชนได้ทันท่วงที เพราะข้อมูลจาก Social มีทั้งความรวดเร็ว และมาจากความรู้สึกจริงๆ ของประชาชน ดังนั้นถ้าต้องการติดตามความรู้สึกและความต้องการของประชาชน โดยไม่พลาด insight ที่น่าสนใจ Social Listening คือคำตอบ ที่จะพาเมืองนั้นๆ ก้าวไปสู่การเป็นเมืองอัจฉริยะ [1]

ตัวอย่างของการฟังเสียงของสังคม Social Listening
จากที่ได้กล่าวนำไปเบื้องต้นแล้วว่า Social Listening คืออะไร และสำคัญอย่างไร ในหัวข้อนี้จะกล่าวถึงตัวอย่างและการนำระบบ Social listening ไปใช้งาน ในที่นี้จะขอยกตัวอย่างที่ในปัจจุบันมีการนำไปใช้กันในด้านการตลาดอย่างแพร่หลาย เช่น การใช้งานด้าน Brand Health คือการวิเคราะห์ว่าผู้บริโภคมีการรับรู้ถึงแบรนด์ของเรา (Brand Perception) อย่างไร และมี Sentiment ต่อแบรนด์ของเราในแง่บวก หรือลบอย่างไรบ้าง เราสามารถใช้ Social Listening Toolในการวิเคราะห์ได้ว่าหลังจากลูกค้าซื้อสินค้าหรือบริหารของเราไปแล้ว ลูกค้ามีความรู้สึกในแง่บวก หรือแง่ลบกับสินค้าของเราอย่างไรบ้าง ตัวอย่าง ต้องการหาว่าผู้ที่ซื้อหนังสือ “Marketing Technology พลิกโลกการตลาดด้วยมาร์เทค” มีความเห็นอย่างไรบ้างจากการใช้ Mandala Analytic เครื่องมือ Social Listening ของไทย กวาดหาจะพบว่ามีการถูกพูดถึง (Mention) หนังสือ 59 รายการ เราสามารถเจาะดูได้ว่าในทั้งหมด 59 รายการ มี Sentiment ในแง่ไหนบ้าง แสดงในรูปที่ 1 (บน) หรือนำมาวิเคราะห์ความสามารถในการแข่งขัน Competitive analysisเพื่อเปรียบเทียบว่า ระหว่างแบรนด์ของเรากับคู่แข่ง เมื่อเทียบกันใน Social Media แต่ละ Metric มีประสิทธิภาพต่างกันอย่างไรบ้าง แสดงในรูปที่ 1 (ล่าง)

รูปที่ 1 แสดงตัวอย่างการนำ Social Listening ไปใช้งาน [2]

การฟังเสียงของสังคมสำหรับเมืองอัจฉริยะ (Social Listening for Smart City)
จากหัวข้อที่กล่าวมาข้างต้นจะกล่าวถึงระบบ Social Listening ที่ใช้กันโดยทั่วไปที่เน้นไปทางด้านการตลาด ส่วนในโครงการ Social Listening for Smart City จะเน้นที่การนำระบบ Social Listening มาประยุกต์ใช้กับเมืองเพื่อให้ทราบถึง ความรูสึกของประชาชนในพื้นที่ว่ามีความรู้สึกเกี่ยวกับ Smart City อย่างไร ในส่วนแรกจะแนะนำถึงส่วนประกอบของระบบที่จะปรากฏในบทความนี้ก่อนว่าจะมีอะไรบ้าง และเล่าถึงผลลัพธ์ที่ได้รับจากการวิเคราะห์ว่าได้ผลลัพธ์อะไรบ้าง

เริ่มจากการทำงานแบบคร่าวๆ ของระบบ Social Listening ของ depa โดยตัวระบบจะทำการกวาด (Crawling) หรือรวบรวมข้อมูลความคิดเห็นของประชาชนทั่วไปจาก Social Media ยอดนิยมต่างๆเช่น Facebook, Instagram, Twitter และ YouTube เข้าไว้ด้วยกันเพื่อให้เราสามารถทราบได้ว่าหัวข้อ (Topic) หรือคำสำคัญ (Keyword) ที่ผู้คนสนใจ มีการถูกพูดถึง (Mention) ใน Social Network ไหนบ้าง และ Social Account ไหนบ้าง โดย Social Listening Tool ยังสามารถวิเคราะห์ได้ว่า Post/Tweet นั้นๆพูดถึง Topic หรือ Keyword ด้วยอารมณ์ (Sentiment) แง่บวก แง่ลบ หรือว่าเป็นกลาง

โครงการนี้มีข้อมูลที่ผู้พัฒนาสนใจคือข้อมูลความคิดเห็นจากประชาชนทั่วไปที่มีต่อเรื่องต่างๆภายใต้ขอบเขตที่สำคัญของการพัฒนาเมืองอัจฉริยะทั้ง 7 ด้าน คือ 1. สิ่งแวดล้อมอัจฉริยะ (Smart Environment) 2.การเดินทางและขนส่งอัจฉริยะ (Smart Mobility) 3.การดำรงชีวิตอัจฉริยะ (Smart Living) 4.พลเมืองอัจฉริยะ (Smart People) 5.พลังงานอัจฉริยะ (Smart Energy) 6.เศรษฐกิจอัจฉริยะ (Smart Economy) และ 7.การบริหารภาครัฐอัจฉริยะ (Smart Governance)

นอกเหนือจาก 7 หัวข้อที่กล่าวข้างต้น ยังสามารถกวาดข้อมูลจากแพลตฟอร์มออนไลน์ในหัวข้ออื่นๆ ที่สนใจในขณะนั้น ๆ ได้ โดยผู้พัฒนาจะกวาดข้อมูลจากในรูปแบบข้อความ (Text File) จาก Twitter และ YouTube โดยผู้พัฒนาได้ศึกษาเพิ่มเติมเรื่องการพัฒนาระบบ Social Listening จากบทวารสาร “Social Media Analytics: A Survey of Techniques, Tools and Platforms” และโครงสร้างของระบบ (Architecture) ที่ผู้พัฒนาออกแบบไว้จะมีโครงสร้างดังภาพที่ 3

รูปที่ 3 โครงสร้างของระบบ Social Listening for Smart City [3]

การกวาดข้อมูล (Crawlers)

การที่ Crawler จะสามารถทำการกวาดข้อความได้ถูกต้องและตรงกับหัวข้อที่สนใจนั้น ผู้พัฒนาจำเป็นต้องกำหนด Keywords ในแต่ละหัวข้อที่เราสนใจเสียก่อนเช่น “น้ำท่วม” “ขยะ” “อากาศ” เป็นต้น และต้องกำหนดคำที่ไม่ต้องการให้ Crawler ทำการค้นหาเช่น คำหยาบ โฆษณา หรือคำที่ไม่มีความหมาย โดยข้อมูลจะถูกกวาดจาก Twitter ผ่าน Library Tweepy และใช้ Google API Python Client Library ในการกวาดข้อมูลจากคอมเม้นใต้คลิป YouTube ที่มีการกล่าวถึง Smart City ทั้ง 7 โดยข้อมูลจาก Twitter และ YouTube เพื่อใช้เป็นข้อมูลสำหรับทำ Sentiment Analysis [4]

การวิเคราะหความรูสึกจากข้อความภาษาไทย (Sentiment Analysis in the Thai Language)

Sentiment Analysis คือการวิเคราะหความรูสึก เปนการวิเคราะหอารมณและความรูสึกจากขอความ ที่ได้จากการกวาดข้อมูลจาก Social Media เพื่อบงบอกความรูสึกของผูคนที่มีตอบางสิ่งบางอยาง เชน ความรูสึกดี (Positive) หรือ ความรูสึกที่ไมดี (Negative) โดยพวกคำหยาบ หรือคำด่า จะไปอยู่ในประเภทเชิงลบ ส่วนคำที่ใช้ชื่นชม หรือความหมายดี ๆ จะไปอยู่ในประเภทเชิงบวก [5] ในโครงการนี้จะใช้ข้อความจาก Twitter และ YouTube ที่กรองเอาเฉพาะข้อความที่พูดถึง Smart City เพื่อนำมาวิเคราะห์ความรูสึกของประชาชนในพื้นที่ว่ามีความรู้สึกเกี่ยวกับ Smart City อย่างไรจากข้อความที่โพสต์ลงในสื่อสังคมออนไลน์ การวิเคราะหความรูสึก แบงเปนขั้นตอนการทํางานได 7 ขั้นตอนคือ [6]

• ขั้นที่1 - Data Acquiring การเก็บรวบรวมขอมูล
• ขั้นที่2 - Tokenizing the Data การแบงคําและการกําจัดสัญลักษณพิเศษออกไปจากขอความ เชน #@$%^&&
• ขั้นที่3 - Normalizing the Data คือแปลงขอมูลใหอยูในรูปแบบเดียวกัน เชน “ฌ๊อง” ควรถูกเปลี่ยนเปน “น้อง”
• ขั้นที่4 - Removing Noise from the Data การกําจัดขอมูลที่ไมจําเปนทิ้งไป เชน URL หรือ stop w
• ขั้นที่5 - Determining Word Density การระบุความถี่ของคําตาง ๆ ในชุดขอมูลตัวอยาง
• ขั้นที่6 - Preparing Data for the Model การแบงขอมูลออกเปน 2 ชุด ไดแก Training Set และ Testing Set
• ขั้นที่7 - Building and Testing the Model การสรางแบบจําลองและการทดสอบแบบจําลอง

ระบบคอมพิวเตอร์ขนาดใหญ่ที่ให้บริการผ่านอินเทอร์เน็ต (Cloud Platform)
โมเดลที่ได้จากหัวข้อก่อนหน้านี้จะทำงานแบบอัตโนมัติอยู่บน Cloud ของ GDCC (Global Data Collection Company) หรือระบบ Cloud ภาครัฐ เพื่อสั่งให้ Crawler กวาดข้อมูลที่เกี่ยวข้องกับ Smart City และใช้ Amazon Elastic Compute Cloud (Amazon EC2) ของบริษัท Amazon เพื่อทำการ Label ข้อมูลจาก XLM-RoBERTa (Base-Sized Model) และ WangchanBERTa Base Model ซึ่ง Model ทั้งสองเป็น Pre-Trained Model เพื่อนำมาต่อยอดเรียนรู้ข้อความที่ได้จาก Twitter และ YouTube และ Label ว่าข้อความนั้น ๆ มีสถานะเป็นเชิงบวก เชิงลบ หรือเป็นกลาง โดยผลลัพธ์ที่ได้หลังจากการประมวลผลแล้ว จะถูกเก็บไว้ใน Google Cloud Storage (GCS) และ Google BigQuery แล้วนำไปแสดงผลเว็บไซด์

การแสดงผล (Visualization)
โครงการ Social Listening for Smart City จะแสดงผลลัพธ์ของการวิเคราะห์ข้อมูล ดังรูปที่ 4 ผ่าน PowerBI เป็นรูปแบบของ Dashboard โดยจะมีการแสดง WordCloud ในด้านซ้ายเพื่อแสดงให้เห็นว่ามีคำไหนถูกกล่าวถึงบ่อยครั้งมากที่สุด ยิ่งถูกกล่าวถึงบ่อยครั้งก็จะมีขนาดตัวอักษรที่ใหญ่ ส่วนข้อความที่ถูกกล่าวถึงน้อยก็จะมีขนาดตัวอักษรที่เล็ก และกราฟด้านขวา แสดง Sentiment Analysis ที่ได้จากการ Label โดย AI เพื่อให้เห็นว่าข้อมูลที่ประชาชนแสดงความคิดเห็นนั้นเป็นบวกเป็นลบกี่เปอร์เซ็นต์ โดยผู้ใช้งานสามารถทำการกรองเพื่อเลือกหัวข้อ หรือช่วงเวลาที่สนใจ ซึ่งหน้า Dashboard นี้จะทำการแสดงในเว็บไซต์ https://www.citydata.in.th/ ของสำนักงานส่งเสริมเศรษฐกิจดิจิทัล

รูปที่ 4 Dashboard แสดง Sentiment Analysis บนเว็บไซด์ https://www.citydata.in.th/

การนำระบบ Social listening มาใช้วิเคราะห์ความรู้สึกของประชาชนที่กล่าวถึง Smart City ในแต่ละด้านแบบอัตโนมัติ จะช่วยให้บุคลากรที่เกี่ยวข้องกับเมือง สามารถรับรู้ความรู้สึกของประชาชนในพื้นที่ โดยใช้หลักการประมวลผลภาษาธรรมชาติ (Natural Language Processing : NLP) เพื่อวิเคราะห์ความรู้สึกจากตัวอักษร แทนที่การใช้บุคคลในการวิเคราะห์ข้อความทีละประโยคซึ่งเป็นได้ยากมากที่จะทำเช่นนี้ โมเดลการวิเคราะห์ความรู้สึกที่เกี่ยวข้องกับเมืองนั้นจะทำให้ผู้นำเมือง หรือบุคลากรที่เกี่ยวข้องประเมินผลกระทบเชิงอารมณ์เบื้องต้น หรือมองหาภาวะไม่ปกติที่เกิดขึ้นกับประชาชนในพื้นที่ได้

นายณภัทร โคตะ

ฝ่ายส่งเสริมแพลตฟอร์มและบริการดิจิทัล

สำนักงานส่งเสริมเศรษฐกิจดิจิทัล

อ้างอิง

• บทความเรื่อง “Social Listening คืออะไร” (https://wisesight.com/social-listening/))
• บทความเรื่อง “Social Listening คืออะไร การกวาดข้อมูล ข้อจำกัด และวิธีประยุกต์ใช้” (https://www.martechthai.com/technology/what-is-social-listening-tool/)
• Bogdan Batrinca & Philip C. Treleaven “Social Media Analytics: A Survey of Techniques, Tools and Platforms” AI & Soc (2015) 30:89–116
• บทความเรื่อง “Tweepy Documentation” (https://docs.tweepy.org/en/stable/api.html)
• บทความเรื่อง “Python on App Engine Code Samples” https://developers.google.com/youtube/v3/code_samples/python_appengine)
• หนังสือเรื่อง “ศิลปะแห่งวิทยาการข้อมูลสำหรับผู้เริ่มต้นโดยใช้ Python และ Azure ML”, รศ. ดร. ไกรศักดิ์ เกษร