7 — 媒體業新聞輿情｜專題手冊

一句話：給品牌 / 公關公司一個「我的品牌今天有沒有被罵、誰在罵、要不要回應」的智能監控。

為誰解什麼

目標用戶：品牌行銷經理 / 公關公司 AE / 媒體編輯
痛點：負面輿情爆發後才知道；人工掃文章不可能即時；不知道下一波議題在哪
量化目標：負面議題 1 小時內偵測；分類精度 ≥ 85%；月省人工監控時間 80%

業界對標

過往學長姐 demo（最多參考的情境）：

6 階段藍圖具體化

flowchart LR
    S["📁 Source<br/>RSS feeds / NewsAPI<br/>PTT / Threads<br/>Google News API"] --> I["📥 Ingest<br/>requests + Airflow<br/>每 30 分"]
    I --> ST["💾 Storage<br/>MongoDB<br/>articles / classified /<br/>topics"]
    ST <-.順序可換.-> P["⚙️ Process<br/>LLM 分類+情緒<br/>+ 主題 cluster<br/>+ 趨勢偵測"]
    P --> SE["🖥 Serve<br/>Streamlit + LINE Bot<br/>即時警示主管推播"]
    SE --> O["📡 Observe<br/>Sentry<br/>+ LLM cost<br/>+ scrape success rate"]
    style ST fill:#FEF3C7,stroke:#D97706
    style P fill:#FEF3C7,stroke:#D97706

資料源細節

資料源	取得方式	規模	用來做
NewsAPI	API（免費 100 req/day）	各國新聞	主資料
Google News RSS	RSS	中文新聞	在地化
PTT 八卦 / Gossiping	爬蟲	5000+/日	鄉民輿情
Threads（透過第三方 API）	API	限定品牌 mention	社群即時

10 階段執行重點

① 啟動

選題理由：LLM 應用最直接、業界需求最大、demo 視覺效果好
適合選一個你有興趣的「品牌 / 議題」當主角

② Discovery

Persona 範例：3C 品牌行銷經理小芳、每天上午掃 5 個媒體找品牌提及
痛點：(1) 跨平台分散 (2) 假日沒人盯 (3) 不知道議題在發酵

③ 設計

監控目標：品牌名 + 競品名 + 議題 keyword
分類：正面 / 負面 / 中性、議題類型（產品 / 服務 / 高層）
警示閾值：30 分鐘內負面提及 > X 觸發

④ 分工

角色	任務
Ingest	NewsAPI + RSS + PTT 爬蟲
Pipeline	Airflow 30 分 + LLM batch + cost
Analytics	分類 prompt + 主題 cluster + 趨勢偵測
Product	Streamlit + LINE Bot 警示

⑤ 環境

LLM cost 控制最重要 — Sprint 1 就要建 budget

⑥ 衝刺

Sprint 1（W10-W12）：

NewsAPI 抓 100 篇 → LLM 分類 → MongoDB
簡單 list 顯示

Sprint 2（W13-W15）：

加 PTT 爬蟲 + RSS
30 分鐘 Airflow
主題 clustering（每天自動分主題）
Dashboard 雛形

Sprint 3（W16-W18）：

警示邏輯 + LINE Bot
趨勢圖（過去 30 天）
Cost monitoring

⑦ 整合

端到端：新文章 30 分內進來 → 分類 → 趨勢分析 → 警示推播
整合測試：模擬「品牌爆雷」場景，看多久收到通知

⑧ 上線

LINE Bot webhook 在 Cloud Run
Streamlit + Airflow + MongoDB 在 GCP

⑨ Demo

最有殺傷力的 demo：

開 dashboard 給 1 個月品牌輿情圖
點某天高峰 → 看那天熱文 + 自動分類
Live：模擬一篇負面爆文進來 → LINE 立刻響
講商業價值：「公關公司接 1 個客戶月費 5 萬，我這套替代 1 個分析師」

⑩ 復盤

範例：LLM 輿情分類 prompt

SYSTEM = """你是品牌輿情分析師。針對給定文章，分析：
1. 情緒：positive / negative / neutral
2. 強度：1-5
3. 議題分類：product / service / management / pricing / other
4. 關鍵詞：3-5 個

如果文章未提及給定品牌則回傳 null。"""

USER = """品牌：{brand_name}
文章標題：{title}
文章內容：{content[:500]}"""

# Cost control：先用 gpt-4o-mini 篩，疑似負面才用 gpt-4o 細看

範例 commit log

* feat: NewsAPI ingest with keyword filter (#3)
* feat: PTT crawler for 八卦版 + Gossiping (#5)
* feat: MongoDB schema with text search (#7)
* feat: LLM sentiment + topic classifier (gpt-4o-mini) (#10)
* feat: 2-stage classifier - mini for filter, 4o for negative (#13)
* feat: topic clustering with sentence-transformers (#16)
* feat: LINE Bot push for critical alerts (#19)
* feat: streamlit dashboard with daily/weekly view (#22)
* perf: batch API saves 50% LLM cost (#25)

進階挑戰

Kafka streaming：真正即時（30 秒延遲）
Vector DB：主題追蹤跨日（看議題演化）
LLM 回應稿：偵測到負面後自動 draft 回應
跨語言：中英雙語監控 + 翻譯
多模態：監測圖片 / 影片內容

雷區

雷	為什麼
每篇都 GPT-4	1 萬篇破萬元
警示閾值固定	假日 vs 平日不同 baseline
沒去重	同則新聞被多個媒體轉，算多次
RSS 部分 source 不更新	要監控 source health

範例：cost control 策略

Tier 1 篩選（便宜）：
  - keyword matching（free）
  - gpt-4o-mini 分類（$0.15 / 1M tokens）
  ↓ 篩出疑似負面 5%

Tier 2 精細（貴）：
  - gpt-4o 深度分析（$2.5 / 1M tokens）

每天 10000 篇 × 95% × 0.15 + 10000 × 5% × 2.5
= $14.25 + $12.5 = ~$27 / 天

對比業界 SaaS 報價（千萬等級）：性價比 200x

完整時程（總 20 週）

週	階段	重點產出
W1-W3	啟動	監控目標品牌選定 + LLM budget
W2-W4	Discovery	警示策略 + 分類體系
W4-W7	設計 + 分工	2-stage classifier 設計
W10-W12	Sprint 1	100 篇通 + 分類 + 入庫
W13-W15	Sprint 2	多 source + 自動化 + cluster
W16-W18	Sprint 3	LINE 推播 + 趨勢 + cost monitor
W19	整合 + 上線	end-to-end
W20	Demo + 復盤	live demo + 商業價值

← 上個情境：6 求職媒合 | 下個情境：8 房地產 →

情境 7：媒體業新聞輿情即時監測

為誰解什麼

業界對標

6 階段藍圖具體化

資料源細節

10 階段執行重點

① 啟動

② Discovery

③ 設計

④ 分工

⑤ 環境

⑥ 衝刺

⑦ 整合

⑧ 上線

⑨ Demo

⑩ 復盤

範例：LLM 輿情分類 prompt

範例 commit log

進階挑戰

雷區

範例：cost control 策略

完整時程（總 20 週）