社群情緒分析怎麼讀：年齡落差，與悄悄換牌的顧客

按年齡拆開的情緒讀數：Talkwalker 零食報告

Talkwalker 在 2026 年 4 月 28 日的文章裡，用自家 What Snackers Want 零食報告示範情緒分析。按年齡拆開後，正面情緒在 18 到 24 歲最高（29.5%），並隨年齡穩定下降；負面情緒則從 18 到 24 歲的 25.2% 升到 65 歲以上的 35.5%。

這組年齡數字來自 Talkwalker 自建的儀表板元件，涵蓋 6 個年齡層、3,260 萬筆結果。該公司說，他們正是靠自訂元件往下挖，才找出情緒與年齡層之間的顯著相關。

品類之間的落差也很明顯。在一張涵蓋 4,140 萬筆結果的品類情緒圖裡，米果的正面情緒最高（37.2%），鹹餅乾（Crackers）的負面情緒最高（38.4%），淨情緒排第一的是高纖零食，79.3%。

該文另外舉了一組對照：玉米片與鹹餅乾的聲量非常接近，但鹹餅乾的負面貼文佔 38%，玉米片約 29%。拆開情緒後才看出，鹹餅乾的負面來自消費者對超加工與誤導性健康宣稱的疑慮，玉米片則在超級盃前後出現一波正面聲量。

Talkwalker 在文章開頭說，問卷與固定樣本適合驗證已知行為，但速度慢、有偏誤，並這樣定位社群傾聽：

Social listening, on the other hand, offers continuous access to unprompted, spontaneous behavior and opinions at scale.

意思是，相對於問卷與固定樣本，社群傾聽能持續、大規模地取得未經引導的自發行為與意見。談到早期訊號時，該文另外寫到，問卷報告的是平均值，可能把細微模式壓平、排除離群值。我們的判斷是，平均值會壓平分群，社群情緒總分也有同樣的問題，拆開之前不宜直接拿來決策。

反諷判讀與 90% 準確率：工具商各自怎麼說

Talkwalker 稱，系統會自動把每筆結果分成正面、中性、負面，準確率 90%，並說它對幽默與反諷的辨識相當不錯。這是廠商自報的數字。

該公司也說明，使用者可以在必要時手動改判。需要更細的區分時，例如把真心的產品稱讚和反諷式互動分開，可以用 AI Classifiers 在標準三分類之上訓練自訂情緒模型。

行銷 AI 工具商 NoimosAI 在 2026 年 8 月 30 日的工具評比文章裡寫道，進階的 AI 分析引擎用大型語言模型與自然語言處理，判讀語氣細節、反諷、急迫性與潛在情緒。

中文平台方面，搜狐上一篇由「声量通」帳號在 2026 年 3 月 19 日發布的工具盤點，把同名的新榜声量通列在第一個，稱它覆蓋抖音、小紅書、微博、微信、B 站等 7 大社群平台，能即時監測品牌與競品提及量，並提供 AI 驅動的內容聚類與情感分析。

讀數還可能被假帳號干擾。社群資料工具商 Xpoz 在部落格文章中寫道，品牌現在會追問：負面敘事出現時，那是真實顧客的不滿還是協同攻擊；文中並稱，不做這種分析，公關團隊可能對人為製造的批評過度反應。

公開分手的多是忠誠顧客，日常消費品少有換牌討論

Quid 在 2026 年 7 月 21 日的分析中指出，公開宣告和品牌分手的貼文很少來自隨意購買的顧客，通常來自感到被背叛的忠誠顧客。

They typically come from loyal customers who feel betrayed

Quid 的資料涵蓋 Reddit、YouTube、Instagram 等多個平台的線上對話。依它的觀察，建立在情感與社群上的品牌，產生的公開分手對話多於以交易為主的品類。它舉飯店會員計畫、訂閱服務這類以重複互動為核心的生意為例，認為它們很能說明情感型品牌較常被公開分手：情感投入越深，顧客覺得品牌違約時越可能公開反應。

相對地，日常消費品不太產生換牌討論，該公司推測原因是換牌不費力，人們就安靜換掉，不會公開宣告。汽車、家電這類高考慮度的購買，換牌討論也不多。

該文也區分了兩種離開方式：一次糟糕的體驗可能讓人安靜換牌，被認為背叛信任或價值觀的事件，則更可能引發抵制、連署這類公開行動。

Quid 因此提醒，只看長篇評論與論壇的品牌會錯過熱門的 TikTok 內容，只看短影音的品牌則會錯過證據詳盡的抱怨。

至於顧客為什麼離開，該公司說社群上提到的原因從客服不佳、漲價，到產品品質下滑、價值觀不合都有，而且隨品牌、產業與顧客差異很大，很難只從整體對話歸納出結論。它建議把焦點縮到自己的品牌與品類，並稱最強的品牌也會長期追蹤情緒變化。

該公司也說，公開分手可能只佔線上對話的一小部分，卻常是最豐富的顧客回饋來源之一。我們的判斷是，安靜換掉的顧客不會留下貼文，社群情緒報表也就看不到他們；日常消費品牌若想知道誰已經離開，得把社群讀數和自家的回購、退訂等資料放在一起看。

AI 回答裡的品牌聲量：Talkwalker LLM Insights

Talkwalker 稱，社群傾聽捕捉的是人們怎麼談品牌，現在還多了一層獨立於消費者發文之外的認知，也就是 LLM 怎麼說。它的 LLM Insights 模組量測 ChatGPT、Gemini、Perplexity 與 Claude 如何回答消費者對特定主題的提問。

使用者可以從範本庫挑提示詞，或自己寫，上限 10 則。該公司列出的指標包括提及率、平均位置、能見度分數、幻覺偵測，以及模型更新後的認知變化。

該文附了一張 LLM Insights 儀表板示意圖，呈現零食品牌在 AI 回答中的品牌聲量佔比，並按 Gemini、ChatGPT、Claude、Perplexity 拆分。

這組數字量的是 AI 回答裡的品牌提及分布，和前面社群貼文的情緒讀數是兩種資料，不宜混在一起比。

銷波快觀點：分數要先證明自己代表得了那群人

我們建關鍵字 hub 的時候踩過一次很像的坑。當時用「取該群搜尋量最高的詞當錨點」這條自動規則，連續選錯 3 次，因為量高只代表詞熱，不代表那個詞能代表這一群。情緒總分是同一種錯。它是一個排序結果，稱不上代表性結論。拿它開會之前，先問這個分數涵蓋了誰。

準確率的期待也要放對位置。我們用 AI 把關鍵字分成資訊型與消費型，實測準確率約 80%，這個水準拿來篩很夠用，拿來自動執行就不行。所以流程一定留一道人工抽查。

我們建顧客畫像靠 3 條路徑，論壇與社群的聲量是其中一條。另外 2 條是關鍵字趨勢與小額 A/B 廣告測試。3 條合起來才夠用。同理心地圖能幫你還原消費者的處境，但最終驗證必須回到真實使用者訪談。社群數據只是縮短了猜測的範圍。

AI 接觸點值得追，前提是你追得動。顧客在 AI 搜尋裡已經見過你，而你不知道，這確實是現在最大的盲區之一。不過我們自己盤點過一次觀點庫覆蓋率，發現講最多的主題反而素材最空。社群與廣告那幾格各有 96 到 203 筆可用觀點，行銷數據分析只有 24 筆，AI 文案 2 筆。量測方法本身先出了問題。新的監測維度也一樣，先確認量得準，再談要不要進月報。

結論：先拆分群，再找沒出聲的人

Talkwalker 的零食報告顯示，情緒讀數按年齡拆開後落差明顯：正面情緒在 18 到 24 歲最高，負面情緒則從 25.2% 升到 65 歲以上的 35.5%。

反諷辨識與 90% 準確率目前都是工具商自己的說法。我們的判斷是，用在自家中文留言之前，值得先抽樣比對。

Quid 觀察到公開分手多來自忠誠顧客，日常消費品則少有換牌討論。我們的判斷是，安靜換掉的顧客不會在社群留下貼文，要找出他們，得把社群讀數和回購、退訂資料放在一起看。

資料來源

• Talkwalker：How to use social listening for consumer insights in 2026talkwalker.com
• Quid：Why Consumers Break Up With Brandsquid.com
• Sprout Social：Social Listening Guidesproutsocial.com
• NoimosAI：5 Best AI Social Media Analytics Tools in 2026noimosai.com
• Xpoz：Social Listening in 2026xpoz.ai
• 搜狐（声量通）：2026 多平台社媒競品分析工具盤點sohu.com