描述
內容簡介
|
用 Colab × Gemini × BERT × Apps Script 完成爬蟲、AI 標註、模型訓練與智慧儀表板， 做出你的第一個可上線 AI 產品。
►把海量評論，變成可執行的產品洞察 每天都有大量使用者在 App Store 與 Google Play 留下評論。 有人抱怨閃退、登入失敗、付款卡住；也有人稱讚體驗順暢、功能好用。這些聲音，是產品團隊最直接、也最真實的市場回饋。 然而，當評論累積到成千上萬筆，人工閱讀很快就會失去效率。 本書將帶你從零開始，打造一套 AI 評論洞察系統：從蒐集評論、清理資料、LLM 自動標註、到 BERT 分類模型訓練、智慧儀表板建置，最後完成部署上線。 你不需要具備工程背景。只要跟著書中的實作流程，就能一步步將大量評論轉化為可追蹤、可分析、可行動的產品洞察，讓產品決策更有依據。 你將學會： ►爬取 App Store 與 Google Play 評論 ►清理評論資料，掌握問題與趨勢 ►使用 LLM 自動完成資料標註 ►訓練 BERT，建立評論分類模型 ►打造智慧儀表板，呈現關鍵洞察 ►串接 Apps Script，完成雲端部署 適合讀者： ►產品經理 ►行銷企劃 ►數據分析新手 ►AI 轉型學習者 ►想打造第一個 AI 產品的人 【跨界聯合推薦】(依姓氏筆畫排列) 王道平｜前 NIQ 港澳台總經理、蓋洛普優勢認證教練 孔令傑｜國立臺灣大學資訊管理學系副教授 吳政隆｜東吳大學資料科學系教授 金凱儀｜東吳大學資料科學系教授、巨量資料管理學院院長 彭建文｜《國際PJ法®》創辦人、品碩創新管理顧問執行長、前台積電營運效率部門主管 曾友志｜資深產品與增長顧問、Mr. PM 下午先生 |
作者簡介
| 董建祺
畢業於台科大企管所與東吳資科所，現任外商零售數據分析師，擁有七年以上資料領域經驗。曾於國內外研討會發表多篇論文。近期投入經營個人品牌《JT用數據說故事》，專注分享數據職涯經驗與多元知識。 歡迎透過以下網站了解更多，或與我聯繫： 個人網站：chienchitung.com 部落格／電子報：jtdatastoryteller.com 劉柔萱 擁有資訊工程與資料科學雙重學術背景，現職於金融業從事資訊相關工作，長期關注資料分析、人工智慧與數據應用領域，對此抱有高度熱忱。 劉嘉玲 現任外商消費品銷售卓越策略主管，長期專注於商業策略、數據分析與 AI 應用，致力將資料科學落實在實務洞察與問題解決。曾於2025年國際先進機器學習與資料科學(AMLDS)國際研討會榮獲最佳口頭發表獎 。 |
目錄
| ▍第 1 篇 為什麼你需要這本書？
► 第 1 章 背景介紹 1-1 App 評論能告訴你什麼？ 1-2 為什麼手動看評論行不通？ 1-3 本書目標：讓你打造一個真正可運作的 AI 專案 1-4 打造 App 評論洞察系統的七個階段 1-5 為什麼這本書特別適合非技術背景的讀者？ ► 第 2 章 小白也能上手的開發工具箱清單 2-1 選工具的哲學：便宜、好用、能快速上手 2-2 Google Colab：開啟你的雲端實驗室 2-3 工具包備忘錄：實作中會遇到的「工具」預覽 2-4 工具上場時機：每個階段該用什麼、在哪一章使用 ▍第 2 篇 數據採集實戰 — 打造自動化爬蟲機器人 ► 第 3 章 初探爬蟲—從App Store 與 Google Play搬回資料 3-1 爬蟲原理白話解說： 模擬人類行為，自動取得網頁資訊 3-2 找出資料來源：評論從哪裡被取得？ 3-3 工具挑選：選擇最合適的工具 3-4 建立欄位清單：資料收集前的最後確認 ► 第 4 章 打造你的第一個評論爬蟲 4-1 爬蟲邏輯設計：抓取策略與架構圖 4-2 環境準備：套件安裝與匯入 4-3 實作 App Store 評論爬蟲 4-4 實作 Google Play 評論爬蟲 4-5 延伸選讀：使用 SerpApi 取得更多 App Store 歷史評論 ► 第 5 章 評論資料取得、整理與保存 5-1 讓評論資料取得流程更穩定 5-2 結構化儲存： 將散亂的資料存成好讀的 CSV 或 Excel 檔案 5-3 將爬取資料寫入 Google 試算表 ▍第 3 篇 數據煉金術 — 從資料清理到視覺化分析 ► 第 6 章 數據大掃除：確保資料的品質 6-1 初步探索資料：找出需要清理的問題 6-2 資料前處理：去除特殊符號、處理重複資料與空值 ► 第 7 章 探索性資料分析 (EDA)：在訓練 AI 前先看清真相 7-1 什麼是探索性資料分析（EDA）？ 7-2 數值分布觀察：星等與評論長度 7-3 文字前處理：中文分詞與停用詞 7-4 找出代表性關鍵字：TF-IDF 7-5 文字視覺化：製作評論文字雲 ▍第 4 篇 AI 標註革命 — 結合LLM 的高效標註流程 ► 第 8 章 規則定義：如何教 AI 看懂人話？ 8-1 標註任務設計：情感分類與自定義分類 8-2 標註工具實作：手動標註的流程與規範 8-3 標註工程的品質與一致性檢查 ► 第 9 章 利用 LLM 加速標註流程 9-1 為什麼我們需要 LLM 輔助標註？ 9-2 提示詞工程：讓 AI 精準分類 9-3 環境準備：申請 API 金鑰與設定開發環境 9-4 LLM 自動標註程式實作：情感分類 9-5 LLM 自動標註程式實作：自定義分類 9-6 進行資料驗證，確認 AI 標註品質 9-7 標註資料：關鍵詞萃取與資料整合 ▍第 5 篇 深度學習實務 — BERT 模型的訓練與部署 ► 第 10 章 理解 BERT 模型的核心原理 10-1 為什麼 BERT 懂語境，而關鍵字搜尋不懂？ 10-2 BERT 是如何「讀懂」一句話？ 10-3 BERT 如何學習語言？預訓練的兩大任務 ► 第 11 章 手把手訓練你的 AI 分類器 11-1 資料集準備：訓練集與驗證集的切分 11-2 訓練模型程式碼逐行拆解 11-3 模型成效評估：什麼是 F1-score ？怎麼看模型準不準？ 11-4 擴展應用：從情感分類到問題分類 ► 第 12 章 模型優化與 Hugging Face 部署 12-1 調整超參數：如何讓模型更聰明？ 12-2 部署至 Hugging Face：建立你的雲端模型庫 ▍第 6 篇 系統視覺化 — 打造專業級分析儀表板 ► 第 13 章 儀表板系統設計與開發邏輯 13-1 產品設計思維： 使用者想看哪些關鍵圖表？ 13-2 儀表板設計流程：從策略到視覺的五層思考 13-3 Excalidraw 快速畫出產品原型 13-4 Data Studio 製作基礎產品原型 ► 第 14 章 實作 AI 評論洞察系統 14-1 Vibe Coding 用自然語言「說」出你的系統 14-2 Vibe Coding 與 AI Coding 的差異 14-3 認識兩個工具：Google AI Studio 與 Google Apps Script 14-4 使用 Google AI Studio 進行系統開發 14-5 搞懂系統背後的設計邏輯 ▍第 7 篇 上線與維護 — 邁向正式產品之路 ► 第 15 章 系統測試與部署 15-1 為什麼我們需要進行系統測試與使用者測試？ 15-2 透過持續迭代，完成最小可行產品 15-3 部署至自訂網域，隨時隨地分享你的專案成果 15-4 部署後的維護與更新流程 ► 第 16 章 專案回顧與未來擴展 16-1 從非技術小白到 AI 產品開發者的技能地圖 16-2 未來延伸：引入 AI Agent 進行工作流自動化 16-3 第五層技能：指揮層（Orchestration Layer） ▍結語：這只是起點 ▍致謝 |
序
| 導讀
在數位時代，App 已經成為人們生活的一部分。購物、娛樂、社交、運動、健康管理，幾乎都能透過手機完成。對使用者來說，選擇越多，期待也越高；一旦體驗不好，他們通常不會打電話給客服抱怨，而是直接在評論區留下一顆星，寫下「閃退」、「無法登入」、「付款失敗」、「客服都不回」，然後刪除App，轉向其他競品。 對產品團隊來說，這些評論是最直接的使用者回饋。量化數據能告訴你「發生了什麼事」，例如留存率下降、評分變低、轉換率下滑；但評論資料更接近「原因」。當使用者寫下「更新後每次開啟都閃退」、「付款一直失敗」、「客服都不回」，這些文字其實就是產品改善的線索。問題不在於評論沒有價值，而是它們太多、太亂、太難被系統化整理。 這本書要解決的，就是這個問題：如何用 AI 自動分析 App 評論，把大量文字變成可以支持決策的洞察。 |
