京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据解析“外滩灯光秀改址”为何传播失效_数据分析师
2014年12月31日晚,上海外滩发生了严重的踩踏事故,造成36人死亡,49人受伤。值得注意的是,2014年外滩的灯光秀活动设置,与往年相比发生了重大的变化。而中山大学传播大数据实验室和宏博知微报告通过分析发现,媒体对于这些变化的报道并未达到预期的效果,致使“灯光秀改址”之类的重要信息被很多公众疏忽,一定程度上也间接地导致悲剧的发生。
实际上,这次“灯光秀”的地址从“外滩”改为“外滩源”,而参加条件从“免费、不限制人数”变为“凭票入场,限定2000人参与”。而这条消息在2014年12月23日就通过上海媒体以“外滩跨年4D灯光秀今年停办”的形式第一次报道过,但随后的新闻报道和政务微博传播中,这条消息却未能有效抵达普通市民。
为了验证这一判断,中山大学传播大数据实验室和宏博知微报告以“外滩、灯光秀”为关键词,抓取了2014年12月23日至12月31日的媒体报道,以及新浪微博中媒体及政务微博提及“灯光秀”的新闻及消息,作出了曲线图如下:
从图一可以看出:12月23日,新民网报道“上海外滩跨年4D灯光秀今年停办”得到较多转发,25日,媒体对“外滩灯光修改址”的消息传播达到一个高峰,但也有一些不准确的信息。26、28、29日关于“灯光秀”的报道处于低谷。直到30日,媒体报道数量激增,并且可能产生误导的消息大大超过正确信息,达到高峰。31日,正确信息和可能产生误导的信息在数量上不相上下。
另一方面,为了观察微博用户对“灯光秀改址”信息的知晓情况,研究团队抓取了2014年12月23日~31日微博用户中提及的相关数据,制图如下:
从图二可以看出,23日~29日新浪微博普通用户中提及“外滩灯光秀”的并不多,而在30日,“不知晓”改址消息的用户超过“知晓”的用户数,31日,微博中提及灯光秀的用户达到高峰,而“不知晓”改址消息的用户要远远多于“知晓”的用户。
因此,可以得出结论:媒体前期关于“灯光秀改址、限制人数”的报道并没有达到良好的传播效果,而在30日,媒体中误导性的报道占了多数,即使31日媒体中纠正性的报道增加,但由于正确的消息传播得太迟,效果达成也具有一定的滞后性。
对于如何才能实现类似的公众信息的最有效的传达,此次大数据研究的负责人、中山大学传播与设计学院院长张志安认为,有三个因素非常关键。首先是要对重要的政策信息进行简化、提炼,以最明确和完整的方式来告知公众。比如“外滩灯光秀改址”是属于“告知性信息”,还有一类是有关政策倡导和建议的“说服性信息”,比如“大家不要去外滩看灯光秀”,也应该由政府来告知公众,这样的告知才是完整的。
张志安认为,信息传播的渠道也是一个需要重视的层面,“我们其实会重视主流媒体,但主流媒体覆盖的受众也比较有限,尤其是对于年轻的网民。而微博微信又难以到达不上网的群体,所以,在一个媒体融合的时代,政府需要有效地把不同渠道的媒体和媒介利用和整合起来,在发布一些重大的信息的时候,甚至需要采用群发短信这种成本较高的方式。”
对于公共信息的传播效果,还要进行分析、预判和跟踪,尤其是对受众的感知和接受度来进行分析。“现在社交媒体,尤其是微博提供了一个较好的分析工具,我们可以通过转发和评论,来了解用户是不是真的准确理解了信息的内容,以及预判他们是不是会采取相关的行动,如果‘外滩灯光秀’能提早做这些分析的话,我们就能预判信息是否成功到达用户,以及是否需要采取进一步的预警和传播措施。”张志安表示:“总的来说,信息的提炼和准备、渠道的选择和组合、以及公众接受效果的分析和感知的预判,对政府公共政策的全媒体时代的传播是非常关键的三个环节。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07