国内舆情行业发展至今已逾10年，头部舆情系统提供商始终保持着高速的系统迭代速度，在信息获取与呈现方面做到了与时俱进。仅就“舆情监测”这一单一需求而言，一款成熟的舆情系统已经可以基本满足。然而“舆情监测”仅是整个舆情需求链条上的一环，在此基础上更为深入的需求是“舆情分析”。
舆情深度分析：对海量文本数据的深层次应用
“舆情监测”这一需求代表的是对海量文本数据的最基础应用，相对简单，服务门槛较低，对于使用者而言服务附加值也较低，仅能提供告知价值。相较之下，“舆情分析”对应着数据的更深层次应用，即通过对数据的深入分析获取更多的附加价值，如描述性价值、诊断性价值、预测性价值等。
图：舆情深度分析的应用场景
值得注意的是，有别于主要着眼于经验性、描述性价值的一般意义上的舆情分析，“舆情深度分析”侧重通过数据分析与统计获得更深入的洞察，它是一系列具体应用的集合，如消费者洞察、社交媒体聆听、竞争情报分析、热点事件追踪等。
图：舆情分析的知识与技能要求
舆情深度分析能够带来更高的数据附加值，相应地对服务提供者也提出了更高要求。要做好舆情深度分析，从业人员需要掌握Excel、VBA、SPSS等数据处理及统计工具——针对更大量级的数据处理还要求从业人员对数据库知识有所涉猎——了解并能够使用聚类、分类、词向量分析等自然语言处理统计模型；熟练掌握Excel、PPT、Echart等图表统计及视觉输出工具等。
舆情行业发展：由数据获取转向深度分析
随着国内移动互联网发展速度放缓，近年来少有新的媒介载体出现，主流舆情厂商在数据获取层面大概率已迫近极限，此前通过大规模获取数据以期在数据量层面取得比对优势的竞争策略将不可持续，当然在此过程中的海量资源与技术投入已经淘汰掉市场上大部分舆情系统竞争者。
在这样的大背景下，舆情行业的竞争将更多地由“数据获取-简单分析”的层面转向“深度分析”层面。为提升自家产品在数据分析层面的竞争力，各个厂商的舆情系统中均包含各类分析模块，名称不同但功能相似，如日报/周报/月报等周期性分析报告、竞品对比报告、事件跟踪报告等。然而，受限于中文互联网内容来源的多样性以及中文自然语言处理的复杂性，系统内嵌的舆情分析功能在效果上往往差强人意，无法满足实际生产环境的要求，在大多数应用场景中，舆情数据在分析层面的价值仍旧依赖人工来输出。
舆情深度分析在市场化应中的错配问题
即便是有人工介入的舆情报告在分析深度上依然不能让人满意，目前市面上大部分舆情报告的分析维度和分析思路多年未变，可以说这些年舆情分析的发展远远落后于舆情获取技术的进步，依据我们的市场经验判断，造成这种现象的原因主要是数据提供方与数据使用方的错配。
图：舆情深度分析在市场化应用中的错配问题
具体来说，数据保障与需求理解的深度结合，是确保舆情深度分析能够在实操中落地的关键，然而，数据提供方都是技术公司，面对多行业多主体的纷繁复杂的需求，在需求理解上存在天然不足；舆情深度分析的需求方如品牌主或公关公司等缺乏技术基因或数据保障，空有需求却不知如何落地。
分析举例：仅依据数据量判断传播性不可取
借用一个最基本的分析维度来举例说明舆情分析较舆情数据抓取技术远远落后的情况：如何评估某一事件或品牌在某个时间段内的线上影响力？行业常规的做法，包括系统或人工的分析都会使用“数据量”的概念，即通过该事件或品牌在监测周期内的数据总量来判断，即数据量大则影响力大、传播性强；数据量小，则影响力小、传播性弱。同样的逻辑还会被用于分析不同媒介的影响力，以及判断周期内事件传播态势的变化——通过以数据量为纵轴的走势图加以呈现。
这样的分析在逻辑上有一个天然的硬伤，即本质上给了每一条链接几乎相同的权重。这一分析逻辑是否合理，通过几个问题就能说明：
-人民日报网站上的一篇链接和微博普通用户的一个链接影响力是否相同？
-一个几十万粉丝的蓝V用户的发文和一个0粉丝的普通用户的发文是否应该被赋予同样的权重？
-一篇由权威新闻媒体发布但没有交互数据的文章和一篇评论量上万的自媒体文章影响力孰轻孰重，如何比较？
可以看出，单纯依据数据量来判断影响力或传播性的做法值得商榷，因其缺乏一个“大一统”框架去计算不同来源、不同媒介、不同交互情况数据的实际影响力。建设这样一个科学的评估模型难度较大，需要综合考虑媒介权重、站点权重与分级、数据交互量、作者影响力等十几个维度；何况除了模型的科学性，还需要考虑大规模实时交互数据获取的可行性。
解决之道：加强沟通，纠正错配
目前部分舆情服务商已经意识到这样的问题，在实操中除了通过总体数据量来评价事件或品牌的影响力外，还会提供微博、微信、客户端等不同媒介的重点文章或作者的相关数据，但也是治标不治本，仅仅解决了一些“点”的问题，缺乏整体上的科学性与严谨度。
以上仅是我们认为舆情深度分析层面发展较为滞后的一个例子，其他表现还有很多，展开来谈还涉及到底层分析框架与不同行业需求融合落地的情况。解决这个问题需要技术提供方与需求方进行更深入的沟通，纠正数据、技术与落地需求的错配，任重而道远。
