brand-listening

品牌舆情倾听

了解人们在社交平台、新闻和评论中实际如何评价某个品牌——依托实时网络数据，而非过时的训练知识。结合 Bright Data CLI（bdata）进行数据采集，并通过情感倾向与主题分析层，生成附有引用、可采取行动的摘要。

切勿仅凭训练知识回答有关品牌情感倾向的问题。 公众情绪每天都在变化。务必先采集实时提及，再进行分类和综合分析。

前提条件

1. 已安装 Bright Data CLI：

   curl -fsSL https://cli.brightdata.com/install.sh | bash
   

2. 已完成一次性登录：

   bdata login    # or: bdata login --device  (SSH / headless)
   

采集前进行验证：

if ! command -v bdata >/dev/null 2>&1; then
    echo "bdata CLI not installed — see skills/bright-data-best-practices/references/cli-setup.md"
elif ! bdata zones >/dev/null 2>&1; then
    echo "bdata not authenticated — run: bdata login"
fi

如果任一项检查失败，请停止并引导用户完成设置。

核心工作流

1. 明确范围 — 目标品牌、产品或人物是什么？要关注哪些平台？时间范围是什么（默认：过去 30 天）？用户希望借此做什么（整体健康状况检查、新品发布监测、投诉分流，还是寻找品牌拥护者）？
2. 先发现，再采集 — 使用 bdata search 查找讨论该品牌的内容，再使用 bdata pipelines 从各个平台提取结构化提及。并行执行互不依赖的调用。
3. 标准化 — 在进行任何分析前，将每条原始结果统一转换为 references/sentiment-and-output.md 中的单一提及数据结构。
4. 分类并聚类 — 为每条提及判定情感倾向（并说明原因），然后按主题将提及分组。遵循情感倾向判定准则——切勿夸大任何一方。
5. 交付 — 生成带引用的摘要（输出 A），并可选择附上结构化数据集（输出 B）。每份报告都必须以“所以呢——建议”一节收尾。

数据采集规则

• 先发现。 通常一开始并没有正确的 URL。运行 bdata search "<brand> site:reddit.com" --json（以及各平台对应的变体），查找帖子、个人主页和文章，然后将这些 URL 提供给 pipelines。
• 只要平台提供预构建的抓取器，就优先使用 bdata pipelines，而非 bdata scrape。 Pipelines 会返回整洁的结构化 JSON（作者、日期、互动量、文本）。
• 查询抓取器，切勿猜测。 对于每个平台，先运行 bdata pipelines search "<platform> <data type>"，再运行 bdata pipelines info <dataset_id> <method> 查看输入字段，最后运行 bdata pipelines run。切勿猜测 dataset_id 或字段名称。完整工作流请参阅 brightdata-cli skill 和 pipelines reference。
• 需要解析或传递输出时，务必传入 --json。
• 注意成本效益——标准扫描约需 6–12 次 bdata 调用，而不是 50 次。采集信号最强的帖子和个人主页，而非所有内容。
• 在同一条回复中通过多个 Bash 工具调用并行执行互不依赖的调用。
• 每条提及都必须有来源 URL。 绝不可引用未注明来源的内容。
• 切勿捏造情感倾向或填补信息缺口。 如果某个平台没有返回结果，请在“缺口与注意事项”中说明。

平台模块

根据品牌选择合适的平台。消费类／文化类品牌通常侧重 TikTok／Instagram／Reddit；B2B／SaaS 品牌通常侧重 Reddit／X／评论网站；本地商家通常侧重 Google Maps 评论。

下面每个 run 都使用其上方 search 命令选定的 dataset_id。请先运行 bdata pipelines info <dataset_id> <method>：额外输入（评论数量、回溯天数）是其中列出的 --<field> <value> 标志。

Reddit — 坦诚、不加修饰的情感倾向

# Discover relevant threads
bdata search "<brand> site:reddit.com" --json
bdata search "<brand> review reddit" --json

# Pull structured post + comment data from the threads found
bdata pipelines search "reddit posts"
bdata pipelines run <dataset_id> collect_by_url "<reddit-thread-url>" -o reddit.json

Reddit 是获取坦率观点的最佳单一来源，这些观点往往会被品牌官方渠道掩盖。优先关注 Reddit。

X / Twitter — 实时反应

bdata search "<brand>" --json                      # find recent discussion
bdata pipelines search "x posts"
bdata pipelines run <dataset_id> collect_by_url "<x-post-url>" -o x.json

Instagram — 品牌美学、评论、拥护者

bdata pipelines search "instagram posts"         # profile posts; pick a method with info
bdata pipelines search "instagram comments"
bdata pipelines run <dataset_id> collect_by_url "<instagram-post-url>" -o ig_comments.json

TikTok — 文化相关性、病毒式传播的情感倾向

bdata pipelines search "tiktok posts"            # profile posts; pick a method with info
bdata pipelines search "tiktok comments"
bdata pipelines run <dataset_id> collect_by_url "<tiktok-video-url>" -o tt_comments.json

YouTube — 评论、教程、长篇观点（评论区尤其宝贵）

bdata search "<brand> review youtube" --json
bdata pipelines search "youtube videos"
bdata pipelines search "youtube comments"
bdata pipelines run <dataset_id> collect_by_url "<video-url>" -o yt_comments.json

评论 — 结构化客户情感倾向

# App-based products, local businesses, Facebook pages: find the review scraper
bdata pipelines search "google play"             # or "apple app store"
bdata pipelines search "google maps reviews"
bdata pipelines search "facebook reviews"
bdata pipelines run <dataset_id> collect_by_url "<listing-or-page-url>" -o reviews.json

# SaaS / software — discover then scrape (no pipeline)
bdata search "<brand> site:g2.com" --json
bdata search "<brand> site:capterra.com" --json
bdata scrape "<g2-or-capterra-url>"

新闻与媒体报道 — 报道内容与基调

bdata search "<brand>" --json                  # general SERP, scan for news
bdata scrape "<article-url>"                    # pull full article text for tone

切勿硬编码抓取器。 目录会变化，而且两个抓取器可能同名。务必在同一会话中从 bdata pipelines search 选择 dataset_id，并从 bdata pipelines info 获取字段。

选择要收集的内容

用户说……	从以下来源收集
“大家对我们／我的品牌有什么看法？”	Reddit + X + 评论 + 新闻（广泛搜集）
“我们的发布反响如何？”／“围绕 X 的热度如何？”	TikTok + Instagram + X + YouTube（侧重近期内容）
“找找投诉／大家讨厌什么”	Reddit + 评论（G2/Capterra/应用商店）+ YouTube 评论
“谁在支持我们／谁是粉丝？”	Instagram + TikTok + X（互动率高的正面帖子）
“声誉／情绪随时间的变化”	相同来源，选取两个时间段——对比之前与当前的情况
本地商家的声誉	Google Maps 评论 + Facebook 评论

情绪、主题与输出

请阅读 references/sentiment-and-output.md，了解：

• 标准化提及记录的架构（分析和数据集输出都使用此行结构）。
• 情绪判定方法与防护措施（根据文本原文进行分类；讽刺／含糊不清 → mixed；始终报告数量和百分比，并注明分母）。
• 主题聚类——可执行洞见的来源。
• 输出模板——A（摘要报告）、B（结构化数据集）、C（两者）。

输出质量标准

1. 每条提及都要有来源 URL——不得出现没有来源标注的说法。
2. 事实与解读分开——引文是事实；情绪标签是解读。请将两者区分开。
3. 百分比始终附带 N——写“142 条已分类提及中有 61% 为正面”，不得只写百分比。
4. 如实说明缺口——列出本次时间段内没有结果的平台。样本量较小、无法推及总体时，也要注明。
5. 所有内容标注日期——“数据收集日期： · 时间段：最近 天”。
6. 以“这意味着什么”收尾——每份报告最后给出 2–4 条可执行建议，每条建议都应基于数据中的某个主题。只有原始提及而没有解读，不算交付成果。