
預測輿情發展趨勢,成為輿情監測的重點。
發現當前的社會沖突和公眾內在需求是決定輿論趨勢最終方向的關鍵。然而,隨著信息發布渠道的擴大和網絡水軍和機器人生成器的普遍使用,表面的輿論意義表達并不能準確地反映真實的輿論。簡單地分析網民發表的文字或輿論映射的話題,很難滿足深入了解事實本身和輿論真相的需要。
根據現實情況需要豐富的數據信息積累,幫助用戶采取預防措施,預防,消除潛在危機。

1. 周期性分析法
所謂“周期性分析法”,操作上非常簡單,就是把一個指標的觀察時間拉長,看它是否有周期變化規律。
通常輿情事件的發展周期:醞釀發展期——高漲期——衰退期——回落期,此外如果輿情在回落后出現回升便增加:反彈期——沉淀(回落期)
根據輿情走勢可判斷輿情事件所處階段,從而為決策提供有力依據。

2. 結構分析法
通過分析和確立事物(或系統)內部各組成要素之間的關系及聯系方式進而認識事物(或系統)整體特性的一種科學分析方法。
可通過詢問某一要素(輿情數據異常高或低)與其他要素產生不同的原因可通過“為什么”詢問法,來找出各要素之間的聯系。
3. 分層分析法
將收集來的數據按來源、性質等加以分類,將性質相同、在同條件下的數據歸在一起,從而將總體分為若干層次,分別加以研究。
樂思軟件將分層分析應用為數據搜集與存儲、數據分析和決策(輿情預警)支持三個模塊。

而該數據分析法運用到輿情分析上來,主要可通過對傳播話題的數量依次分布,分析出網絡上對某一輿情事件的重點關注以及需要重點處理應對的輿論。

4. 矩陣分析法
我們常見的態勢分析法(SWOT分析法)就是典型的矩陣分析法。
以SWOT分析法為例:
1.優勢分析:輿情事件種對自身有利的積極正面的網絡情感偏向苗頭存在;輿情事件高發地與自身資源優勢形成的有禮應對環境;技術及政策支持等。
2.劣勢分析:互聯網冗雜的信息使得不能對輿情產生的原因和首發進行有效分析和辨識,從而導致未能對輿情進行有效疏導。
3.機會分析:國民素質和知識水平的逐步提升;國家的強化引導;通過對網絡輿情的發展和傳播進行分類分析和歸納總結,即可得出有效的處理方法,用以指導具體的輿情應對,并提供決策依據。
4.威脅分析:隨著5G技術的快速發展,視頻和音頻平臺已經成為越來越重要的互動和社交渠道,視頻和音頻平臺發酵的輿論事件越來越多。是音視頻發展迅速,信息載體多樣化,增加監控難度。

5.標簽分析法
樂思軟件在這一應用上,較直接地表示后臺設置,針對文章類型對信息驚醒文章標簽化從而分出不同的輿情類型。
標簽分析法在輿情分析上也是對對敏感輿情類型的區分,從而有助于抓住重點問題,及時應對處理,也可根據主要問題的數據分布情況,預測輿情發展趨勢。
(部分圖文來源網絡,如有侵權請聯系刪文)