在前幾天的冒險中，我們修煉了AI加值的魔法。接下來，我們要進一步：將這些魔法拿來應用在生活中。

想像自己是 分析師或產品經理，每月初都要整理 上萬筆顧客評論。如果完全手動處理，不僅耗時，也容易出錯。我們的任務目標是：從海量消費者回饋中，依各個面向找出關鍵的強弱項決定性因素，生成每月智慧報表，包含情緒統計、平均評分、正負向文字雲與雷達圖，並產出可立即洞察的報告，讓主管或團隊一眼掌握重點。

核心觀念是：把零散資料透過AI賦能的魔法、加上統計繪圖的視覺化效果，封裝成一條自動化生產線，—— 這就是我們的 Mario Dashboard。

Mario Dashboard 的冒險步驟

Step 1：資料整理與暫存

今天用到的資料集是 Yelp 資料集，它是一個完整的「用戶-商家-評論」生態資料庫，非常適合用來練習資料清理、分析、NLP 與可視化，甚至做自動化月報或商業洞察演練。不過它的資料量驚人，原始資料光是旅遊類就高達90萬筆，這就是我們遇到的第一個挑戰。

我們的解法是先將原始資料將大檔案分塊to_parquet存成 Parquet暫存為雲端，方便後續分批讀取與並行處理，提高記憶體效率與運算速度，同時也避免每次都得從頭讀取原始資料算。

Step 2：情緒分析

這次介紹的是 TextBlob 情緒分類，它是 Python 的簡單自然語言處理工具，能快速進行情緒分析、詞性標註和文字操作。特別適合分析評論或社群貼文的正負向情緒，並能輕鬆整合到資料分析流程中。簡單幾行程式就能抓取文字情緒和關鍵資訊，非常適合 NLP 入門或快速原型開發。

透過統計及分析評論文字的情緒 polarity → 正面、負面、中性，我們能快速提供量化指標，直接反映口碑趨勢，作為報表核心數據。

Step 3：關鍵字抽取

針對每則評論提取正負向關鍵字，觀察前100個關鍵字後啟用自訂停用字，並結合sklearn內建的ENGLISH_STOP_WORDS。

透過停用字機制，找出真正具有代表性的關鍵字。這在後續雷達圖、文字雲呈現上，能展現真正有洞察價值的詞。

Step 4：雷達圖生成

透過前面抽取的關鍵字，各面向平均評分視覺化。比表格直觀，讀者一眼就能看出各面向表現。

Step 5：文字雲生成

依照正負向關鍵字生成文字雲，讓高頻重要詞直觀呈現，快速抓住評論重點。

Step 6：Pipeline成函式並執行月報生成

把前面的步驟打包成 generate_monthly_report 函式，透過呼叫函式，產生指定月份報表，鎖定分析目標期間，避免干擾資訊。

資料探勘小發現

在整理評論資料的過程中，我們注意到：

　- 評論時間分布差異：部分日期評論量特別高，影響平均情緒與評分，可考慮加權或排除極端值。
　- 負向評論深度洞察：雖數量少，但常包含產品或服務改進建議，納入報表可提升決策參考價值。

這提醒我們，自動化月報不只是程式自動化，更要在資料前處理與文字分析上下功夫，才能產出高品質洞察。

今天解鎖的新技能：

🍄 資料處理與效能優化：大檔分塊、平行處理、暫存策略，運算穩定高效
🍄 文字分析與 NLP 技巧：TextBlob + 停用字 完成情緒分類、關鍵字提取，生成文字雲與雷達圖

📓 小結：

我們今天把零散的評論資料轉化成高效、可視化的智慧月報，讓「資料到決策」變得高效又可靠。期望未來，它能延伸到更多面向，讓自動化與效率真正落地到日常工作中。