Премини към основното съдържание
Български— Изберете език
Меню

Анализ на настроенията в X

Урок 9 от 12 Обновен 30 юли 2026 г. Средно
На тази страница
  1. Разберете какво мисли аудиторията Ви всъщност
  2. Измерения на настроенията в маркетинга
  3. Анализирайте настроенията с X Search и Grok
  4. Получавайте структурирани резултати в JSON
  5. Следете еволюцията на настроенията във времето
  6. Откривайте кризи на репутацията
  7. Ключови изводи

Разберете какво мисли аудиторията Ви всъщност

Анализът на настроенията превръща хиляди публикации в ясна представа за това как се възприемат Вашата марка, конкурентите или индустрията. С функцията за търсене в X и способностите за разсъждение на Grok, можете да надскочите простата класификация „положително/отрицателно“, за да разберете емоционалните нюанси, скритите разочарования и предупредителните сигнали.

5
нива на настроението
API
в реално време
JSON
структуриран изход
Много
анализирани измерения

Измерения на настроенията в маркетинга

Анализът на настроенията в маркетинга надхвърля бинарното деление на положително и отрицателно. Ето кои са релевантните измерения:

Скала за настроение от 5 нива

  1. Много положително: ентусиазъм, активна препоръка, любов към марката
  2. Положително: удовлетворение, одобрение, интерес
  3. Неутрално: фактологично споменаване, споделяне на информация
  4. Отрицателно: разочарование, критика, фрустрация
  5. Много отрицателно: гняв, призив за бойкот, криза

Допълнителни измерения

  • Намерение за покупка: Посочва ли публикацията намерение за покупка или отказ от абонамент?
  • Влияние: Публикацията идва ли от влиятелен акаунт или от обикновен потребител?
  • Вирусност: Има ли публикацията потенциал за разпространение?
  • Спешност: Изисква ли сигналът бърза реакция?

Анализирайте настроенията с X Search и Grok

Анализ на настроенията за Вашата марка

def analyser_sentiment_marque(marque, periode_jours=7):
    from datetime import datetime, timedelta

    today = datetime.now().strftime("%Y-%m-%d")
    start = (datetime.now() - timedelta(days=periode_jours)).strftime("%Y-%m-%d")

    response = client.responses.create(
        model="grok-4.20-0309-reasoning",
        input=f"""Analyze the sentiment of conversations on X
        about {marque} between {start} and {today}.

        For each conversation theme identified, provide:
        1. The theme (e.g., "customer service", "product quality")
        2. The dominant sentiment (1-5 scale)
        3. The estimated conversation volume
        4. The most representative verbatims
        5. The most influential accounts in the discussion
        6. Sentiment evolution over the period

        Final summary:
        - Global sentiment score (1-5)
        - Top 3 positive points
        - Top 3 negative points
        - Any alerts""",
        tools=[{
            "type": "x_search",
            "from_date": start,
            "to_date": today
        }]
    )
    return response.output_text

Сравнителен анализ на настроенията

Сравнете възприятието за Вашата марка с това на конкурентите Ви:

def sentiment_comparatif(marques, periode_jours=30):
    from datetime import datetime, timedelta

    today = datetime.now().strftime("%Y-%m-%d")
    start = (datetime.now() - timedelta(days=periode_jours)).strftime("%Y-%m-%d")

    response = client.responses.create(
        model="grok-4.20-0309-reasoning",
        input=f"""Compare sentiment on X for these brands:
        {', '.join(marques)}

        Period: {start} to {today}

        For each brand, evaluate:
        - Global sentiment score (1-5, with decimal)
        - Dominant positive themes
        - Dominant negative themes
        - Strengths perceived by the public
        - Weaknesses perceived by the public

        Final comparison table ranked by sentiment.
        Identify positioning opportunities for the
        first brand in the list.""",
        tools=[{"type": "x_search", "from_date": start, "to_date": today}]
    )
    return response.output_text

Получавайте структурирани резултати в JSON

За да интегрирате анализа на настроенията в даннен поток (data pipeline), поискайте изход във формат JSON:

def sentiment_structure(marque, periode_jours=7):
    from datetime import datetime, timedelta

    today = datetime.now().strftime("%Y-%m-%d")
    start = (datetime.now() - timedelta(days=periode_jours)).strftime("%Y-%m-%d")

    response = client.responses.create(
        model="grok-4.20-0309-reasoning",
        input=f"""Analyze sentiment on X about {marque}.
        Period: {start} to {today}.

        Respond ONLY in valid JSON with this structure:
        {{
          "brand": "{marque}",
          "period": "{start} - {today}",
          "global_score": 3.7,
          "distribution": {{
            "very_positive": 15,
            "positive": 35,
            "neutral": 30,
            "negative": 15,
            "very_negative": 5
          }},
          "themes": [
            {{
              "name": "customer service",
              "score": 2.1,
              "volume": "high",
              "trend": "stable"
            }}
          ],
          "alerts": ["alert description if applicable"],
          "recommendations": ["recommended action"]
        }}""",
        tools=[{"type": "x_search", "from_date": start, "to_date": today}]
    )
    return response.output_text

Следете еволюцията на настроенията във времето

Еднократният анализ е полезен, но проследяването във времето разкрива тенденции. Сравнявайте резултатите седмица след седмица:

def evolution_sentiment(marque, nb_semaines=4):
    from datetime import datetime, timedelta
    import json

    historique = []
    for i in range(nb_semaines, 0, -1):
        end = (datetime.now() - timedelta(weeks=i-1)).strftime("%Y-%m-%d")
        start = (datetime.now() - timedelta(weeks=i)).strftime("%Y-%m-%d")

        response = client.responses.create(
            model="grok-4.20-0309-reasoning",
            input=f"""Sentiment score on X for {marque}
            from {start} to {end}.
            Respond with a JSON: {{"week": "{start}",
            "score": X.X, "volume": N, "dominant_theme": "..."}}""",
            tools=[{
                "type": "x_search",
                "from_date": start,
                "to_date": end
            }]
        )
        historique.append(response.output_text)

    return historique

Откривайте кризи на репутацията

Анализът на настроенията е Вашата първа система за предупреждение в случай на криза:

def detecter_crise(marque, seuil_negatif=40):
    resultat = sentiment_structure(marque, periode_jours=1)

    # Parse the JSON
    import json
    data = json.loads(resultat)

    pct_negatif = (data["distribution"]["negative"] +
                   data["distribution"]["very_negative"])

    if pct_negatif > seuil_negatif:
        return {
            "alert": True,
            "level": "CRITICAL" if pct_negatif > 60 else "IMPORTANT",
            "score": data["global_score"],
            "negative_themes": [t for t in data["themes"] if t["score"] < 2.5],
            "recommendation": "Crisis meeting recommended"
        }
    return {"alert": False, "score": data["global_score"]}

Ключови изводи

  • Анализът на настроенията надхвърля простото „положително/отрицателно“: оценявайте намерението, влиянието и спешността
  • Използвайте скала от 5 нива, за да уловите нюансите
  • Искайте структурирани JSON изходи, за да захранвате таблата си с данни (dashboards)
  • Проследявайте еволюцията на настроенията във времето, а не само еднократни снимки на ситуацията
  • Системно сравнявайте Вашите настроения с тези на конкурентите
  • Конфигурирайте прагове за предупреждение, за да откривате кризи на репутацията още при появата им