Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Analýza sentimentu na X

Lekce 9 z 12 Aktualizováno 30. července 2026 Mírně pokročilý
Na této stránce
  1. Pochoť, co si vaše publikum opravdu myslí
  2. Dimenze sentimentu v marketingu
  3. Analýza sentimentu pomocí X Search a Grok
  4. Získání strukturovaných výsledků ve formátu JSON
  5. Sledování vývoje sentimentu v čase
  6. Detekce krizí reputace
  7. Klíčové poznatky

Pochoť, co si vaše publikum opravdu myslí

Analýza sentimentu promění tisíce příspěvků v jasný obraz o tom, jak je vnímána vaše značka, konkurence nebo celé odvětví. Díky vyhledávání na X a schopnostem logického uvažování modelu Grok se dostanete dál než k prostému dělení na pozitivní a negativní. Pochopíte emoční nuance, skryté frustrace a varovné signály.

5
úrovní sentimentu
API
v reálném čase
JSON
strukturovaný výstup
Více
analyzovaných dimenzí

Dimenze sentimentu v marketingu

Marketingová analýza sentimentu přesahuje binární dělení na pozitivní a negativní. Zde jsou klíčové dimenze:

Pětibodová škála sentimentu

  1. Velmi pozitivní: nadšení, aktivní doporučení, láska ke značce
  2. Pozitivní: spokojenost, souhlas, zájem
  3. Neutrální: faktická zmínka, sdílení informací
  4. Negativní: zklamání, kritika, frustrace
  5. Velmi negativní: hněv, výzva k bojkotu, krize

Další dimenze

  • Záměr k nákupu: Naznačuje příspěvek úmysl koupit, nebo se odhlásit?
  • Vliv: Pochází příspěvek od vlivného účtu, nebo od běžného spotřebitele?
  • Virální potenciál: Má příspěvek potenciál se rychle šířit?
  • Naléhavost: Vyžaduje tento signál rychlou reakci?

Analýza sentimentu pomocí X Search a Grok

Analýza sentimentu pro vaši značku

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

Komparativní analýza sentimentu

Porovnejte vnímání své značky s vnímáním konkurence:

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

Získání strukturovaných výsledků ve formátu JSON

Chcete-li integrovat analýzu sentimentu do datového pipeline, vyžádejte si výstup ve formátu 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

Sledování vývoje sentimentu v čase

Jednorázová analýza je užitečná, ale sledování v čase odhaluje trendy. Porovnávejte výsledky týden co týden:

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

Detekce krizí reputace

Analýza sentimentu je vaším prvním varovným systémem v případě krize:

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"]}

Klíčové poznatky

  • Analýza sentimentu přesahuje dělení na pozitivní a negativní: hodnotí záměr, vliv a naléhavost
  • Používej pětibodovou škálu pro zachycení nuancí
  • Vyžaduj strukturované výstupy ve formátu JSON pro napájení svých dashboardů
  • Sleduj vývoj sentimentu v čase, nejen jednorázové snímky
  • Systematicky porovnávej svůj sentiment se sentimentem konkurence
  • Nastavuj prahové hodnoty pro alerty, abys detekoval krize reputace v zárodku