Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Sentimentanalyse på X

Lektion 9 af 12 Opdateret 30. juli 2026 Mellem
På denne side
  1. Forstå, hvad din målgruppe virkelig tænker
  2. Sentimentdimensioner inden for marketing
  3. Analyser sentiment med X Search og Grok
  4. Få strukturerede resultater i JSON
  5. Følg sentimentudviklingen over tid
  6. Opdag omdømmekriser
  7. Vigtige pointer

Forstå, hvad din målgruppe virkelig tænker

Sentimentanalyse omdanner tusindvis af opslag til et klart billede af, hvordan din brand, dine konkurrenter eller din branche opfattes. Med X Search og Groks ræsonnementsevner kan du gå ud over simpel positiv/negativ klassificering for at forstå følelsesmæssige nuancer, latente frustrationer og advarselssignaler.

5
sentiment levels
API
real-time
JSON
structured output
Multi
dimensions analyzed

Sentimentdimensioner inden for marketing

Sentimentanalyse i marketing går ud over den binære positiv/negativ-opdeling. Her er de relevante dimensioner:

5-trins sentimentskala

  1. Meget positiv: Entusiasme, aktiv anbefaling, brandkærlighed
  2. Positiv: Tilfredshed, godkendelse, interesse
  3. Neutral: Faktuel omtale, deling af information
  4. Negativ: Skuffelse, kritik, frustration
  5. Meget negativ: Vrede, opfordring til boykot, krise

Yderligere dimensioner

  • Købsintention: Indikerer opslaget en intention om at købe eller afmelde sig?
  • Indflydelse: Kommer opslaget fra en indflydelsesrig konto eller en gennemsnitlig forbruger?
  • Viralitet: Har opslaget potentiale for spredning?
  • Hastegrad: Kræver signalet en hurtig reaktion?

Analyser sentiment med X Search og Grok

Sentimentanalyse for dit brand

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

Sammenlignende sentimentanalyse

Sammenlign opfattelsen af dit brand med dine konkurrenters:

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

Få strukturerede resultater i JSON

For at integrere sentimentanalyse i en datapipeline skal du anmode om et JSON-output:

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

Følg sentimentudviklingen over tid

Engangsanalyser er nyttige, men løbende opfølgning afslører tendenser. Sammenlign resultater uge for uge:

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

Opdag omdømmekriser

Sentimentanalyse er dit første alarmsystem i tilfælde af en krise:

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"]}

Vigtige pointer

  • Sentimentanalyse går ud over positiv/negativ: Vurder intention, indflydelse og hastegrad
  • Brug en 5-trins skala til at fange nuancer
  • Anmod om strukturerede JSON-output til at fodre dine dashboards
  • Følg sentimentudviklingen over tid, ikke kun øjebliksbilleder
  • Sammenlign systematisk dit sentiment med dine konkurrenters
  • Konfigurer alarmtærskler for at opdage omdømmekriser, så snart de opstår