Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Sentiment-Analyse auf X

Lektion 9 von 12 Aktualisiert am 30. Juli 2026 Mittelstufe
Auf dieser Seite
  1. Verstehen Sie, was Ihre Zielgruppe wirklich denkt
  2. Sentiment-Dimensionen im Marketing
  3. Sentiment-Analyse mit X Search und Grok
  4. Strukturierte Ergebnisse in JSON erhalten
  5. Sentiment-Entwicklung über die Zeit verfolgen
  6. Reputationskrisen erkennen
  7. Kernaussagen

Verstehen Sie, was Ihre Zielgruppe wirklich denkt

Die Sentiment-Analyse verwandelt Tausende von Posts in eine klare Übersicht darüber, wie Ihre Marke, Wettbewerber oder die Branche wahrgenommen werden. Mit X Search und den Schlussfolgerungsfähigkeiten von Grok können Sie über eine einfache positive/negative Klassifizierung hinausgehen und emotionale Nuancen, latente Frustrationen und Warnsignale verstehen.

5
Sentiment-Ebenen
API
Echtzeit
JSON
strukturierte Ausgabe
Multi
Dimensionen analysiert

Sentiment-Dimensionen im Marketing

Die Sentiment-Analyse im Marketing geht über das positive/negative Binärmodell hinaus. Hier sind die relevanten Dimensionen:

5-Ebenen-Sentiment-Skala

  1. Sehr positiv: Begeisterung, aktive Empfehlung, Markenliebe
  2. Positiv: Zufriedenheit, Zustimmung, Interesse
  3. Neutral: Faktische Erwähnung, Informationsweitergabe
  4. Negativ: Enttäuschung, Kritik, Frustration
  5. Sehr negativ: Wut, Aufruf zum Boykott, Krise

Zusätzliche Dimensionen

  • Kaufabsicht: Zeigt der Post eine Absicht zum Kauf oder zum Abbestellen an?
  • Einfluss: Stammt der Post von einem einflussreichen Konto oder einem durchschnittlichen Verbraucher?
  • Viralität: Hat der Post Potenzial zur Verbreitung?
  • Dringlichkeit: Erfordert das Signal eine schnelle Reaktion?

Sentiment-Analyse mit X Search und Grok

Sentiment-Analyse für Ihre Marke

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

Vergleichende Sentiment-Analyse

Vergleichen Sie die Wahrnehmung Ihrer Marke mit der Ihrer Wettbewerber:

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

Strukturierte Ergebnisse in JSON erhalten

Um die Sentiment-Analyse in eine Datenpipeline zu integrieren, fordern Sie eine JSON-Ausgabe an:

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

Sentiment-Entwicklung über die Zeit verfolgen

Einmalige Analysen sind nützlich, aber die Verfolgung über die Zeit offenbart Trends. Vergleichen Sie die Ergebnisse Woche für Woche:

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

Reputationskrisen erkennen

Die Sentiment-Analyse ist Ihr erstes Warnsystem im Falle einer 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"]}

Kernaussagen

  • Die Sentiment-Analyse geht über positiv/negativ hinaus: Bewerten Sie Absicht, Einfluss und Dringlichkeit.
  • Nutzen Sie eine 5-Ebenen-Skala, um Nuancen zu erfassen.
  • Fordern Sie strukturierte JSON-Ausgaben an, um Ihre Dashboards zu versorgen.
  • Verfolgen Sie die Sentiment-Entwicklung über die Zeit, nicht nur einmalige Schnappschüsse.
  • Vergleichen Sie systematisch Ihr Sentiment mit dem Ihrer Wettbewerber.
  • Konfigurieren Sie Warnschwellen, um Reputationskrisen in ihrem Entstehen zu erkennen.