Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Ανάλυση συναισθήματος στο X

Μάθημα 9 / 12 Ενημερώθηκε 30 Ιουλίου 2026 Μέσου επιπέδου
Σε αυτήν τη σελίδα
  1. Κατανοήστε τι σκέφτεται πραγματικά το κοινό σας
  2. Διαστάσεις συναισθήματος στο μάρκετινγκ
  3. Αναλύστε το συναίσθημα με την Αναζήτηση X και το Grok
  4. Λάβετε δομημένα αποτελέσματα σε JSON
  5. Παρακολουθήστε την εξέλιξη του συναισθήματος στον χρόνο
  6. Εντοπίστε κρίσεις φήμης
  7. Βασικά σημεία

Κατανοήστε τι σκέφτεται πραγματικά το κοινό σας

Η ανάλυση συναισθήματος μετατρέπει χιλιάδες αναρτήσεις σε μια καθαρή εικόνα για το πώς αντιλαμβάνονται την επωνυμία σας, τους ανταγωνιστές σας ή τον κλάδο σας. Με την Αναζήτηση X και τις ικανότητες συλλογισμού του Grok, μπορείτε να προχωρήσετε πέρα από την απλή ταξινόμηση θετικό/αρνητικό, ώστε να κατανοήσετε συναισθηματικές αποχρώσεις, λανθάνουσες απογοητεύσεις και σήματα προειδοποίησης.

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

Διαστάσεις συναισθήματος στο μάρκετινγκ

Η ανάλυση συναισθήματος στο μάρκετινγκ ξεπερνά τη δυαδική λογική θετικό/αρνητικό. Ακολουθούν οι σχετικές διαστάσεις:

Κλίμακα συναισθήματος 5 επιπέδων

  1. Πολύ θετικό: ενθουσιασμός, ενεργητική σύσταση, αγάπη για την επωνυμία
  2. Θετικό: ικανοποίηση, έγκριση, ενδιαφέρον
  3. Ουδέτερο: πραγματική αναφορά, κοινή χρήση πληροφοριών
  4. Αρνητικό: απογοήτευση, κριτική, απογοήτευση
  5. Πολύ αρνητικό: οργή, κάλεσμα για μποϊκοτάζ, κρίση

Πρόσθετες διαστάσεις

  • Πρόθεση αγοράς: Η ανάρτηση υποδηλώνει πρόθεση αγοράς ή διαγραφής;
  • Επιρροή: Η ανάρτηση προέρχεται από έναν λογαριασμό με επιρροή ή από έναν μέσο καταναλωτή;
  • Ιογενής διάδοση: Έχει η ανάρτηση δυναμικό διάδοσης;
  • Επείγον: Απαιτεί το σήμα γρήγορη αντίδραση;

Αναλύστε το συναίσθημα με την Αναζήτηση X και το Grok

Ανάλυση συναισθήματος για την επωνυμία σας

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

Συγκριτική ανάλυση συναισθήματος

Συγκρίνετε την αντίληψη για την επωνυμία σας με εκείνη των ανταγωνιστών σας:

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

Λάβετε δομημένα αποτελέσματα σε JSON

Για να ενσωματώσετε την ανάλυση συναισθήματος σε έναν αγωγό δεδομένων, ζητήστε έξοδο σε 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

Παρακολουθήστε την εξέλιξη του συναισθήματος στον χρόνο

Η εφάπαξ ανάλυση είναι χρήσιμη, αλλά η παρακολούθηση στον χρόνο αποκαλύπτει τάσεις. Συγκρίνετε τα αποτελέσματα εβδομάδα με την εβδομάδα:

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

Εντοπίστε κρίσεις φήμης

Η ανάλυση συναισθήματος αποτελεί το πρώτο σας σύστημα συναγερμού σε περίπτωση κρίσης:

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"]}

Βασικά σημεία

  • Η ανάλυση συναισθήματος ξεπερνά το θετικό/αρνητικό: αξιολογήστε την πρόθεση, την επιρροή και το επείγον
  • Χρησιμοποιήστε μια κλίμακα 5 επιπέδων για να καταγράψετε τις αποχρώσεις
  • Ζητήστε δομημένες εξόδους JSON για να τροφοδοτήσετε τους πίνακες ελέγχου σας
  • Παρακολουθήστε την εξέλιξη του συναισθήματος στον χρόνο, όχι μόνο στιγμιότυπα μίας χρήσης
  • Συγκρίνετε συστηματικά το συναίσθημά σας με εκείνο των ανταγωνιστών σας
  • Διαμορφώστε κατώφλια συναγερμού για να εντοπίζετε κρίσεις φήμης μόλις αναδύονται