Ir al contenido principal
Español— Elegir un idioma
Menú

Análisis de sentimiento en X

Lección 9 de 12 Actualizado el 30 de julio de 2026 Intermedio
En esta página
  1. Entiende lo que piensa realmente tu audiencia
  2. Dimensiones del sentimiento en marketing
  3. Analiza el sentimiento con la Búsqueda de X y Grok
  4. Obtén resultados estructurados en JSON
  5. Sigue la evolución del sentimiento en el tiempo
  6. Detecta crisis de reputación
  7. Puntos clave

Entiende lo que piensa realmente tu audiencia

El análisis de sentimiento transforma miles de publicaciones en una lectura clara de cómo se percibe tu marca, la de tus competidores o el sector en general. Con la Búsqueda de X y las capacidades de razonamiento de Grok, puedes ir más allá de la simple clasificación positivo/negativo para comprender matices emocionales, frustraciones latentes y señales de alerta.

5
niveles de sentimiento
API
tiempo real
JSON
salida estructurada
Multi
dimensiones analizadas

Dimensiones del sentimiento en marketing

El análisis de sentimiento en marketing va más allá del binario positivo/negativo. Estas son las dimensiones relevantes:

Escala de sentimiento de 5 niveles

  1. Muy positivo: entusiasmo, recomendación activa, amor por la marca.
  2. Positivo: satisfacción, aprobación, interés.
  3. Neutro: mención factual, intercambio de información.
  4. Negativo: decepción, crítica, frustración.
  5. Muy negativo: ira, llamada al boicot, crisis.

Dimensiones adicionales

  • Intención de compra: ¿Indica la publicación la intención de comprar o de darse de baja?
  • Influencia: ¿Procede la publicación de una cuenta influyente o de un consumidor medio?
  • Viralidad: ¿Tiene la publicación potencial de propagación?
  • Urgencia: ¿Requiere la señal una reacción rápida?

Analiza el sentimiento con la Búsqueda de X y Grok

Análisis de sentimiento para tu marca

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"""Analiza el sentimiento de las conversaciones en X
        sobre {marque} entre {start} y {today}.

        Para cada tema de conversación identificado, proporciona:
        1. El tema (p. ej., "atención al cliente", "calidad del producto")
        2. El sentimiento dominante (escala 1-5)
        3. El volumen estimado de conversación
        4. Los verbatims más representativos
        5. Las cuentas más influyentes en la discusión
        6. La evolución del sentimiento durante el periodo

        Resumen final:
        - Puntuación global de sentimiento (1-5)
        - 3 puntos positivos principales
        - 3 puntos negativos principales
        - Cualquier alerta""",
        tools=[{
            "type": "x_search",
            "from_date": start,
            "to_date": today
        }]
    )
    return response.output_text

Análisis de sentimiento comparativo

Compara la percepción de tu marca con la de tus competidores:

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"""Compara el sentimiento en X para estas marcas:
        {', '.join(marques)}

        Periodo: de {start} a {today}

        Para cada marca, evalúa:
        - Puntuación global de sentimiento (1-5, con decimales)
        - Temas positivos dominantes
        - Temas negativos dominantes
        - Puntos fuertes percibidos por el público
        - Puntos débiles percibidos por el público

        Tabla comparativa final ordenada por sentimiento.
        Identifica oportunidades de posicionamiento para la
        primera marca de la lista.""",
        tools=[{"type": "x_search", "from_date": start, "to_date": today}]
    )
    return response.output_text

Obtén resultados estructurados en JSON

Para integrar el análisis de sentimiento en una canalización de datos, solicita una salida en 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"""Analiza el sentimiento en X sobre {marque}.
        Periodo: de {start} a {today}.

        Responde ÚNICAMENTE en JSON válido con esta estructura:
        {{
          "brand": "{marque}",
          "period": "{start} - {today}",
          "global_score": 3.7,
          "distribution": {{
            "very_positive": 15,
            "positive": 35,
            "neutral": 30,
            "negative": 15,
            "very_negative": 5
          }},
          "themes": [
            {{
              "name": "atención al cliente",
              "score": 2.1,
              "volume": "high",
              "trend": "stable"
            }}
          ],
          "alerts": ["descripción de la alerta si procede"],
          "recommendations": ["acción recomendada"]
        }}""",
        tools=[{"type": "x_search", "from_date": start, "to_date": today}]
    )
    return response.output_text

Sigue la evolución del sentimiento en el tiempo

Un análisis puntual es útil, pero el seguimiento a lo largo del tiempo revela tendencias. Compara los resultados semana tras semana:

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"""Puntuación de sentimiento en X para {marque}
            de {start} a {end}.
            Responde con un 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

Detecta crisis de reputación

El análisis de sentimiento es tu primer sistema de alerta en caso de crisis:

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

    # Analiza el 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": "Se recomienda reunión de crisis"
        }
    return {"alert": False, "score": data["global_score"]}

Puntos clave

  • El análisis de sentimiento va más allá de positivo/negativo: evalúa la intención, la influencia y la urgencia.
  • Utiliza una escala de 5 niveles para captar los matices.
  • Solicita salidas estructuradas en JSON para alimentar tus cuadros de mando.
  • Sigue la evolución del sentimiento a lo largo del tiempo, no solo instantáneas puntuales.
  • Compara sistemáticamente tu sentimiento con el de tus competidores.
  • Configura umbrales de alerta para detectar crisis de reputación nada más surgir.