Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Meeleoluanalüüs X-is

Õppetund 9 / 12 Värskendatud 30. juuli 2026 Kesktase
Sellel lehel
  1. Mõista, mida sinu sihtrühm tegelikult arvab
  2. Meeleolu mõõtmed turunduses
  3. Analüüsi meeleolu X Searchi ja Grokiga
  4. Saad struktureeritud tulemused JSON-formaadis
  5. Jälgi meeleolu muutumist ajas
  6. Tuvasta mainekriise
  7. Peamised punktid

Mõista, mida sinu sihtrühm tegelikult arvab

Meeleoluanalüüs muudab tuhanded postitused selgeks ülevaateks sellest, kuidas tajutakse sinu brändi, konkurente või tervet valdkonda. Kasutades X Searchi ja Groki arutlusvõimet, saad minna kaugemale lihtsast positiivne/negatiivne liigitusest ning mõista emotsionaalseid nüansse, varjatud pettumusi ja hoiatussignaale.

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

Meeleolu mõõtmed turunduses

Turunduslik meeleoluanalüüs ei piirdu positiivse ja negatiivse binaarse jaotusega. Siin on asjakohased mõõtmed:

5-tasemeline meeleoluskaala

  1. Väga positiivne: entusiasm, aktiivne soovitamine, brändiarmastus
  2. Positiivne: rahulolu, heakskiit, huvi
  3. Neutraalne: faktiline mainimine, info jagamine
  4. Negatiivne: pettumus, kriitika, frustratsioon
  5. Väga negatiivne: viha, boikotikutsed, kriis

Täiendavad mõõtmed

  • Ostukavatsus: Kas postitus viitab soovile osta või tellimus tühistada?
  • Mõjuvõim: Kas postitus pärineb mõjukalt kontolt või tavatarbijalt?
  • Viirusepotentsiaal: Kas postitusel on levimisvõime?
  • Kiireloomulisus: Kas signaal nõuab kiiret reaktsiooni?

Analüüsi meeleolu X Searchi ja Grokiga

Sinu brändi meeleoluanalüüs

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

Võrdlev meeleoluanalüüs

Võrdle oma brändi tajumist konkurentide omaga:

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

Saad struktureeritud tulemused JSON-formaadis

Meeleoluanalüüsi andmetorustikku integreerimiseks küsi väljundit JSON-formaadis:

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

Jälgi meeleolu muutumist ajas

Ühekordne analüüs on kasulik, kuid aja jooksul jälgimine paljastab trende. Võrdle tulemusi nädalast nädalasse:

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

Tuvasta mainekriise

Meeleoluanalüüs on sinu esimene hoiatussüsteem kriisi korral:

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"]}

Peamised punktid

  • Meeleoluanalüüs ulatub kaugemale positiivsest/negatiivsest: hinda kavatsust, mõjuvõimu ja kiireloomulisust
  • Kasuta 5-tasemelist skaalat nüansside tabamiseks
  • Küsi struktureeritud JSON-väljundeid oma armatuurlaudade toitmiseks
  • Jälgi meeleolu muutumist ajas, mitte ainult üksikuid hetktõmmiseid
  • Võrdle süstemaatiliselt oma meeleolu konkurentide omaga
  • Seadista hoiatusläved, et tuvastada tekkivaid mainekriise