Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Mielipideanalyysi X:ssä

Oppitunti 9 / 12 Päivitetty 30. heinäkuuta 2026 Keskitasoinen
Tällä sivulla
  1. Ymmärrä, mitä yleisösi todella ajattelee
  2. Mielipiteen ulottuvuudet markkinoinnissa
  3. Analysoi mielipiteitä X Searchin ja Grokin avulla
  4. Hae jäsennellyt tulokset JSON-muodossa
  5. Seuraa mielipiteen kehitystä ajan myötä
  6. Tunnista mainekriisit
  7. Keskeiset asiat

Ymmärrä, mitä yleisösi todella ajattelee

Mielipideanalyysi muuttaa tuhannet julkaisut selkeäksi kuvaksi siitä, miten brändiäsi, kilpailijoitasi tai toimialaasi pidetään. X Searchin ja Grokin päättelykyvyn avulla pääset pelkän myönteinen/kielteinen-luokittelun yli ymmärtämään tunnesävyjä, piileviä turhautumia ja varoitusmerkkejä.

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

Mielipiteen ulottuvuudet markkinoinnissa

Markkinoinnin mielipideanalyysi menee myönteinen/kielteinen-dikotomian yli. Tässä ovat oleelliset ulottuvuudet:

5-portainen mielipideasteikko

  1. Erittäin myönteinen: innostus, aktiivinen suositus, brändirakkaus
  2. Myönteinen: tyytyväisyys, hyväksyntä, kiinnostus
  3. Neutraali: asiallinen maininta, tiedon jakaminen
  4. Kielteinen: pettymys, kritiikki, turhautuminen
  5. Erittäin kielteinen: viha, boikottikehotus, kriisi

Lisäulottuvuudet

  • Ostoaikeet: Viittaako julkaisu osto- tai tilauksenperuutusaikeisiin?
  • Vaikutusvalta: Onko julkaisu peräisin vaikuttajatililtä vai tavalliselta kuluttajalta?
  • Leviäminen: Onko julkaisulla potentiaalia levitä laajalle?
  • Kiireellisyys: Vaatiiko signaali nopeaa reagointia?

Analysoi mielipiteitä X Searchin ja Grokin avulla

Brändisi mielipideanalyysi

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

Vertaileva mielipideanalyysi

Vertaa brändisi mielikuvaa kilpailijoidesi mielikuvaan:

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

Hae jäsennellyt tulokset JSON-muodossa

Integroidaksesi mielipideanalyysin dataputkiisi, pyydä tulosteeksi 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

Seuraa mielipiteen kehitystä ajan myötä

Kertaluonteinen analyysi on hyödyllinen, mutta seuranta ajan myötä paljastaa trendejä. Vertaa tuloksia viikosta toiseen:

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

Tunnista mainekriisit

Mielipideanalyysi on ensimmäinen hälytysjärjestelmäsi kriisitilanteissa:

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"]}

Keskeiset asiat

  • Mielipideanalyysi menee myönteinen/kielteinen-jakoa pidemmälle: arvioi aikeita, vaikutusvaltaa ja kiireellisyyttä
  • Käytä 5-portaista asteikkoa sävyjen tallentamiseen
  • Pyydä jäsenneltyjä JSON-tulosteita kojelautojesi syötöksi
  • Seuraa mielipiteen kehitystä ajan myötä, äläkä tyydy kertakuviin
  • Vertaa systemaattisesti omaa mielipidettäsi kilpailijoidesi mielipiteeseen
  • Määritä hälytyskynnykset mainekriisien havaitsemiseksi niiden alkaessa