Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Analiza sentimenta na X-u

Lekcija 9 od 12 Ažurirano 30. srpnja 2026. Srednja razina
Na ovoj stranici
  1. Shvati što tvoja publika doista misli
  2. Dimenzije sentimenta u marketingu
  3. Analiziraj sentiment pomoću X Searcha i Groka
  4. Dobij strukturirane rezultate u JSON-u
  5. Prati evoluciju sentimenta kroz vrijeme
  6. Otkrij krize reputacije
  7. Ključne točke

Shvati što tvoja publika doista misli

Analiza sentimenta pretvara tisuće objava u jasan uvid u to kako se percipiraju tvoja marka, konkurenti ili industrija. Uz X Search i mogućnosti rezoniranja Groka, možeš ići dalje od jednostavne klasifikacije pozitivno/negativno te razumjeti emocionalne nijanse, skrivene frustracije i signale upozorenja.

5
razina sentimenta
API
u stvarnom vremenu
JSON
strukturirani izlaz
Više
analiziranih dimenzija

Dimenzije sentimenta u marketingu

Analiza marketing sentimenta nadilazi binarni sustav pozitivno/negativno. Evo relevantnih dimenzija:

Ljestvica sentimenta s 5 razina

  1. Vrlo pozitivno: oduševljenje, aktivno preporučivanje, ljubav prema marki
  2. Pozitivno: zadovoljstvo, odobravanje, interes
  3. Neutralno: činjenični spomen, dijeljenje informacija
  4. Negativno: razočaranje, kritika, frustracija
  5. Vrlo negativno: bijes, poziv na bojkot, kriza

Dodatne dimenzije

  • Namjera kupnje: Ukazuje li objava na namjeru kupnje ili odjave?
  • Utjecaj: Potječe li objava s utjecajnog računa ili od prosječnog potrošača?
  • Viralnost: Ima li objava potencijal širenja?
  • Hitnost: Zahtijeva li signal brzu reakciju?

Analiziraj sentiment pomoću X Searcha i Groka

Analiza sentimenta za tvoju marku

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

Komparativna analiza sentimenta

Usporedi percepciju svoje marke s percepcijom konkurenata:

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

Dobij strukturirane rezultate u JSON-u

Da bi integrirao analizu sentimenta u podatkovni cjevovod, zatraži JSON izlaz:

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

Prati evoluciju sentimenta kroz vrijeme

Jednokratna analiza je korisna, ali praćenje kroz vrijeme otkriva trendove. Uspoređuj rezultate iz tjedna u tjedan:

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

Otkrij krize reputacije

Analiza sentimenta tvoj je prvi sustav za uzbunu u slučaju krize:

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"]}

Ključne točke

  • Analiza sentimenta nadilazi pozitivno/negativno: procijeni namjeru, utjecaj i hitnost
  • Koristi ljestvicu s 5 razina za hvatanje nijansi
  • Zatraži strukturirane JSON izlaze za napajanje svojih nadzornih ploča
  • Prati evoluciju sentimenta kroz vrijeme, a ne samo jednokratne snimke stanja
  • Sustavno uspoređuj svoj sentiment s onim kod konkurenata
  • Konfiguriraj pragove uzbune za rano otkrivanje kriza reputacije