Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Véleményelemzés az X-en

9. lecke 12 közül Frissítve 2026. július 30. Középhaladó
Ezen az oldalon
  1. Értsd meg, mit gondol valójában a közönséged
  2. A véleményelemzés dimenziói a marketingben
  3. Véleményelemzés az X Search és a Grok segítségével
  4. Strukturált eredmények lekérése JSON-ban
  5. A vélemény időbeli alakulásának nyomon követése
  6. Reputációs válságok észlelése
  7. Főbb megállapítások

Értsd meg, mit gondol valójában a közönséged

A véleményelemzés (sentiment analysis) több ezer bejegyzést alakít át átlátható képpé arról, hogyan ítélik meg a márkádat, a versenytársaidat vagy az iparágadat. Az X Search és a Grok következtetési képességeivel túlmutathatsz az egyszerű pozitív/negatív besoroláson, hogy megértsd az érzelmi árnyalatokat, a lappangó frusztrációkat és a figyelmeztető jeleket.

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

A véleményelemzés dimenziói a marketingben

A marketing célú véleményelemzés túlmutat a pozitív/negatív bináris modellen. Íme a releváns dimenziók:

5 szintű véleményskála

  1. Nagyon pozitív: lelkesedés, aktív ajánlás, márkaszeretet
  2. Pozitív: elégedettség, jóváhagyás, érdeklődés
  3. Semleges: tényközlő említés, információmegosztás
  4. Negatív: csalódottság, kritika, frusztráció
  5. Nagyon negatív: düh, bojkottra való felszólítás, válság

További dimenziók

  • Vásárlási szándék: A bejegyzés utal vásárlási vagy leiratkozási szándékra?
  • Befolyás: A bejegyzés egy influens fióktól vagy egy átlagos fogyasztótól származik?
  • Viralitás: Rendelkezik a bejegyzés terjedési potenciállal?
  • Sürgősség: Megköveteli a jelzés a gyors reakciót?

Véleményelemzés az X Search és a Grok segítségével

Véleményelemzés a márkád számára

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

Összehasonlító véleményelemzés

Hasonlítsd össze a márkád megítélését a versenytársaidéval:

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

Strukturált eredmények lekérése JSON-ban

Ahhoz, hogy a véleményelemzést beépítsd egy adatfolyamatba (data pipeline), kérj JSON kimenetet:

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

A vélemény időbeli alakulásának nyomon követése

Az egyszeri elemzés hasznos, de az időbeli nyomon követés tárja fel a trendeket. Hasonlítsd össze az eredményeket hétről hétre:

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

Reputációs válságok észlelése

A véleményelemzés az első riasztórendszered válsághelyzet esetén:

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"]}

Főbb megállapítások

  • A véleményelemzés túlmutat a pozitív/negatív dichotómián: értékeld a szándékot, a befolyást és a sürgősséget
  • Használj 5 szintű skálát az árnyalatok megragadásához
  • Kérj strukturált JSON kimeneteket a műszerfalaid (dashboardok) táplálásához
  • Kövesd nyomon a vélemény időbeli alakulását, ne csak egyszeri pillanatfelvételeket készíts
  • Hasonlítsd össze szisztematikusan a saját véleményedet a versenytársaidéval
  • Állíts be riasztási küszöbértékeket, hogy a reputációs válságokat azok kialakulásakor észleld