Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Analisi del sentiment su X

Lezione 9 di 12 Aggiornata il 30 luglio 2026 Intermedio
In questa pagina
  1. Comprendi cosa pensa davvero il tuo pubblico
  2. Dimensioni del sentiment nel marketing
  3. Analizza il sentiment con X Search e Grok
  4. Ottieni risultati strutturati in JSON
  5. Monitora l’evoluzione del sentiment nel tempo
  6. Rileva le crisi di reputazione
  7. Punti chiave

Comprendi cosa pensa davvero il tuo pubblico

L’analisi del sentiment trasforma migliaia di post in una lettura chiara di come vengono percepiti il tuo brand, i concorrenti o il settore. Con X Search e le capacità di ragionamento di Grok, puoi andare oltre la semplice classificazione positivo/negativo per comprendere le sfumature emotive, le frustrazioni latenti e i segnali di allarme.

5
livelli di sentiment
API
tempo reale
JSON
output strutturato
Multi
dimensioni analizzate

Dimensioni del sentiment nel marketing

L’analisi del sentiment nel marketing va oltre il binario positivo/negativo. Ecco le dimensioni rilevanti:

Scala del sentiment a 5 livelli

  1. Molto positivo: entusiasmo, raccomandazione attiva, amore per il brand
  2. Positivo: soddisfazione, approvazione, interesse
  3. Neutro: menzione fattuale, condivisione di informazioni
  4. Negativo: delusione, critica, frustrazione
  5. Molto negativo: rabbia, invito al boicottaggio, crisi

Dimensioni aggiuntive

  • Intenzione d’acquisto: Il post indica l’intenzione di acquistare o di disdire?
  • Influenza: Il post proviene da un account influente o da un consumatore medio?
  • Virality: Il post ha potenziale di propagazione?
  • Urgenza: Il segnale richiede una reazione rapida?

Analizza il sentiment con X Search e Grok

Analisi del sentiment per il tuo brand

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

Analisi comparativa del sentiment

Confronta la percezione del tuo brand con quella dei tuoi concorrenti:

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

Ottieni risultati strutturati in JSON

Per integrare l’analisi del sentiment in una pipeline di dati, richiedi un output 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

Monitora l’evoluzione del sentiment nel tempo

L’analisi una tantum è utile, ma il monitoraggio nel tempo rivela i trend. Confronta i risultati settimana dopo settimana:

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

Rileva le crisi di reputazione

L’analisi del sentiment è il tuo primo sistema di allerta in caso di crisi:

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"]}

Punti chiave

  • L’analisi del sentiment va oltre il positivo/negativo: valuta intenzione, influenza e urgenza
  • Usa una scala a 5 livelli per cogliere le sfumature
  • Richiedi output JSON strutturati per alimentare le tue dashboard
  • Monitora l’evoluzione del sentiment nel tempo, non solo istantanee una tantum
  • Confronta sistematicamente il tuo sentiment con quello dei concorrenti
  • Configura soglie di allerta per rilevare le crisi di reputazione non appena emergono