Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Analizė nuotaikų X platformoje

Paskaita 9 iš 12 Atnaujinta 2026 m. liepos 30 d. Vidutinis lygis
Šiame puslapyje
  1. Suprask, ką tavo auditorija iš tikrųjų galvoja
  2. Nuotaikų dimensijos rinkodaroje
  3. Analizuok nuotaikas naudodamas X paiešką ir „Grok“
  4. Gauk struktūruotus rezultatus JSON formatu
  5. Stebėk nuotaikų pokyčius laike
  6. Aptik reputacijos krizes
  7. Svarbiausi punktai

Suprask, ką tavo auditorija iš tikrųjų galvoja

Nuotaikų analizė tūkstančius įrašų paverčia aiškiu tavo prekės ženklo, konkurentų ar pramonės suvokimo vaizdu. Naudodamas X paiešką ir „Grok“ samprotavimo galimybes, gali peržengti paprastą teigiamų/neigiamų klasifikaciją ir suprasti emocinius niuansus, latentinį nusivylimą bei įspėjamuosius signalus.

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

Nuotaikų dimensijos rinkodaroje

Rinkodaros nuotaikų analizė eina toliau nei teigiamo ir neigiamo binaras. Štai svarbiausios dimensijos:

5 lygių nuotaikų skalė

  1. Labai teigiama: entuziazmas, aktyvus rekomendavimas, meilė prekės ženklui
  2. Teigiama: pasitenkinimas, pritarimas, susidomėjimas
  3. Neutrali: faktinis paminėjimas, informacijos dalinimasis
  4. Neigiama: nusivylimas, kritika, frustracija
  5. Labai neigiama: pyktis, raginimas boikotuoti, krizė

Papildomos dimensijos

  • Pirkimo ketinimas: ar įraše nurodomas ketinimas pirkti ar atsisakyti paslaugos?
  • Įtaka: ar įrašas kyla iš įtakingos paskyros ar vidutinio vartotojo?
  • Viralumas: ar įrašas turi plitimo potencialą?
  • Skubumas: ar signalas reikalauja greitos reakcijos?

Analizuok nuotaikas naudodamas X paiešką ir „Grok“

Tavo prekės ženklo nuotaikų analizė

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

Lyginamoji nuotaikų analizė

Palygink savo prekės ženklo suvokimą su konkurentų:

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

Gauk struktūruotus rezultatus JSON formatu

Norėdamas integruoti nuotaikų analizę į duomenų vamzdyną, prašyk JSON išvesties:

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

Stebėk nuotaikų pokyčius laike

Vienkartinė analizė naudinga, tačiau stebėjimas laike atskleidžia tendencijas. Lygink rezultatus savaitę po savaitės:

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

Aptik reputacijos krizes

Nuotaikų analizė yra tavo pirmoji įspėjimo sistema kilus krizei:

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"]}

Svarbiausi punktai

  • Nuotaikų analizė eina toliau nei teigiamas/neigiamas: vertink ketinimus, įtaką ir skubumą
  • Naudok 5 lygių skalę niuansams užfiksuoti
  • Prašyk struktūruotos JSON išvesties savo prietaisų skydeliams maitinti
  • Stebėk nuotaikų pokyčius laike, o ne tik daryk vienkartines nuotraukas
  • Sistemingai lygink savo nuotaikas su konkurentų nuotaikomis
  • Nustatyk įspėjimo slenksčius, kad reputacijos krizes aptiktum joms tik prasidedant