Analizė nuotaikų X platformoje
Šiame puslapyje
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.
Nuotaikų dimensijos rinkodaroje
Rinkodaros nuotaikų analizė eina toliau nei teigiamo ir neigiamo binaras. Štai svarbiausios dimensijos:
5 lygių nuotaikų skalė
- Labai teigiama: entuziazmas, aktyvus rekomendavimas, meilė prekės ženklui
- Teigiama: pasitenkinimas, pritarimas, susidomėjimas
- Neutrali: faktinis paminėjimas, informacijos dalinimasis
- Neigiama: nusivylimas, kritika, frustracija
- 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