Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Sentimentanalyse op X

Les 9 van 12 Bijgewerkt op 30 juli 2026 Gemiddeld
Op deze pagina
  1. Begrijp wat uw publiek echt denkt
  2. Sentimentdimensies in marketing
  3. Sentiment analyseren met X Search en Grok
  4. Gestructureerde resultaten in JSON verkrijgen
  5. De evolutie van sentiment in de tijd volgen
  6. Reputatiecrises detecteren
  7. Belangrijkste punten

Begrijp wat uw publiek echt denkt

Sentimentanalyse transformeert duizenden berichten in een helder beeld van hoe uw merk, concurrenten of branche worden waargenomen. Met X Search en de redeneercapaciteiten van Grok gaat u verder dan een simpele positief/negatief-indeling. U doorgrondt emotionele nuances, latente frustraties en waarschuwingssignalen.

5
sentimentniveaus
API
real-time
JSON
gestructureerde output
Multi
dimensies geanalyseerd

Sentimentdimensies in marketing

Sentimentanalyse in marketing gaat verder dan de binaire indeling positief/negatief. Dit zijn de relevante dimensies:

Schaal met 5 sentimentniveaus

  1. Zeer positief: enthousiasme, actieve aanbeveling, merkliefde
  2. Positief: tevredenheid, goedkeuring, interesse
  3. Neutraal: feitelijke vermelding, delen van informatie
  4. Negatief: teleurstelling, kritiek, frustratie
  5. Zeer negatief: woede, oproep tot boycot, crisis

Aanvullende dimensies

  • Koopintentie: Geeft het bericht blijk van de intentie om te kopen of op te zeggen?
  • Invloed: Komt het bericht van een invloedrijk account of van een gemiddelde consument?
  • Viraliteit: Heeft het bericht potentieel om zich te verspreiden?
  • Urgentie: Vereist het signaal een snelle reactie?

Sentiment analyseren met X Search en Grok

Sentimentanalyse voor uw merk

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

Vergelijkende sentimentanalyse

Vergelijk de perceptie van uw merk met die van uw concurrenten:

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

Gestructureerde resultaten in JSON verkrijgen

Vraag een JSON-output aan om sentimentanalyse in een datapipeline te integreren:

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

De evolutie van sentiment in de tijd volgen

Een eenmalige analyse is nuttig, maar het volgen van de evolutie in de tijd onthult trends. Vergelijk resultaten week na week:

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

Reputatiecrises detecteren

Sentimentanalyse is uw eerste alarmsysteem bij een crisis:

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"]}

Belangrijkste punten

  • Sentimentanalyse gaat verder dan positief/negatief: evalueer intentie, invloed en urgentie
  • Gebruik een schaal met 5 niveaus om nuances vast te leggen
  • Vraag gestructureerde JSON-outputs aan om uw dashboards te voeden
  • Volg de evolutie van sentiment in de tijd, niet alleen momentopnamen
  • Vergelijk uw sentiment systematisch met dat van uw concurrenten
  • Stel drempelwaarden voor waarschuwingen in om reputatiecrises in een vroeg stadium te detecteren