Análise de Sentimento no X
Nesta página
Compreenda o que o seu público realmente pensa
A análise de sentimento transforma milhares de publicações numa leitura clara de como a sua marca, os seus concorrentes ou o seu setor são percecionados. Com a Pesquisa do X e as capacidades de raciocínio do Grok, pode ir além da simples classificação positivo/negativo para compreender nuances emocionais, frustrações latentes e sinais de alerta.
Dimensões de sentimento no marketing
A análise de sentimento em marketing vai além do binário positivo/negativo. Eis as dimensões relevantes:
Escala de sentimento de 5 níveis
- Muito positivo: entusiasmo, recomendação ativa, amor pela marca
- Positivo: satisfação, aprovação, interesse
- Neutro: menção factual, partilha de informação
- Negativo: desapontamento, crítica, frustração
- Muito negativo: raiva, apelo ao boicote, crise
Dimensões adicionais
- Intenção de compra: A publicação indica uma intenção de comprar ou de cancelar uma subscrição?
- Influência: A publicação provém de uma conta influente ou de um consumidor comum?
- Viralidade: A publicação tem potencial de propagação?
- Urgência: O sinal exige uma reação rápida?
Analisar o sentimento com a Pesquisa do X e o Grok
Análise de sentimento para a sua marca
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
Análise de sentimento comparativa
Compare a perceção da sua marca com a dos seus concorrentes:
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
Obter resultados estruturados em JSON
Para integrar a análise de sentimento num pipeline de dados, solicite uma saída em 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
Acompanhar a evolução do sentimento ao longo do tempo
Uma análise pontual é útil, mas o acompanhamento ao longo do tempo revela tendências. Compare os resultados semana após semana:
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
Detetar crises de reputação
A análise de sentimento é o seu primeiro sistema de alerta em caso de crise:
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"]}
Pontos-chave
- A análise de sentimento vai além do positivo/negativo: avalie a intenção, a influência e a urgência
- Utilize uma escala de 5 níveis para captar nuances
- Solicite saídas estruturadas em JSON para alimentar os seus painéis de controlo
- Acompanhe a evolução do sentimento ao longo do tempo, não apenas instantâneos pontuais
- Compare sistematicamente o seu sentimento com o dos seus concorrentes
- Configure limiares de alerta para detetar crises de reputação assim que emergem