Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Análise de Sentimento no X

Aula 9 de 12 Atualizada a 30 de julho de 2026 Intermediario
Nesta página
  1. Compreenda o que o seu público realmente pensa
  2. Dimensões de sentimento no marketing
  3. Analisar o sentimento com a Pesquisa do X e o Grok
  4. Obter resultados estruturados em JSON
  5. Acompanhar a evolução do sentimento ao longo do tempo
  6. Detetar crises de reputação
  7. Pontos-chave

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.

5
níveis de sentimento
API
tempo real
JSON
saída estruturada
Multi
dimensões analisadas

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

  1. Muito positivo: entusiasmo, recomendação ativa, amor pela marca
  2. Positivo: satisfação, aprovação, interesse
  3. Neutro: menção factual, partilha de informação
  4. Negativo: desapontamento, crítica, frustração
  5. 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