Salt la conținutul principal
Română— Alege o limbă
Meniu

Analiza sentimentului pe X

Lecția 9 din 12 Actualizată 30 iulie 2026 Intermediar
Pe această pagină
  1. Înțelegeți ce gândește cu adevărat publicul dumneavoastră
  2. Dimensiunile sentimentului în marketing
  3. Analizați sentimentul cu X Search și Grok
  4. Obțineți rezultate structurate în JSON
  5. Urmăriți evoluția sentimentului în timp
  6. Detectați crizele de reputație
  7. Puncte cheie

Înțelegeți ce gândește cu adevărat publicul dumneavoastră

Analiza sentimentului transformă mii de postări într-o imagine clară asupra modului în care sunt percepute brandul, competitorii sau industria dumneavoastră. Cu X Search și capacitățile de raționament ale Grok, puteți depăși simpla clasificare pozitiv/negativ pentru a înțelege nuanțele emoționale, frustrările latente și semnalele de avertizare.

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

Dimensiunile sentimentului în marketing

Analiza sentimentului în marketing depășește binarul pozitiv/negativ. Iată dimensiunile relevante:

Scara sentimentului în 5 niveluri

  1. Foarte pozitiv: entuziasm, recomandare activă, atașament față de brand
  2. Pozitiv: satisfacție, aprobare, interes
  3. Neutru: mențiune factuală, partajare de informații
  4. Negativ: dezamăgire, critică, frustrare
  5. Foarte negativ: furie, apel la boicot, criză

Dimensiuni suplimentare

  • Intenția de cumpărare: Indică postarea o intenție de a cumpăra sau de a se dezabona?
  • Influența: Provine postarea de la un cont influent sau de la un consumator obișnuit?
  • Viralitatea: Are postarea potențial de propagare?
  • Urgența: Necesită semnalul o reacție rapidă?

Analizați sentimentul cu X Search și Grok

Analiza sentimentului pentru brandul dumneavoastră

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

Analiza comparativă a sentimentului

Comparați percepția brandului dumneavoastră cu cea a competitorilor:

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

Obțineți rezultate structurate în JSON

Pentru a integra analiza sentimentului într-un flux de date, solicitați un output în format 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

Urmăriți evoluția sentimentului în timp

Analiza punctuală este utilă, dar urmărirea în timp relevă tendințele. Comparați rezultatele săptămână de săptămână:

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

Detectați crizele de reputație

Analiza sentimentului este primul dumneavoastră sistem de alertă în caz de criză:

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"]}

Puncte cheie

  • Analiza sentimentului depășește pozitiv/negativ: evaluați intenția, influența și urgența
  • Utilizați o scară în 5 niveluri pentru a surprinde nuanțele
  • Solicitați output-uri structurate în JSON pentru a alimenta tablourile de bord
  • Urmăriți evoluția sentimentului în timp, nu doar instantanee punctuale
  • Comparați sistematic sentimentul dumneavoastră cu cel al competitorilor
  • Configurați praguri de alertă pentru a detecta crizele de reputație încă de la apariție