Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Analýza sentimentu na X

Lekcia 9 z 12 Aktualizované 30. júla 2026 Mierne pokročilý
Na tejto strane
  1. Pochopte, čo si vaše publikum skutočne myslí
  2. Dimenzie sentimentu v marketingu
  3. Analýza sentimentu pomocou X Search a Grok
  4. Získavanie štruktúrovaných výsledkov vo formáte JSON
  5. Sledovanie vývoja sentimentu v čase
  6. Detekcia kríz reputácie
  7. Kľúčové poznatky

Pochopte, čo si vaše publikum skutočne myslí

Analýza sentimentu transformuje tisíce príspevkov na jasný obraz o tom, ako je vnímaná vaša značka, konkurencia alebo celé odvetvie. Vďaka vyhľadávaniu na X a schopnostiam logického uvažovania modelu Grok môžete ísť nad rámec jednoduchého delenia na pozitívne a negatívne. Odhalíte emocionálne nuansy, skryté frustrácie a varovné signály.

5
úrovní sentimentu
API
v reálnom čase
JSON
štruktúrovaný výstup
Viaceré
analyzované dimenzie

Dimenzie sentimentu v marketingu

Marketingová analýza sentimentu presahuje binárne delenie na pozitívne a negatívne. Tu sú kľúčové dimenzie, na ktoré by ste sa mali zamerať:

5-stupňová škála sentimentu

  1. Veľmi pozitívny: nadšenie, aktívne odporúčanie, láska k značke
  2. Pozitívny: spokojnosť, súhlas, záujem
  3. Neutrálny: faktická zmienka, zdieľanie informácií
  4. Negatívny: sklamanie, kritika, frustrácia
  5. Veľmi negatívny: hnev, výzva na bojkot, kríza

Ďalšie dimenzie

  • Zámer o kúpu: Naznačuje príspevok úmysel kúpiť si produkt alebo sa odhlásiť?
  • Vplyv: Pochádza príspevok od vplyvného účtu alebo od bežného spotrebiteľa?
  • Virálnosť: Má príspevok potenciál šíriť sa?
  • Naliehavosť: Vyžaduje si tento signál rýchlu reakciu?

Analýza sentimentu pomocou X Search a Grok

Analýza sentimentu vašej značky

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

Komparatívna analýza sentimentu

Porovnajte vnímanie vašej značky s vnímaním vašich konkurentov:

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

Získavanie štruktúrovaných výsledkov vo formáte JSON

Ak chcete integrovať analýzu sentimentu do dátového pipeline, požiadajte o výstup vo formáte 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

Sledovanie vývoja sentimentu v čase

Jednorazová analýza je užitočná, ale sledovanie v čase odhaľuje trendy. Porovnávajte výsledky týždeň po týždni:

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

Detekcia kríz reputácie

Analýza sentimentu je vaším prvým varovným systémom v prípade krízy:

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"]}

Kľúčové poznatky

  • Analýza sentimentu presahuje delenie na pozitívne a negatívne: hodnotíte zámer, vplyv a naliehavosť.
  • Používajte 5-stupňovú škálu na zachytenie nuáns.
  • Vyžadujte štruktúrované výstupy vo formáte JSON pre napájanie vašich dashboardov.
  • Sledujte vývoj sentimentu v čase, nielen jednorazové snímky.
  • Systematicky porovnávajte svoj sentiment so sentimentom konkurencie.
  • Nastavte prahové hodnoty pre alerty, aby ste odhalili krízy reputácie hneď pri ich vzniku.