Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Analiza sentimenta na omrežju X

Lekcija 9 od 12 Posodobljeno 30. julij 2026 Srednje napredni
Na tej strani
  1. Razumi, kaj si tvoje občinstvo resnično misli
  2. Dimenzije sentimenta v marketingu
  3. Analiziraj sentiment z iskanjem po X in orodjem Grok
  4. Pridobi strukturirane rezultate v formatu JSON
  5. Spremljaj razvoj sentimenta skozi čas
  6. Zaznavaj krize ugleda
  7. Ključne ugotovitve

Razumi, kaj si tvoje občinstvo resnično misli

Analiza sentimenta pretvori na tisoče objav v jasno sliko o tem, kako so zaznani tvoja blagovna znamka, konkurenti ali panoga. S pomočjo iskanja po omrežju X in zmožnosti sklepanja orodja Grok lahko presežeš preprosto razvrščanje na pozitivno/negativno ter razumeš čustvene nianse, skrite frustracije in opozorilne signale.

5
ravni sentimenta
API
v realnem času
JSON
strukturiran izhod
Več
analiziranih dimenzij

Dimenzije sentimenta v marketingu

Analiza marketinškega sentimenta presega binarno delitev na pozitivno in negativno. Tu so ustrezne dimenzije:

5-stopenjska lestvica sentimenta

  1. Zelo pozitivno: navdušenje, aktivno priporočanje, ljubezen do znamke
  2. Pozitivno: zadovoljstvo, odobravanje, zanimanje
  3. Nevtralno: dejanska omemba, deljenje informacij
  4. Negativno: razočaranje, kritika, frustracija
  5. Zelo negativno: jeza, poziv k bojkotu, kriza

Dodatne dimenzije

  • Namera po nakupu: Ali objava kaže na namero po nakupu ali odjavi?
  • Vpliv: Ali objava izvira od vplivnega računa ali povprečnega potrošnika?
  • Viralnost: Ali ima objava potencial za širjenje?
  • Nujnost: Ali signal zahteva hiter odziv?

Analiziraj sentiment z iskanjem po X in orodjem Grok

Analiza sentimenta za tvojo znamko

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

Primerjalna analiza sentimenta

Primerjaj zaznavanje svoje znamke z zaznavanjem 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

Pridobi strukturirane rezultate v formatu JSON

Če želiš analizo sentimenta vključiti v podatkovni cevovod, zahtevaj izhod v formatu 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

Spremljaj razvoj sentimenta skozi čas

Enkratna analiza je uporabna, vendar spremljanje skozi čas razkriva trende. Primerjaj rezultate iz tedna v teden:

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

Zaznavaj krize ugleda

Analiza sentimenta je tvoj prvi sistem za opozarjanje v primeru krize:

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"]}

Ključne ugotovitve

  • Analiza sentimenta presega delitev na pozitivno/negativno: oceni namero, vpliv in nujnost
  • Uporabi 5-stopenjsko lestvico za zajemanje nians
  • Zahtevaj strukturirane izhode v formatu JSON za napajanje svojih nadzornih plošč
  • Spremljaj razvoj sentimenta skozi čas, ne le enkratnih posnetkov stanja
  • Sistematično primerjaj svoj sentiment s sentimentom konkurentov
  • Konfiguriraj pragove opozoril za zaznavanje kriz ugleda, ko se šele pojavijo