Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Analyse de sentiment sur X

Lektion 9 av 12 Uppdaterad 30 juli 2026 Medelnivå
På denna sida
  1. Comprends ce que ton audience pense vraiment
  2. Les dimensions du sentiment en marketing
  3. Analyse le sentiment avec la recherche X et Grok
  4. Obtiens des résultats structurés en JSON
  5. Suis l’évolution du sentiment dans le temps
  6. Détecte les crises de réputation
  7. Viktiga punkter

Comprends ce que ton audience pense vraiment

L’analyse de sentiment transforme des milliers de publications en une lecture claire de la perception de ta marque, de tes concurrents ou de ton secteur. Grâce à la recherche X et aux capacités de raisonnement de Grok, tu peux aller au-delà d’une simple classification positif/négatif pour saisir les nuances émotionnelles, les frustrations latentes et les signaux d’alerte.

5
niveaux de sentiment
API
temps réel
JSON
sortie structurée
Multi
dimensions analysées

Les dimensions du sentiment en marketing

L’analyse de sentiment en marketing dépasse le binaire positif/négatif. Voici les dimensions pertinentes :

Échelle de sentiment à 5 niveaux

  1. Très positif : enthousiasme, recommandation active, amour de la marque
  2. Positif : satisfaction, approbation, intérêt
  3. Neutre : mention factuelle, partage d’information
  4. Négatif : déception, critique, frustration
  5. Très négatif : colère, appel au boycott, crise

Dimensions supplémentaires

  • Intention d’achat : La publication indique-t-elle une intention d’acheter ou de se désabonner ?
  • Influence : La publication provient-elle d’un compte influent ou d’un consommateur moyen ?
  • Viralité : La publication a-t-elle un potentiel de propagation ?
  • Urgence : Le signal nécessite-t-il une réaction rapide ?

Analyse le sentiment avec la recherche X et Grok

Analyse de sentiment pour ta marque

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

Analyse comparative des sentiments

Compare la perception de ta marque avec celle de tes concurrents :

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

Obtiens des résultats structurés en JSON

Pour intégrer l’analyse de sentiment dans un pipeline de données, demande une sortie 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

Suis l’évolution du sentiment dans le temps

Une analyse ponctuelle est utile, mais le suivi dans le temps révèle des tendances. Compare les résultats semaine après semaine :

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

Détecte les crises de réputation

L’analyse de sentiment est ton premier système d’alerte en cas 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"]}

Viktiga punkter

  • L’analyse de sentiment va au-delà du positif/négatif : évalue l’intention, l’influence et l’urgence
  • Utilise une échelle à 5 niveaux pour capturer les nuances
  • Demande des sorties JSON structurées pour alimenter tes tableaux de bord
  • Suis l’évolution du sentiment dans le temps, pas seulement des instantanés ponctuels
  • Compare systématiquement ton sentiment avec celui de tes concurrents
  • Configure des seuils d’alerte pour détecter les crises de réputation dès leur émergence