Comentários, menções e anúncios de concorrentes
IA classifica sentimento e assunto de cada texto novo
Índice de sentimento, assuntos em alta e resumo
Relatório, alerta de crise e dashboard
O que resolve
- Cada comentário e menção recebe sentimento e assunto uma única vez, com custo controlado.
- O índice de sentimento separa o que a IA não conseguiu classificar.
- A diretoria do cliente recebe só os assuntos que cresceram de verdade, com volume mínimo.
Perguntas de negócio que responde
Faça estas perguntas ao seu agente quando o caso estiver pronto.
O que você precisa
- As redes do cliente ou a ferramenta de social listening conectadas na Nekt
- Uma chave de API de modelo de linguagem guardada no cofre de segredos
- A lista de assuntos e a regra de sentimento combinadas com o cliente
O que você recebe
- Uma tabela de menções com sentimento, assunto e data da classificação
- Índice de sentimento e volume por rede em 24 e 72 horas, com histórico
- Assuntos em alta e um resumo executivo escrito a partir dos números
- Alerta quando um assunto negativo cresce acima do limite
Onde ativar
Seção de saúde da marca com índice, assuntos em alta e o resumo escrito a partir dos números.
Aviso quando um assunto de sentimento negativo entra em alta com volume acima do piso.
Ocorrências por dia, rede e sentimento, e histórico do índice para ver a tendência.
O notebook é curto, mas pede cuidado com custo de API, reprocessamento e falhas silenciosas do modelo. Raspagem de perfis e bibliotecas de anúncios exige manutenção constante. O detalhado traz as regras de negócio, as armadilhas e o teste de aceitação. Ou mande tudo direto para o seu agente com o MCP da Nekt.
A fonte entrega texto livre, muitas vezes só o estado atual, e cada execução traz de novo comentários já vistos. Quem classifica tudo de novo paga várias vezes pelo mesmo texto; quem trata erro da API como neutro entrega um relatório sem nenhum negativo; quem deixa a IA inventar os assuntos a cada execução não consegue comparar uma semana com a outra. E uma alta de 100% sobre duas menções vira alerta de crise.
Como costuma ser feito, e a regra
Cada linha é um erro que já aconteceu na prática.
Use o id do comentário ou da menção como chave e classifique apenas os ids que ainda não estão na tabela de saída, gravando por anexação. Em fontes raspadas sem id estável, a chave é cliente + plataforma + post + autor + marca de resposta + hash md5 do texto, com gravação por upsert. Reprocesse um post só se o número de comentários dele cresceu.
Erro de API, limite de chamadas, resposta fora do formato ou fora da lista vira 'não classificado', para ser tentado de novo na próxima execução. Nunca use neutro como valor padrão. Chame o modelo com temperatura zero e saída em JSON, e registre o primeiro erro de cada execução com status e corpo da resposta.
Positivo: elogio, agradecimento, apoio, aprovação. Negativo: crítica, reclamação, ironia negativa, ofensa, insatisfação. Neutro: pergunta, comentário informativo, marcação de outra pessoa sem opinião. Texto vazio não vai para a IA. A regra fica no prompt e no contexto do cliente, igual para todas as execuções.
Descobrir assuntos do zero a cada execução muda os nomes e quebra a série histórica. Mantenha uma lista fechada de assuntos por cliente no contexto, classifique cada menção em exatamente um deles e deixe a IA sugerir assuntos novos numa coluna à parte, para revisão humana. Se a chamada falhar, use a lista padrão, nunca uma lista vazia.
Índice = (positivos x 100 + neutros x 50) / (positivos + neutros + negativos). Não classificados ficam fora do denominador e aparecem ao lado, com a taxa de classificação. Calcule por rede e no total, na mesma janela.
Compare as últimas 24 horas com as 24 anteriores e as últimas 72 com as 72 anteriores. Se os dois períodos têm menos de 5 menções, a tendência é 'volume insuficiente'. Alta acima de +15%, baixa abaixo de -15%, estável no meio. Destaque no máximo os 2 assuntos de sentimento dominante negativo em alta, e os 2 positivos.
As janelas de 24 e 72 horas contam a partir da menção mais recente da fonte, e a data dessa menção aparece no resultado. Se a fonte parou, o painel mostra que o dado é velho em vez de dizer que a marca ficou em silêncio.
Volume, percentuais, índice e assuntos em alta são calculados no código. O resumo executivo recebe esses números prontos e só redige, com regras de estilo do cliente. Se a chamada de redação falhar, grave um resumo montado direto dos números.
Para monitorar concorrentes, colete os anúncios ativos da Meta Ad Library (por página ou busca) e do Google Ads Transparency Center (por domínio ou anunciante), grave por upsert com a chave cliente + plataforma + id do criativo, e classifique o texto com uma pergunta objetiva por cliente (por exemplo, se o anúncio fala do tema que o cliente vende).
Monte o texto da menção com conteúdo, título, legenda, descrição e hashtags, e corte num tamanho fixo antes de enviar (por exemplo, 300 caracteres para assunto e 1.000 para sentimento). Envie ao modelo só o texto e o id, sem nome, perfil ou contato de quem escreveu.
Do texto ao índice
Peso de cada classificação no índice de sentimento de 0 a 100.
Definições
Armadilhas que já aconteceram
O relatório semanal mostrou todos os comentários como neutros. A chamada à API estava falhando e o código devolvia neutro como valor padrão.
Falha vira 'não classificado' e a taxa de classificação aparece no relatório.
Arquivos de sincronizações diferentes tinham codificações incompatíveis e a leitura padrão da tabela de comentários falhava no notebook.
Leia arquivo a arquivo, filtrando pela data de corte, quando a leitura padrão falhar.
A IA descobria os assuntos do zero a cada carga e um mesmo tema aparecia com nomes diferentes, sem série comparável.
Lista fechada por cliente e sugestões novas à parte.
A raspagem dos perfis trazia de novo os mesmos comentários a cada execução e sem id estável, e a contagem crescia sozinha.
Chave com hash do texto e gravação por upsert.
A sessão da conta usada para raspar expirou sem cair na tela de login esperada, e a execução terminou como sucesso sem nenhum comentário novo.
Alerte quando uma execução bem-sucedida não traz nada de um perfil que sempre traz.
Um assunto saiu de 1 para 2 menções negativas e apareceu como alta de 100% no resumo para a diretoria.
Piso de 5 menções antes de calcular tendência.
Teste de aceitação
O caso está pronto quando todos os itens passam.
- Rodar a classificação duas vezes seguidas não cria nenhuma linha nova nem nova chamada à API.
- Positivos + neutros + negativos + não classificados = total de menções da janela.
- O índice de sentimento recalculado a partir das contagens bate com o publicado, por rede.
- Nenhum assunto com menos de 5 menções nos dois períodos aparece com tendência.
- Mais de 95% das menções da janela estão classificadas, ou o relatório mostra o aviso de classificação incompleta.
Pacote para o agente
Cole no Claude, ChatGPT ou outro cliente com o MCP da Nekt conectado.
Marca e sentimento - Cada menção ou comentário é classificado uma vez: sentimento (positivo, neutro, negativo, não classificado) e um assunto da lista do cliente. - 'Não classificado' é falha da IA, não neutro. Informe a taxa de classificação junto de qualquer percentual. - Índice de sentimento = (positivos x 100 + neutros x 50) / classificados. Não classificados fora. - Tendência: últimas 24h contra as 24h anteriores e 72h contra as 72h anteriores. Menos de 5 menções nos dois períodos = volume insuficiente. Alta acima de +15%, baixa abaixo de -15%. - As janelas contam a partir da menção mais recente. Diga a data dela. - Números vêm das tabelas. Não conte menções lendo textos. - Não cite autor, perfil ou contato de quem comentou. Exceções por cliente: - <cliente>: assuntos <lista de assuntos>; concorrentes monitorados <lista de páginas ou domínios>. - <cliente>: resumo para a diretoria em parágrafos, sem listas, com a leitura de risco ou oportunidade no fim.
Construa no meu workspace Nekt o caso "Marca e sentimento com IA" seguindo as regras em https://academy.nekt.com/industrias/agencias/marca-sentimento-ia.md. 1) Encontre as tabelas de origem e confirme as colunas usadas pelas regras. 2) Crie uma transformação no grão indicado aplicando todas as regras. 3) Rode o teste de aceitação e me mostre o resultado de cada item. 4) Crie o context document do caso no workspace, com as exceções dos meus clientes em aberto para eu preencher.
Variações
Sentimento dos comentários do Instagram do cliente por post, para achar os conteúdos que geram reclamação.
Varredura leve dos posts dos últimos meses, seleção dos que mais têm comentários e classificação só deles, com marcação de spam e de insight relevante.
O mesmo modelo sobre avaliações do Google Meu Negócio, filtradas pelo local do cliente.