sentiment-analyzer

guia-matthieu

Mis à jour 2 days ago

8 vues

111

Autreai

À propos

La compétence d'analyse des sentiments utilise des modèles de ML pour classer le sentiment d'un texte, idéale pour traiter les avis clients, les retours NPS et les tickets d'assistance. Elle aide les développeurs à analyser les mentions de marque et les réponses aux campagnes à grande échelle en identifiant des modèles dans les retours non structurés. Cela fournit des informations exploitables à partir des données clients grâce à une analyse structurée des sentiments.

Installation rapide

Claude Code

Recommandé

Principal

npx skills add guia-matthieu/clawfu-skills -a claude-code

Commande PluginAlternatif

/plugin add https://github.com/guia-matthieu/clawfu-skills

Git CloneAlternatif

git clone https://github.com/guia-matthieu/clawfu-skills.git ~/.claude/skills/sentiment-analyzer

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

Sentiment Analyzer

Analyze sentiment in customer feedback using transformer models - understand what your customers really feel at scale.

When to Use This Skill

Review analysis - Process hundreds of product reviews
NPS feedback - Categorize open-ended survey responses
Social listening - Monitor brand sentiment on social media
Campaign feedback - Evaluate response to marketing campaigns
Support insights - Categorize support ticket sentiment

What Claude Does vs What You Decide

Claude Does	You Decide
Structures analysis frameworks	Metric definitions
Identifies patterns in data	Business interpretation
Creates visualization templates	Dashboard design
Suggests optimization areas	Action priorities
Calculates statistical measures	Decision thresholds

Dependencies

pip install transformers torch pandas click
# Or for lighter CPU-only version:
pip install textblob vaderSentiment pandas click

Commands

Analyze Text

python scripts/main.py analyze "This product exceeded my expectations!"
python scripts/main.py analyze "The service was terrible and slow."

Batch Analysis

python scripts/main.py batch reviews.csv --column text
python scripts/main.py batch feedback.csv --column comment --output results.csv

Generate Report

python scripts/main.py report reviews.csv --column text --output sentiment-report.html

Examples

Example 1: Analyze Product Reviews

# Process CSV of reviews
python scripts/main.py batch amazon-reviews.csv --column review_text

# Output: amazon-reviews_sentiment.csv
# review_text                    | sentiment | score  | label
# "Absolutely love this!"        | positive  | 0.95   | Very Positive
# "It's okay, nothing special"   | neutral   | 0.52   | Neutral
# "Worst purchase ever"          | negative  | 0.12   | Very Negative

Example 2: NPS Feedback Categorization

# Analyze NPS survey responses
python scripts/main.py report nps-responses.csv --column feedback

# Output: sentiment-report.html
# Summary:
# - Positive: 62% (mainly: product quality, support)
# - Neutral: 23% (mainly: pricing concerns)
# - Negative: 15% (mainly: shipping delays)

Sentiment Categories

Score Range	Label	Interpretation
0.8 - 1.0	Very Positive	Enthusiastic, recommend
0.6 - 0.8	Positive	Satisfied, happy
0.4 - 0.6	Neutral	Mixed or indifferent
0.2 - 0.4	Negative	Disappointed, frustrated
0.0 - 0.2	Very Negative	Angry, will churn

Skill Boundaries

What This Skill Does Well

Structuring data analysis
Identifying patterns and trends
Creating visualization frameworks
Calculating statistical measures

What This Skill Cannot Do

Access your actual data
Replace statistical expertise
Make business decisions
Guarantee prediction accuracy

Related Skills

social-analytics - Get social data to analyze
content-repurposer - Use insights for content

Skill Metadata

Mode: centaur

category: analytics
subcategory: nlp
dependencies: [transformers, torch, pandas]
difficulty: intermediate
time_saved: 6+ hours/week

Dépôt GitHub

guia-matthieu/clawfu-skills

Chemin: skills/analytics/sentiment-analyzer

ai-skillsanthropicclaude-codeclaude-skillsmarketingmcp-server

Compétences associées

llamaguard

Autre

LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.

Voir la compétence

cost-optimization

Autre

Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.

Voir la compétence

quantizing-models-bitsandbytes

Autre

Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.

Voir la compétence

dispatching-parallel-agents

Autre

Cette compétence Claude déploie plusieurs agents pour enquêter et résoudre simultanément 3 problèmes indépendants ou plus. Elle est conçue pour des scénarios impliquant des défaillances non liées qui peuvent être résolues sans état partagé ni dépendances. La capacité fondamentale est la résolution de problèmes en parallèle, en assignant un agent par domaine problématique indépendant afin de maximiser l'efficacité.

Voir la compétence