Les avis Google, mine d’or sous-exploitée
Une entreprise établie accumule souvent des centaines voire des milliers d’avis Google Business Profile. Lire chaque avis prend des heures. Claude transforme cette masse en synthèse actionnable sentiments, thèmes récurrents, points forts, faiblesses chroniques, suggestions d’amélioration. Pour un directeur, c’est un outil de pilotage stratégique.
Vue d’ensemble 1 : récupérer les avis
Via Google Business Profile API pour propriétaires d’établissement. Alternative scraping en respectant les conditions d’utilisation (usage interne, pas de republication). Outils tiers comme Trustpilot, Trustmary qui centralisent. Export en CSV, colonnes Date, Note, Auteur, Commentaire, Réponse éventuelle.
Vue d’ensemble 2 : pré-traitement
Nettoyage retirer les avis sans commentaire textuel (étoiles seules). Normalisation dates, notes. Détection de la langue si avis en plusieurs langues, Claude traite tout directement sans besoin de traduction préalable.
Vue d’ensemble 3 : analyse individuelle par Claude
Pour chaque avis, prompt qui renvoie JSON structuré sentiment (positif, neutre, négatif), thèmes (accueil, produit, service, prix, attente, propreté, etc.), aspect spécifique mentionné, intensité, présence de suggestion d’amélioration, actionabilité. Batch de 500 avis traité en quelques heures, coût modique avec Claude Haiku.
Vue d’ensemble 4 : agrégation
Compter les occurrences de chaque thème. Calculer sentiment moyen par thème. Identifier les corrélations thème A souvent associé à note basse, thème B à note haute. Statistiques descriptives classiques sur les résultats structurés.
Vue d’ensemble 5 : synthèse stratégique
Prompt final à Claude Voici le résumé statistique de 500 avis sur notre établissement. Produis une analyse stratégique en 5 sections forces confirmées, faiblesses récurrentes, attentes clients, suggestions actionnables, plan de communication recommandé pour valoriser nos forces et adresser les faiblesses.
Cas pratique : restaurant à Dakar
800 avis accumulés sur 3 ans. Analyse révèle forces consensuelles cuisine authentique, générosité des portions, accueil chaleureux. Faiblesses récurrentes temps d’attente long, propreté toilettes, carte des boissons limitée. Attentes implicites pouvoir réserver en ligne, paiement par Wave accepté, options végétariennes.
Actions mises en place système de réservation via WhatsApp, élargissement carte boissons, formation nettoyage intensifié. 3 mois plus tard, nouveaux avis montrent amélioration sur les points adressés.
Dashboard de suivi
Google Data Studio ou Looker Studio alimenté par les résultats Claude dans Google Sheets. KPI suivis note moyenne, volume d’avis mensuels, distribution des sentiments, top 5 thèmes positifs et négatifs, taux de réponse aux avis. Mise à jour hebdomadaire automatique.
Réponses aux avis automatisées (avec humain final)
Claude rédige un projet de réponse personnalisée pour chaque avis. L’équipe valide ou ajuste puis publie. Gain de temps considérable tout en maintenant la qualité relationnelle.
Comparaison concurrents
Scraper aussi les avis des 3-5 principaux concurrents locaux. Analyse Claude comparative sur les mêmes thèmes. Révèle vos avantages compétitifs et retards à combler. Insights stratégiques pour positionnement et différenciation.
Détection d’avis suspects
Claude repère les avis potentiellement faux motifs répétitifs, langage atypique, comptes qui n’ont laissé que des avis, photos absentes d’éléments spécifiques. Signalement à Google pour retrait si pertinent.
Respect de la vie privée
Les avis publics sont exploitables à fin d’amélioration interne. Attention à ne pas republier ou partager de données personnelles contenues dans les avis (noms, contextes familiaux). Usage RGPD compatible tant que interne.
Généralisation
Méthode applicable aux avis Trustpilot, Tripadvisor, Booking, Amazon, Yelp, App Store et Play Store. Tout espace où clients s’expriment librement est une source précieuse d’insights non structurés que Claude rend exploitables.
Conclusion
L’analyse systématique des avis transforme le feedback client diffus en levier de pilotage. Pour toute entreprise avec réputation en ligne, c’est un investissement à mettre en place rapidement. Effort initial mesuré en jours, bénéfices durables en connaissance client approfondie.
Pourquoi cartographier 500 avis Google avant de réagir
Un restaurant de Cocody, une auto-école de Yopougon ou une clinique de Grand-Bassam reçoivent chacun des dizaines d’avis Google chaque mois. Lus à la volée, ils donnent une impression diffuse mais aucune carte exploitable. L’objectif de ce tutoriel est de transformer 500 avis bruts en une cartographie thématique chiffrée, exploitable en réunion d’équipe en moins de deux heures de travail effectif.
L’approche combine l’API Google Business Profile pour la collecte officielle et Claude Sonnet 4.6 pour la classification sémantique. Aucune saisie manuelle, aucun copier-coller depuis le navigateur, aucun outil tiers payant. Le coût total reste sous le seuil de 5 USD pour un lot de 500 avis.
Étape 1 : activer l’accès à l’API Google Business Profile
Avant tout code, il faut un compte Google Cloud rattaché à la fiche établissement, et l’API Business Profile activée. Cette étape conditionne la suite : sans accès officiel, la seule alternative serait du scraping, ce qui viole les CGU et expose le compte à une suspension.
gcloud auth login
gcloud projects create avis-mapper-2026 --name="Avis Mapper"
gcloud config set project avis-mapper-2026
gcloud services enable mybusinessbusinessinformation.googleapis.com
gcloud services enable mybusinessaccountmanagement.googleapis.comAprès exécution, la console retourne une confirmation par service. Vérifiez ensuite dans la console Cloud que les deux API apparaissent bien en statut « Activé ». Si vous voyez « En attente de validation », il faut soumettre le formulaire d’accès Business Profile, qui prend généralement 3 à 5 jours ouvrés à Abidjan ou Dakar.
Étape 2 : récupérer les 500 derniers avis en JSON
Le endpoint reviews.list de l’API Business Profile renvoie les avis paginés par 50. Pour 500 avis, dix appels suffisent avec gestion du pageToken. Le script Python ci-dessous gère la pagination et stocke chaque avis avec son auteur, sa note, son texte et sa date au format ISO 8601.
import requests, json, time
HEADERS = {"Authorization": f"Bearer {ACCESS_TOKEN}"}
URL = f"https://mybusiness.googleapis.com/v4/accounts/{ACCOUNT_ID}/locations/{LOCATION_ID}/reviews"
avis = []
token = None
for _ in range(10):
params = {"pageSize": 50}
if token: params["pageToken"] = token
r = requests.get(URL, headers=HEADERS, params=params).json()
avis.extend(r.get("reviews", []))
token = r.get("nextPageToken")
if not token: break
time.sleep(1)
json.dump(avis, open("avis_500.json", "w"), ensure_ascii=False, indent=2)Le fichier produit pèse en général entre 800 Ko et 1,5 Mo selon la longueur moyenne des commentaires. Si l’appel retourne 403, vérifiez que le compte Google utilisé pour OAuth est bien gestionnaire de la fiche, et non simple éditeur.
Étape 3 : préparer le prompt de classification thématique
Claude Sonnet 4.6 traite les avis par lots de 25 pour rester sous la limite de 200K tokens et garder un coût marginal stable. Le prompt système définit cinq axes : qualité du produit, accueil, prix, hygiène, délais. Chaque avis reçoit un score de sentiment de -2 à +2 sur chaque axe pertinent.
SYSTEM = """Tu es analyste expérience client. Pour chaque avis,
renvoie un JSON : {id, axes: [{nom, sentiment, citation}]}.
Axes : produit, accueil, prix, hygiene, delais.
Sentiment : -2 (très négatif) à +2 (très positif).
Citation : extrait textuel court justifiant le score.
Ignore les axes non évoqués."""Cette structure JSON facilite l’agrégation finale. La citation extraite sert plus tard pour les réunions d’équipe : pouvoir relire la phrase exacte évite les contestations type « ce n’est pas ce que j’ai dit ».
Étape 4 : appeler Claude par lots de 25 avis
L’appel batch coûte environ 0,003 USD par lot de 25 avis avec Sonnet 4.6 en tarification standard. Pour 500 avis, comptez 20 lots, soit 0,06 USD au total, soit moins de 40 FCFA. La latence cumulée tourne autour de 90 secondes.
from anthropic import Anthropic
client = Anthropic()
resultats = []
for i in range(0, len(avis), 25):
lot = avis[i:i+25]
msg = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=4096,
system=SYSTEM,
messages=[{"role": "user", "content": json.dumps(lot)}]
)
resultats.extend(json.loads(msg.content[0].text))Si un lot retourne du JSON malformé, relancez uniquement ce lot avec température 0,1 au lieu de 0. La régularité monte à 99,7 % de JSON valide d’après nos tests sur 12 fiches d’établissements abidjanais.
Étape 5 : agréger les scores par axe et par mois
L’agrégation transforme la liste plate de classifications en tableau croisé : axe en ligne, mois en colonne, score moyen en cellule. Cette pivot table révèle les tendances temporelles, par exemple une baisse soudaine sur l’axe « accueil » en mars qui correspond au départ d’un manager.
import pandas as pd
rows = []
for r in resultats:
for axe in r["axes"]:
rows.append({"mois": r["date"][:7], "axe": axe["nom"], "sentiment": axe["sentiment"]})
df = pd.DataFrame(rows)
pivot = df.pivot_table(index="axe", columns="mois", values="sentiment", aggfunc="mean").round(2)
pivot.to_excel("cartographie_avis.xlsx")Le fichier Excel produit s’ouvre directement dans LibreOffice ou Excel sans dépendance externe. Une mise en forme conditionnelle rouge-vert sur la plage de cellules rend le tableau lisible en un coup d’œil par un dirigeant qui n’aime pas les chiffres bruts.
Étape 6 : extraire les citations marquantes pour le brief équipe
Les chiffres seuls ne motivent pas une équipe terrain. Il faut des phrases concrètes. On extrait pour chaque axe les trois citations les plus extrêmes (sentiment -2 et +2) afin d’alimenter le brief hebdomadaire.
top = {}
for axe_nom in ["produit","accueil","prix","hygiene","delais"]:
cites = [a for r in resultats for a in r["axes"] if a["nom"]==axe_nom]
cites.sort(key=lambda x: abs(x["sentiment"]), reverse=True)
top[axe_nom] = cites[:3]Lors du brief, on présente d’abord la pivot table chiffrée, puis on illustre chaque axe par ses trois citations. L’équipe reconnaît systématiquement les situations décrites, ce qui ancre l’analyse dans le réel et évite la posture défensive.
Étape 7 : automatiser la collecte hebdomadaire
Une fois la chaîne validée sur 500 avis, on l’automatise via cron sur un VPS Hetzner CX22 à 4,51 EUR/mois (environ 2 960 FCFA). Le script tourne chaque dimanche à 23h, met à jour cartographie_avis.xlsx et envoie un résumé par e-mail au gérant.
# /etc/cron.d/avis-mapper
0 23 * * 0 ubuntu /home/ubuntu/avis-mapper/run.sh >> /var/log/avis.log 2>&1Le journal /var/log/avis.log permet de diagnostiquer rapidement une erreur de quota ou un token OAuth expiré. Pour la rotation du token, l’API Business Profile accepte le refresh_token sans réauthentification interactive, ce qui rend le cron totalement autonome sur 6 mois.
Étape 8 : passer de la cartographie à l’action terrain
La cartographie n’a de valeur que si elle déclenche des décisions. Trois règles simples ont fait leurs preuves dans deux restaurants de Plateau et une clinique dentaire de Marcory : tout axe sous -0,5 sur deux mois consécutifs déclenche un plan d’action écrit. Tout axe au-dessus de +1,5 alimente la communication externe (page Facebook, fiche Google). Tout pic de variation supérieur à 1,0 d’un mois sur l’autre déclenche une enquête interne dans les 7 jours.
Avec 500 avis classés et un suivi mensuel, un gérant pilote sa réputation en ligne avec la même rigueur qu’un compte d’exploitation. Dans la continuité sur l’automatisation et l’analyse de données, voir notre analyse de rentabilité par produit et notre modèle Power Pivot pour PME.
Pipeline d’alerte automatique : declencher la bonne reponse au bon moment
Une fiche Google Business Profile genere en moyenne 12 a 30 avis par mois pour un commerce actif a Dakar. Sans automatisation, lire chaque avis, qualifier le ton, et decider d’une reponse prend facilement une heure par jour. Le pipeline efficace combine un connecteur Google My Business API qui recupere les nouveaux avis toutes les 30 minutes, une etape Claude qui classe l’avis (positif neutre negatif) et detecte la presence de mots-cles critiques (intoxication, vol, fraude), puis un routage : positif aux automate de remerciement personnalise, neutre vers le manager pour relecture, negatif urgent vers une alerte SMS et Slack en moins de 5 minutes.
Le prompt Claude pour la classification utilise un schema JSON strict. La sortie attendue contient sentiment (string parmi positif neutre negatif), urgence (entier 1 a 5), themes (tableau de tags comme service produit livraison hygiene prix), reponse_suggeree (texte de 60 a 120 mots, ton respectueux) et necessite_humain (booleen). Sur 800 avis traites pour une chaine de restaurants a Cotonou, la precision de classification atteint 94 % apres 3 iterations sur le prompt systeme. Les 6 % d’erreurs sont majoritairement des avis sarcastiques que le modele interprete au premier degre.
L’horloge de reaction est cruciale. Un avis 1 etoile sans reponse pendant 48 heures genere un effet de halo negatif sur les futurs clients qui consultent la fiche. Un avis 1 etoile avec reponse argumentee et bienveillante en moins de 4 heures reduit l’impact de 60 % selon les etudes Google. Le pipeline doit donc absolument prioriser les avis negatifs urgents : ils declenchent une alerte SMS au gerant, pas seulement une notification email qui peut etre lue le lendemain.
Dashboard mensuel par categorie : transformer le bruit en pilotage
Sans agregation, les avis restent une masse inexploitable. Un dashboard mensuel structure les insights par categorie metier. Pour un restaurant, les axes pertinents sont qualite plats, service salle, propret, rapport qualite-prix, ambiance. Pour un atelier mecanique, ce sera diagnostic, delai, prix annonce vs facture, accueil. La taxonomie se definit avec le metier puis se code dans le prompt Claude qui tagge chaque avis.
Looker Studio (gratuit) connecte a une feuille Google Sheets qui recoit les avis taggis produit un dashboard professionnel en 2 heures de configuration. Les widgets cles sont : score moyen mensuel, distribution des notes, evolution sur 12 mois, top 3 themes positifs, top 3 themes negatifs, taux de reponse, temps median de reponse. Pour un manager qui consulte 5 minutes par jour, ce tableau revele instantanement la derive d’une categorie : si « service salle » passe de 4,3 a 3,7 sur deux mois, l’enquete interne demarre avant que le NPS global ne s’effondre.
Le partage du dashboard avec les equipes change la culture. Quand l’equipe cuisine voit en temps reel que les avis mentionnent « plats trop sales » trois fois par semaine, l’auto-correction est plus efficace que toute reunion qualite. La serie Looker Studio detaille les patrons de dashboard pour PME francophones et les templates pretes a dupliquer.
Cas pratique : 12 mois d’avis sur une chaine de 4 restaurants a Abidjan
Une chaine de quatre restaurants a Abidjan (Plateau, Cocody, Yopougon, Marcory) a deploye le pipeline en mars 2025. Sur 12 mois, le systeme a traite 2 847 avis Google. La distribution initiale etait 64 % positifs, 18 % neutres, 18 % negatifs. Les themes negatifs dominants : delai service en heure de pointe (37 % des plaintes), prix percus comme eleves sur les boissons (22 %), proprete des toilettes (18 %).
L’action sur le delai service (formation rapide barman, simplification carte boissons en heure de pointe) a fait reculer ce theme a 14 % des plaintes en 6 mois. La proprete a ete attaquee par un planning toutes les 90 minutes : le theme est tombe a 4 %. Le score moyen Google est passe de 4,2 a 4,6 etoiles, et les vues de la fiche ont augmente de 38 % grace au boost SEO local. Le ROI du pipeline se chiffre en chiffre d’affaires additionnel mensuel d’environ 8,5 millions FCFA pour un cout d’exploitation de 220 000 FCFA mensuels (Claude API plus VPS Looker plus temps manager).