Data & Insights Lab

Le point de départ

Tout a commencé par une conversation avec un commerçant. En discutant avec lui, j’ai réalisé qu’il avait reçu un avis négatif sur Google et qu’il ne s’en était rendu compte que des mois après.

Pourtant, il a une excellente réputation et une majorité d’avis très positifs. Mais comme beaucoup de gérants de commerces locaux, il n’a tout simplement pas le temps de surveiller ses avis régulièrement. Ou n’y pense pas.

Et pourtant, ces avis sont une mine d’or. Ils contiennent des insights précieux sur la satisfaction client, les points de friction, les tendances émergentes. Des informations qui, bien exploitées, peuvent transformer une stratégie commerciale.

Je me suis dit : pourquoi ne pas automatiser ça ?

L’objectif

Construire un système capable de :

• Collecter automatiquement les derniers avis Google d’un commerce
• Les analyser avec une IA
• Générer un rapport structuré et actionnable
• L’envoyer automatiquement par email au gérant

Le tout sans intervention humaine. Et sans écrire une seule ligne de code.

La stack technique

Google Places API (New) pour collecter les avis en temps réel → Make.com pour orchestrer l’automatisation → Claude AI pour analyser et générer le rapport → Gmail pour l’envoi automatique

Simple. Efficace. Zéro infrastructure à maintenir.

Comment ça marche concrètement

À la fréquence choisie (hebdomadaire, bimensuelle, mensuelle), le système se déclenche automatiquement :

Étape 1 – Google Places API récupère les derniers avis du commerce avec notes, dates et textes complets

Étape 2 – Make.com orchestre le flux : collecte, transformation des données, appel à l’IA

Étape 3 – Claude AI analyse l’ensemble et génère un rapport structuré :

• Synthèse des points positifs récurrents
• Points négatifs identifiés
• Tendance générale
• Recommandation concrète et actionnable

Étape 4 – Le rapport HTML est envoyé automatiquement par email

Ce que contient le rapport

Ce que contient le rapport

Le gérant reçoit directement dans sa boîte mail un rapport HTML clair et actionnable :

✅ Les derniers avis clients avec notes, dates et un lien direct pour y répondre

✅ Les points forts récurrents avec ce que les clients apprécient vraiment

✅ Les points d’attention: ce qui déçoit ou pourrait être amélioré

✅ des recommandations pour s’améliorer

Le système peut analyser plusieurs dizaines d’avis en une seule exécution.

Les défis rencontrés

Ce projet m’a appris que la partie technique n’est pas toujours là où on l’attend.

Le vrai défi n’était pas de connecter les APIs mais de faire passer les données correctement d’un module à l’autre sans que les caractères spéciaux des avis clients ne cassent le flux.

La solution ? Un Iterator couplé à un Array Aggregator dans Make.com qui permet de traiter chaque avis individuellement avant de les regrouper en un seul bloc cohérent pour l’IA.

Ce que j’ai appris

1. La valeur n’est pas dans la technologie Elle est dans le problème qu’on résout. Un gérant de commerce n’a pas toujours besoin d’un dashboard complexe. Il a besoin d’informations claires qui lui indiquent quoi améliorer, au bon moment.

2. Le no-code démocratise vraiment l’IA En 2 jours, sans être développeur, il est possible de construire des outils qui auraient nécessité une équipe tech il y a quelques années.

3. Les insights consommateurs sont partout Les avis Google, les réseaux sociaux, les enquêtes de satisfaction sont des sources de données sous-exploitées. L’IA peut aider à changer ça.

La suite

Ce projet m’a donné envie d’aller plus loin : appliquer cette approche à des sources de données plus riches, croiser les avis avec d’autres signaux consommateurs, et mesurer l’impact réel sur la satisfaction client.

L’IA ne remplace pas les équipes Insights. Elle leur donne les moyens de faire plus, avec moins.