Analyser automatiquement les avis clients avec n8n et l'IA (Google, Trustpilot, avis internes)

Une PME qui reçoit cinquante avis par mois sur Google, Trustpilot et ses formulaires internes de satisfaction finit rarement par tous les lire avec la même attention. Les avis 5 étoiles s'accumulent sans qu'on y prête attention, et un avis 1 étoile publié un vendredi soir peut rester sans réponse jusqu'au lundi suivant — le temps que le mécontentement se propage. Un pipeline n8n qui collecte, classe et alerte automatiquement change cette dynamique : chaque avis négatif remonte en quelques minutes, et les tendances (un problème de délai qui revient, un point fort à mettre en avant) deviennent visibles sans relecture manuelle.

Pourquoi automatiser l'analyse des avis plutôt que la faire à la main

Lire un avis prend trente secondes. Le problème n'est pas le temps unitaire, c'est le volume cumulé et la latence de réaction :

• Un avis négatif non traité rapidement se transforme parfois en fil de discussion publique où le client répond à sa propre insatisfaction, aggravant la visibilité du problème ;
• Les thèmes récurrents (délai de livraison, qualité d'un produit précis, un point de service client) restent invisibles sans agrégation systématique — personne ne compile manuellement « combien d'avis mentionnent le délai ce mois-ci » ;
• Répondre à chaque avis avec un ton cohérent et professionnel demande du temps rédactionnel que peu d'équipes ont en continu.

Un pipeline automatisé ne remplace pas le jugement humain sur la réponse finale, mais il élimine le travail de tri et de synthèse qui, aujourd'hui, retarde la détection des signaux importants.

Étape 1 — Collecter les avis depuis plusieurs sources

Google Business Profile expose une API officielle (Google Business Profile API) permettant de récupérer les avis d'un établissement, avec authentification OAuth2 Google. Dans n8n, un node HTTP Request planifié par un trigger Schedule (par exemple toutes les six heures) interroge l'endpoint accounts/{accountId}/locations/{locationId}/reviews, avec le token OAuth2 géré via un credential Google configuré une fois.

Trustpilot propose une Business API sur demande commerciale, qui reste la voie recommandée pour un accès fiable et durable — le scraping direct du site est explicitement interdit par les conditions d'utilisation de Trustpilot et expose à un blocage d'IP en cas de volume soutenu. Pour les entreprises sans accès API, un export CSV manuel régulier, importé dans n8n via un node Read Binary File ou un upload déclenché par formulaire, reste une alternative fonctionnelle en attendant l'accès API.

Avis internes (formulaire de satisfaction post-achat, enquête NPS) arrivent le plus souvent via un Webhook n8n, exactement comme dans le pipeline de qualification de leads entrants par IA : le formulaire poste directement vers n8n à la soumission, sans étape intermédiaire.

Étape 2 — Analyse de sentiment et extraction de thèmes par IA

Une fois l'avis collecté et normalisé (texte, note, source, date), un node AI Agent ou une simple chaîne LLM avec sortie structurée (structured output) classe l'avis selon un schéma défini à l'avance plutôt qu'en texte libre :

{
  "sentiment": "positif | négatif | neutre",
  "confiance": 0.0,
  "themes": ["prix", "délai", "qualité", "service client"],
  "resume": "Résumé en une phrase du point principal de l'avis"
}

Le prompt système doit lister explicitement les thèmes possibles (prix, délai, qualité, service client, facilité d'utilisation — adaptés à votre activité) plutôt que de laisser le modèle inventer librement des catégories, sous peine de se retrouver avec des dizaines de libellés proches mais non identiques, impossibles à agréger ensuite. Le champ confiance permet d'isoler les cas ambigus (avis ironiques, très courts, ou mêlant du positif et du négatif) et de les router vers une relecture humaine sous un seuil donné, via un node IF.

Ce mécanisme n'est pas nouveau dans son principe. Dès 2004, une étude fondatrice de Hu et Liu (KDD 2004) posait les bases de l'analyse automatique des avis clients, en montrant qu'il était possible d'extraire automatiquement les caractéristiques d'un produit évoquées dans un avis et de déterminer si l'opinion exprimée à leur sujet était positive ou négative — exactement le mécanisme qu'un node IA dans n8n reproduit aujourd'hui, en beaucoup plus simple à mettre en œuvre qu'à l'époque, où il fallait construire des lexiques et des règles linguistiques à la main.

Étape 3 — Agréger dans Supabase ou Google Sheets pour un dashboard

Chaque avis classé s'écrit dans une table structurée plutôt que de rester dans les logs d'exécution n8n. Une table Supabase typique :

Colonne	Type	Exemple
source	text	google, trustpilot, interne
note	int	2
sentiment	text	négatif
themes	text[]	{délai, service client}
resume	text	« Livraison en retard de 5 jours, pas de suivi »
date_avis	timestamp	2026-07-18T14:32:00Z

Le node Supabase de n8n (opération Insert) écrit chaque ligne après classification. Pour une équipe qui préfère un dashboard sans outil de BI dédié, Google Sheets via le node natif fonctionne aussi bien pour un volume modéré, avec des tableaux croisés dynamiques natifs à Sheets pour visualiser les thèmes par mois. Voir notre guide de connexion n8n-Supabase pour la configuration initiale du credential et la structuration de table recommandée.

Une fois les données agrégées, un second workflow planifié peut générer un résumé hebdomadaire des tendances — la même logique que celle décrite dans notre article sur la génération de rapports de synthèse par IA, appliquée ici aux avis plutôt qu'à un audit.

Étape 4 — Alerte Slack immédiate sur avis très négatif

Un avis noté 1 ou 2 sur 5 mérite une réaction rapide, pas une découverte dans un rapport hebdomadaire. Juste après l'insertion en base, un node IF teste la condition {{ $json.note <= 2 }} et, si elle est vraie, déclenche un node Slack qui poste dans un canal dédié :

🔴 Avis négatif détecté ({{ $json.source }})
Note : {{ $json.note }}/5
Thèmes : {{ $json.themes.join(", ") }}
Résumé : {{ $json.resume }}
Lien : {{ $json.url_avis }}

Cette alerte permet à l'équipe support ou au fondateur de contacter le client concerné dans l'heure plutôt que dans la semaine — le facteur qui détermine souvent si un client mécontent devient un avis corrigé ou un avis qui reste en ligne indéfiniment.

Étape 5 — Génération de réponses suggérées

Le même node IA qui classe l'avis peut, dans le même appel ou un appel séparé, générer une réponse suggérée au ton professionnel et empathique, en tenant compte du thème identifié et de la note. Cette réponse s'affiche dans le message Slack comme brouillon, pas comme publication automatique : publier une réponse mal calibrée sur un canal public et permanent comme Google ou Trustpilot présente un risque disproportionné par rapport au temps gagné. Un humain valide ou ajuste le brouillon avant publication, ce qui garde le contrôle sur le ton final tout en éliminant la page blanche de la rédaction.

Pièges fréquents

• Scraper Trustpilot sans API : viole les conditions d'utilisation et expose à un blocage d'IP, surtout à volume soutenu ; privilégiez l'API officielle ou un export manuel.
• Laisser le modèle inventer des thèmes libres : sans liste fermée dans le prompt, les thèmes se multiplient (« délai de livraison », « livraison lente », « retard » comme trois catégories distinctes) et l'agrégation perd tout son sens.
• Publier une réponse générée sans relecture : un ton mal calibré sur un avis public reste visible indéfiniment ; gardez une étape de validation humaine.
• Ignorer les rate limits de l'API Google Business Profile : comme pour toute API tierce à fort trafic, un cadencement avec Loop Over Items et Wait évite les erreurs 429 sur un import initial volumineux — voir notre article sur les rate limits des API IA dans n8n.

En résumé

Un pipeline d'analyse d'avis clients avec n8n tient en cinq briques : collecte multi-source (Google Business Profile, Trustpilot, formulaires internes), classification par IA avec sortie structurée pour le sentiment et les thèmes, agrégation dans Supabase ou Sheets, alerte Slack immédiate sur les notes basses, et génération de brouillons de réponse. Aucune de ces briques n'est complexe isolément ; leur enchaînement automatisé est ce qui transforme un flux d'avis dispersés en un signal exploitable au quotidien. Le Pack Inbox IA utilise la même architecture de classification IA avec sortie structurée pour trier des emails entrants — une base directement transposable à ce cas d'usage.