القائمة
Use when you want the recurring complaints across a set of Amazon products - to turn pain points into marketing angles or product improvements. Amazon product URL(s) + rating filter 1-2 stars -> CSV of negative reviews à regrouper en pain points.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Use when you want to find the ad angles that actually convert in a market - the pubs that have been running for months (a competitor only keeps paying for what works). Meta Ad Library search URL -> CSV of ads sorted by longevity.
Use when you want a snapshot of one or several Instagram accounts (yours, a prospect's, a competitor's) - audience, bio, positioning. Liste de usernames -> CSV d'audit.
Use when you want all the Google Maps reviews of one place in one shot - to read the verbatim, spot recurring complaints, or mine testimonials. Place URL -> CSV of reviews.
Use when you want to understand what real buyers think of an Amazon product before selling, sourcing, or comparing it. Amazon product URL(s) -> CSV of reviews (note, texte, achat vérifié, votes utiles, variante).
Use when a post (yours, a competitor's, an influencer's) sparks an engaged audience you want to capture - lead gen, community outreach, sentiment. URLs de posts -> CSV des commentateurs.
Use when you want to size up every competitor on Google Maps for a trade in a given area - their ratings, review counts, price level and coordinates. Search term + location -> CSV of competitors ranked.
| name | apify-avis-negatifs-amazon |
| description | Use when you want the recurring complaints across a set of Amazon products - to turn pain points into marketing angles or product improvements. Amazon product URL(s) + rating filter 1-2 stars -> CSV of negative reviews à regrouper en pain points. |
One-shot : tu veux la matière première du copywriting - les plaintes récurrentes sur les produits d'une catégorie. En ne gardant que les avis 1 et 2 étoiles sur plusieurs produits concurrents, tu fais remonter ce qui frustre vraiment les acheteurs. Ces frustrations deviennent des angles marketing (« enfin un produit qui ne fait pas X ») ou des pistes d'amélioration produit.
Le principe : on scrape les avis négatifs, puis on regroupe les plaintes qui reviennent en thèmes (le pain_theme). Chaque thème récurrent est un point de douleur = un angle. Ex. si 40% des avis négatifs parlent d'autonomie, « autonomie réelle » devient ton angle d'attaque.
APIFY_TOKEN (gratuit pour démarrer).CONNECTING-MCP.md).junglee/amazon-reviews-scraper (https://apify.com/junglee/amazon-reviews-scraper) - extrait les avis Amazon ; ici filtré sur 1 et 2 étoiles pour ne remonter que le négatif.
config.example.yaml)| Champ | Rôle |
|---|---|
productUrls | URL(s) des produits concurrents à miner (une entrée {url: ...} par produit) |
filterByRatings | filtre étoiles : ["oneStar", "twoStar"] pour ne garder que le négatif |
maxReviews | nombre max d'avis par produit (borne le coût) |
reviewsFilterByKeywords | (optionnel) mots-clés pour cibler un thème précis, ex. ["autonomie", "batterie"] |
junglee/amazon-reviews-scraper avec l'input de config.example.yaml - filterByRatings sur oneStar + twoStar (tool call-actor).get-dataset-items).pain_theme vide.pain_theme (autonomie, SAV, taille, qualité de fabrication...). Compter les thèmes -> les plus fréquents sont tes pain points / angles marketing.Fallback via lib/apify_helpers.py :
from lib import apify_helpers as a
reviews = a.run_actor("junglee/amazon-reviews-scraper", {
"productUrls": [
{"url": "https://www.amazon.fr/dp/B0EXAMPLE1"},
{"url": "https://www.amazon.fr/dp/B0EXAMPLE2"},
],
"filterByRatings": ["oneStar", "twoStar"],
"maxReviews": 80,
# "reviewsFilterByKeywords": ["autonomie", "batterie"],
}, cap=160)
Ou lancer l'Actor depuis la console Apify (bouton Start) avec le même input.
CSV : rating, title, review_text, date, product, pain_theme.
La colonne pain_theme est vide à la sortie : elle se remplit a posteriori lors du regroupement des plaintes en thèmes.
Pay-per-result : ~$0.005 / avis (+ ~$0.001 par lancement). Le filtre étoiles réduit le volume et donc le coût. Données publiques. Le champ maxReviews borne la dépense.
examples/avis-negatifs-amazon.csv (données fictives, schéma réel, pain_theme vide).