apify-avis-negatifs-amazon

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.

Miner les avis négatifs d'une catégorie Amazon

Objectif & quand

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.

Prérequis

• Compte Apify + APIFY_TOKEN (gratuit pour démarrer).
• MCP Apify configuré (CONNECTING-MCP.md).

Actor utilisé

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 (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"]

Procédure (via MCP)

1. Réunir les URLs de 3 à 5 produits concurrents de la même catégorie.
2. Demander au MCP Apify de lancer l'Actor junglee/amazon-reviews-scraper avec l'input de config.example.yaml - filterByRatings sur oneStar + twoStar (tool call-actor).
3. Récupérer les items du dataset (get-dataset-items).
4. Mettre en forme : une ligne par avis. Laisser pain_theme vide.
5. Regrouper a posteriori : relire le CSV, tagguer chaque avis avec un thème récurrent dans pain_theme (autonomie, SAV, taille, qualité de fabrication...). Compter les thèmes -> les plus fréquents sont tes pain points / angles marketing.

Si le MCP ne fait pas l'action

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.

Livrable

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.

Coût & limites

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.

Exemple

examples/avis-negatifs-amazon.csv (données fictives, schéma réel, pain_theme vide).