菜单
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.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
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).