Rapports paid media automatisés : Claude + Looker

Produire un rapport mensuel de paid media pour un client moyen (Google Ads + Meta Ads, 5 000-30 000 € de budget) prend entre 4 et 8 heures si c’est bien fait : extraire les données, monter les tableaux, calculer les variations, écrire le commentaire par campagne, identifier les anomalies, rédiger le résumé exécutif. Multiplié par 5-10 clients par mois, ça représente 40 à 80 heures mensuelles sur une seule tâche répétitive.

La partie dashboard est résolue depuis longtemps avec Looker Studio. Ce qui consomme encore des heures, c’est la narration : ce qu’il s’est passé, pourquoi, et ce qu’on fait le mois suivant. Claude règle cette partie quand on lui donne le bon contexte. Ce guide explique comment combiner les deux pour que le rapport mensuel cesse d’être un travail manuel d’une journée.

En 30 secondes :

• Looker Studio règle le dashboard visuel ; Claude règle la narration, l’analyse et le résumé exécutif
• Combinés, ils réduisent le temps de production d’un rapport mensuel de 4-8 heures à 1-2 heures
• La méthode fonctionne avec un template Looker fixe + extraction de données en CSV + prompt Claude avec contexte client
• Ce que Claude fait le mieux : détecter les anomalies, écrire le commentaire par campagne, générer un résumé exécutif cohérent
• Ce qui nécessite encore un humain : prioriser ce qu’on raconte au client, valider l’attribution et décider des actions du mois suivant

Quelles parties d’un rapport mensuel peut-on vraiment automatiser ?

Un rapport mensuel paid media typique a cinq blocs :

1. Résumé exécutif (1 page) : KPIs clés, variation vs mois précédent, principales décisions
2. Performance par canal : Google Ads, Meta, autres — tableau et commentaire
3. Performance par campagne : détail par campagne avec CTR, CVR, CPA, ROAS
4. Anomalies et événements : ce qu’il s’est passé hors de l’attendu, pourquoi
5. Plan du mois suivant : 3-5 actions priorisées avec justification

Les blocs 2 et 3 (tableaux et métriques) sont les plus automatisables. Looker Studio les génère nativement en se connectant à Google Ads, Meta Ads via Supermetrics ou connecteur natif, GA4, etc.

Les blocs 1, 4 et 5 sont là où le temps humain se concentrait. Ce sont ceux que Claude règle quand on lui donne : données brutes du mois, données du mois précédent, contexte client, critères de pertinence. Le résultat ne remplace pas le jugement du consultant, mais produit un brouillon de qualité raisonnable qu’on édite en 20-30 minutes au lieu de rédiger depuis zéro en 2-3 heures.

Le stack : Looker pour le dashboard, Claude pour la narration

La configuration qui marche le mieux d’après mon expérience a trois composants :

Looker Studio comme couche visuelle. Un template fixe par client ou par type de compte (ecommerce, B2B, lead gen) avec :

• Résumé KPIs du mois (dépense, conversions, CPA, ROAS)
• Comparatif vs mois précédent et vs même mois année précédente
• Détail par campagne avec sparklines
• Anomalies mises en avant (campagnes avec variation >20 % sur CPA ou conversions)

Extraction des données en CSV pour alimenter Claude. La source peut être :

• Export direct depuis Google Ads (idéal pour données granulaires par campagne)
• Export depuis Looker Studio du dashboard lui-même
• Appel à Google Ads API si on veut automatiser tout le pipeline, via des connecteurs comme Supermetrics

Claude avec un prompt d’analyse et de narration. Reçoit les données du mois, celles du mois précédent, le contexte client, et produit : résumé exécutif, commentaire par campagne, anomalies détectées, suggestions d’action.

Le flux complet depuis « donnée brute » jusqu’à « rapport final avec narration » tient en 60-90 minutes pour un client dont le template Looker est déjà monté. La première fois pour un client nouveau, le setup initial ajoute 2-3 heures de configuration de template et prompt.

Un prompt d’analyse qui marche

Le prompt qui donne les meilleurs résultats a quatre composants : contexte client, données structurées du mois, données du mois précédent, et template de sortie.

Tu es consultant paid media. Tu vas écrire un rapport mensuel pour
un client avec ce profil :

CLIENT :
- Secteur : {{secteur}}
- Produits principaux : {{produits}}
- Objectif principal : {{objectif : ROAS, leads B2B, ventes ecommerce}}
- Budget mensuel : {{budget}} €
- Mois actuel : {{mois_actuel}}

DONNÉES MOIS ACTUEL (CSV) :
{{tableau_donnees_mois_actuel}}

DONNÉES MOIS PRÉCÉDENT (CSV) :
{{tableau_donnees_mois_precedent}}

ÉVÉNEMENTS DU MOIS (s'il y en a) :
{{evenements : lancement, promo, changement de budget, etc.}}

OUTPUT attendu :

1. RÉSUMÉ EXÉCUTIF (max 120 mots) :
   - Variation principale vs mois précédent avec chiffre
   - 1 raison concrète de cette variation (basée sur les données, pas inventée)
   - 1 action prioritaire pour le mois suivant

2. COMMENTAIRE PAR CAMPAGNE (max 50 mots par campagne) :
   - Ce qu'il s'est passé (chiffre concret)
   - Pourquoi (si les données permettent de le déduire)
   - Prochaine étape

3. ANOMALIES (seulement s'il y en a) :
   - Campagne, métrique affectée, variation, cause possible

4. NE FAIS PAS :
   - N'invente pas de raisons non appuyées par les données
   - N'utilise pas des phrases comme « le paysage digital » ou « il est important de souligner »
   - Si une variation n'a pas d'explication claire dans les données, écris « à revoir »

Avec ce prompt et des données propres, Claude Sonnet 4.6 produit un brouillon qui demande entre 15 et 30 minutes d’édition humaine pour atteindre la qualité d’envoi client. La partie la plus éditée, ce sont les actions du mois suivant, parce que le modèle ne connaît pas le contexte opérationnel (capacité de l’équipe, budgets disponibles, dates clés du client).

Cas pratique : rapport mensuel d’un ecommerce à 15 000 €/mois

Client réel anonymisé : ecommerce de mode avec 15 000 € d’investissement mensuel entre Google Ads et Meta.

Setup initial (une fois, ~3 heures) :

• Template Looker connecté à Google Ads et Meta Ads via Supermetrics
• Page 1 : résumé mensuel avec KPIs comparés
• Page 2 : détail par campagne avec sparklines
• Page 3 : anomalies et événements pertinents
• Prompt Claude configuré avec secteur, produits et objectif

Processus mensuel (chaque mois, ~75 minutes) :

1. 0-15 min : Vérifier que le dashboard Looker s’est actualisé correctement ; contrôler que les conversions correspondent à Google Ads et Meta Ads (pas GA4, qui diverge systématiquement).
2. 15-25 min : Exporter le tableau résumé en CSV. Identifier 3-5 événements du mois nécessitant du contexte (changement de budget, promo, lancement).
3. 25-45 min : Traiter avec Claude. Output brut du brouillon de rapport (résumé, commentaires, anomalies).
4. 45-65 min : Édition humaine. Valider les chiffres, ajuster le ton, affiner les actions du mois suivant, supprimer les inférences incorrectes.
5. 65-75 min : Maquetter le PDF final avec capture du dashboard Looker + texte édité.

Comparatif avec le flux précédent (sans Claude, même client) :

• Flux précédent : 4-5 heures mensuelles
• Flux nouveau : 75 minutes mensuelles
• Réduction : ~75 % du temps, avec qualité comparable selon le retour client

Le facteur qui a le plus d’impact sur le temps final n’est pas le modèle d’IA mais la qualité du template Looker. Si le dashboard n’a pas de KPIs comparés, de variation période sur période et d’anomalies mises en avant, Claude n’a pas assez de contexte et le brouillon demande beaucoup plus d’édition. Investir 3-4 heures initiales dans le template paie le retour les mois suivants.

Quand ne pas automatiser le rapport ?

Quelques scénarios où le flux Claude + Looker ne paie pas.

Clients avec moins de 3 mois en portefeuille. En phase initiale, le rapport est un outil de relation et d’apprentissage du client. Automatiser avant de bien connaître le compte produit des brouillons génériques qui ne construisent pas la confiance.

Comptes avec des changements structurels dans le mois. Migration de tracking, changement d’objectifs de conversion, restructuration complète de campagnes. Sur ces mois, le rapport est à 80 % narration contextuelle et 20 % données, et Claude n’a pas le contexte pour le produire.

Rapports pour des stakeholders non-marketing (CEO, CFO). Ici la valeur du rapport n’est pas la profondeur technique mais la priorisation stratégique. Cette décision reste 100 % humaine ; Claude peut aider sur la rédaction une fois décidé ce qu’on raconte.

Clients qui paient principalement pour le rapport. Si ton positionnement commercial est « je livre une analyse manuelle profonde chaque mois », automatiser la narration peut entrer en conflit avec la valeur perçue. Même si la qualité finale est identique, la perception d’effort compte.

Dans tous les autres cas — clients stables, sans changements structurels, en portefeuille depuis 3+ mois, avec stakeholders techniques — le flux automatisé libère 3-4 heures mensuelles par client sans sacrifier la qualité. Ces heures se réinvestissent en optimisation réelle de compte ou en acquisition de nouveaux clients.

Intégration avec le reste du stack consulting

Le flux Claude + Looker pour les rapports s’intègre bien avec d’autres processus automatisés :

• Analyse des search terms avec Claude tous les 30 jours → données pour le rapport
• Audit de compte Google Ads trimestriel → contexte structurel
• Pour les clients Shopify, audit SEO avec Claude → rapport cross-canal avec SEO inclus

L’erreur que je vois dans les consultings qui essaient d’automatiser tout en même temps : sauter l’ordre. Le rapport automatisé ne marche bien que quand il y a un bon flux de données derrière (search terms propres, conversions bien mesurées, attribution cohérente). Commencer par automatiser la narration avant d’avoir nettoyé les données produit des rapports précis sur des données sales.

Foire aux questions sur Claude + Looker pour les rapports

Quel modèle de Claude utiliser pour les rapports ?

Claude Sonnet 4.6 offre le meilleur ratio entre qualité narrative et coût pour les rapports mensuels. Claude Haiku 4.5 peut servir si le rapport est très templatisé et le coût est un facteur critique. Opus est recommandé uniquement pour les rapports annuels ou trimestriels où l’analyse stratégique pèse plus que le coût par rapport.

Puis-je connecter Claude directement à Looker Studio ?

Pas nativement. Looker n’a pas d’intégration directe avec Claude. Le flux fonctionne via un export CSV intermédiaire : Looker exporte le résumé → CSV → Claude le traite → l’output s’insère dans le rapport final. Pour une automatisation complète, un script Python avec Google Ads API + Anthropic API permet de sauter Looker, mais on perd la partie visuelle.

Combien coûte le traitement de rapports avec Claude API mensuellement ?

Pour 10 clients avec des rapports mensuels d’environ 10 000 tokens chacun (input + output), le coût mensuel avec Claude Sonnet 4.6 est environ entre 30 et 80 € (référence tarifaire actualisée : Anthropic pricing). Face à l’économie de 30-40 heures mensuelles, le ROI est clairement positif. Avec le prompt caching, le coût baisse de 30 à 50 %.

Ça marche aussi pour des rapports SEO ou email marketing ?

Oui, le même principe (template de dashboard + données structurées + prompt avec contexte) s’applique à tout rapport de marketing digital. Pour le SEO la source serait Google Search Console + GA4 ; pour l’email marketing, Mailchimp ou Klaviyo. Ce qui change, c’est le template de prompt et les KPIs spécifiques au canal.

Que faire si le client préfère des rapports 100 % humains ?

Garder le flux manuel pour ce client. Certains clients valorisent explicitement le rapport comme preuve de temps dédié, et dans ces cas l’automatisation soustrait de la valeur perçue. Là où on peut quand même utiliser Claude, c’est en interne : brouillon rapide + édition humaine extensive qui produit le rapport « manuel » final avec moins de temps total.

Conclusion : l’économie de temps se réinvestit, ne se facture pas

Le flux Claude + Looker réduit le temps de production des rapports mensuels de 60 à 75 %. L’important n’est pas de facturer moins d’heures, mais de réinvestir ces heures dans du travail à plus fort impact : optimisation réelle de comptes, acquisition, formation, ou élargissement du portefeuille.

L’erreur la plus fréquente que je vois en implémentant ce flux est de commencer par la narration avant d’avoir le flux de données propre. Des rapports automatisés sur des données sales produisent des erreurs avec une apparence professionnelle, qui sont les plus dures à détecter pour un client.

Si tu veux revoir ton flux de rapports mensuels ou voir comment ce stack s’intégrerait dans ton consulting, tu peux réserver 30 minutes.