Claude pour l'analyse des search terms Google Ads

Un compte Google Ads avec 30 000 € de budget mensuel génère entre 5 000 et 15 000 search terms uniques par mois sur ses campagnes Search. Les regarder un par un n’est pas tenable, et les filtres de l’interface (impressions minimum, clics minimum, CPA supérieur à X) laissent de côté l’essentiel de la longue traîne, là où la performance du compte se gagne ou se perd réellement.

Claude résout cette partie avec une efficacité qui change le workflow : classer 5 000 requêtes en blocs d’intention, marque, navigationnel, non pertinent, en quelques minutes plutôt qu’en heures. Ce guide explique la méthode pas à pas, quels prompts fonctionnent, et où l’analyse avec Claude nécessite encore une supervision humaine.

En 30 secondes :

• Les rapports de search terms contiennent des signaux sur l’intention utilisateur et des opportunités de négatifs qu’une analyse manuelle ne capte pas à ce volume
• La méthode la plus performante : exporter en CSV + traiter par lots avec Claude API ou Projects + réimporter en négatifs
• Pour 5 000 requêtes, Claude Haiku 4.5 classe par blocs de 100-200 requêtes à très faible coût
• Catégories les plus rentables à automatiser : non pertinentes (négatifs), informationnelles (à revoir avant exclusion), navigationnelles (à isoler en campagne marque)
• Ce qui nécessite encore une revue humaine : requêtes ambiguës, symboles et mots polysémiques

Pourquoi les rapports de search terms sont-ils une mine sous-exploitée ?

Le rapport de termes de recherche est probablement la donnée la plus riche que fournisse Google Ads et, paradoxalement, une des moins analysées de façon systématique.

La raison est pratique : avec 5 000 ou 10 000 requêtes uniques par mois, aucune analyse manuelle exhaustive n’est tenable. Ce que la plupart des comptes font, c’est filtrer par impressions minimum ou clics, regarder le top 100, et appliquer des négatifs sur les plus évidents. Ça couvre les 5-10 % supérieurs en volume, mais laisse intacts les 90 % restants où s’accumulent les petites opportunités qui font la somme.

Les trois opportunités les plus fréquentes dans ces 90 % :

• Négatifs pour non-pertinence claire : requêtes qui mélangent votre produit avec un usage ou un secteur que vous ne couvrez pas (ex. « écouteurs pour nager » si vous vendez pour la salle)
• Requêtes informationnelles mélangées aux commerciales : « qu’est-ce que X » ou « comment fonctionne Y » qui ne convertissent pas mais accumulent les clics
• Variations de marque propre mal classées : typos, abréviations, fautes d’orthographe qui devraient aller dans la campagne marque

Claude permet de traiter le volume complet en une fraction du temps. Le goulot d’étranglement n’est plus la capacité d’analyse mais la qualité du prompt et la revue d’échantillon.

Le flux complet : exporter les search terms et traiter avec Claude

La méthode qui marche le mieux dans les comptes que j’ai optimisés tient en cinq phases :

1. Exporter le rapport : dans l’interface Google Ads, Rapports → Termes de recherche → Télécharger CSV. Filtrer par les 30-90 derniers jours selon le volume.
2. Nettoyer le CSV : enlever les colonnes inutiles, ne garder que requête, campagne, impressions, clics, coût, conversions, CPA, CVR.
3. Traiter par lots avec Claude : envoyer des blocs de 100-200 requêtes avec un prompt de classification. Ne pas traiter 5 000 requêtes d’un coup ; le contexte et la cohérence se maintiennent mieux en lots plus petits.
4. Revue sur échantillon : valider manuellement les 20-30 premières classifications avant d’appliquer le reste en production.
5. Appliquer les négatifs en bulk : les requêtes marquées « non pertinentes » se chargent comme négatifs exacts dans la campagne correspondante depuis Google Ads Editor.

Le temps total pour un compte de 5 000 requêtes avec ce flux est entre 2 et 4 heures, contre 15-25 heures pour une analyse manuelle rigoureuse. La qualité du résultat dépend presque entièrement du prompt et du feedback appliqué dans les premiers lots.

Quels prompts fonctionnent pour classer les search terms ?

Le prompt qui donne le meilleur résultat d’après mon expérience a quatre composants : contexte du business, définitions opérationnelles de chaque catégorie, exemples, et restrictions.

Je suis consultant PPC sur un compte Google Ads de [type de business :
ecommerce mode féminine espagnole / B2B SaaS de gestion de stock / etc].

Je vais te donner une liste de search terms. Classe chacun dans UNE catégorie :

1. CONVERSION : utilisateur avec intention claire d'achat
   (ex. « acheter X », « X prix », « X livraison 24h », « X avis »)
2. INFORMATIONAL : utilisateur cherchant de l'info, pas d'achat immédiat
   (ex. « qu'est-ce que X », « comment fonctionne X », « différence entre X et Y »)
3. BRAND : inclut la marque du client, ses typos ou variantes
   [La marque du client est : « {{nom_marque}} », aussi écrite : {{variantes}}]
4. COMPETITOR : inclut une marque de concurrent
   [Concurrents : {{liste_concurrents}}]
5. IRRELEVANT : utilisateur cherchant quelque chose que le client ne propose pas
   (ex. usages différents, marchés différents, catégories différentes)
6. AMBIGUOUS : impossible à classer avec certitude, nécessite revue humaine

Règles :
- N'invente pas d'info sur la marque ou le produit si elle n'est pas dans le contexte
- En cas de doute, mets AMBIGUOUS, n'invente pas une catégorie
- Output : une ligne par requête au format : « REQUÊTE | CATÉGORIE | RAISON (10 mots max) »

Requêtes à classer :
{{liste_requetes}}

Sur un lot de test de 300 requêtes dans un compte ecommerce, ce prompt a obtenu :

• 92 % de requêtes correctement classées selon validation manuelle ultérieure
• 6 % marquées AMBIGUOUS (revue humaine obligatoire)
• 2 % mal classées, presque toutes par polysémie (« running » comme chaussure vs. comme activité)

L’erreur la plus fréquente que je vois quand quelqu’un démarre avec ce flux : ne pas donner assez de contexte business. Un prompt sans la ligne « [type de business : ecommerce mode féminine espagnole] » produit des classifications très génériques qui demandent plus de correction.

Exemple : traiter 1 500 requêtes en moins d’une heure

Cas d’un compte ecommerce avec 1 500 search terms uniques sur les 30 derniers jours, jamais revus systématiquement :

Setup : CSV exporté depuis Google Ads, colonnes requête/coût/clics/conversions, client = marque de cosmétique niche avec audience féminine 25-45 ans.

Lot 1 (200 requêtes) : validation manuelle de la classification. Résultat : 88 % correct, 12 % nécessitant ajustement (la plupart AMBIGUOUS marquées IRRELEVANT par défaut).

Ajustement du prompt : ajouter du contexte sur l’audience cible (« audience féminine 25-45 ans, cherche des actifs cosmétiques spécifiques comme rétinol, acide hyaluronique, niacinamide ») et des exemples de requêtes qui avaient historiquement converti.

Lots 2-8 (1 300 requêtes restantes) : traitement automatique avec le prompt ajusté.

Résultat final :

• 247 requêtes classées IRRELEVANT → ajoutées en négatifs exacts (ex. « cosmétique pour homme », « vétérinaire », « chiens »)
• 312 requêtes classées INFORMATIONAL → revue manuelle ; 180 ont fini en négatifs, 132 en requêtes à surveiller
• 89 requêtes classées BRAND → migrées vers la campagne marque avec CPC manuel
• 54 requêtes classées COMPETITOR → revue manuelle sur la stratégie
• 798 requêtes classées CONVERSION → conservées, avec 23 candidates au SKAG par volume et conversion
• 1 500 requêtes traitées en environ 50 minutes de temps actif (plus traitement en arrière-plan)

L’impact sur le compte après application des 247 négatifs exacts : baisse de 18 % du CPA moyen sur les 30 jours suivants, sans effet sur le volume de conversions. Uniquement en supprimant du trafic non pertinent.

Dans les comptes avec investissement mensuel supérieur à 5 000 €, traiter le rapport de search terms avec Claude tous les 30-45 jours identifie typiquement entre 5 % et 15 % du budget qui partait sur des requêtes non pertinentes ou informationnelles qui ne convertissent pas. Sur un compte à 5 000 €/mois, ça représente 250 à 750 € récupérables chaque mois.

Limites et erreurs fréquentes dans ce flux

Trois erreurs que je vois répéter quand quelqu’un démarre avec cette méthode.

Traiter des lots trop gros. Avec 500 ou 1 000 requêtes dans un seul prompt, Claude perd la cohérence : il classe certaines selon un critère et d’autres selon un autre, surtout aux bordures (CONVERSION/INFORMATIONAL). Garde des lots de 100-200 requêtes et le prompt complet à chaque lot.

Appliquer les négatifs sans revue. Même si le prompt marche à 90 %, les 10 % restants peuvent contenir des requêtes qui convertissent. Un négatif exact mal ajouté peut bloquer du trafic rentable pendant des semaines avant que quelqu’un ne le détecte. La revue manuelle de la liste « non pertinentes » avant application n’est pas négociable.

Ne pas mettre à jour le contexte du prompt. Si le business lance une ligne nouvelle, ouvre un marché nouveau ou change d’audience, le prompt doit être mis à jour. Un prompt vieux de 6 mois peut classer comme IRRELEVANT des requêtes désormais parfaitement valides.

Ce qui nécessite encore une analyse humaine sans raccourci : les requêtes avec symboles spéciaux, les recherches en langues mélangées (Spanglish, Franglais), les mots polysémiques avec plusieurs sens selon le contexte, et les requêtes à intention émotionnelle ambiguë (ex. « cadeau X pour ma copine » n’est pas une intention d’achat claire tant qu’on ne croise pas avec l’historique).

L’analyse des search terms en profondeur explique les critères de classification humaine derrière le prompt, et il vaut mieux les avoir clairs avant d’automatiser le process.

Comment intégrer ce flux dans un compte géré ?

Trois scénarios typiques.

Compte géré par consultant freelance (1-5 comptes) : processus manuel tous les 30 jours avec Claude Projects. Temps : 2-3 heures par compte. Coût API : pratiquement nul en utilisant Projects.

Agence avec 10-20 comptes : script Python qui se connecte à Google Ads API, exporte les search terms tous les 14 jours, traite avec Claude API, charge le résultat dans une feuille partagée pour revue par l’account manager. Temps de revue humaine : 30-60 minutes par compte.

Compte in-house avec équipe dédiée : dashboard qui exécute le flux en production hebdomadaire, avec système d’alertes quand le % de requêtes IRRELEVANT dépasse un seuil (signal de problème dans la structure des campagnes).

L’audit de compte Google Ads couvre les critères pour décider si le coût/bénéfice du flux automatisé en vaut la peine selon la taille du compte et la fréquence de revue.

Foire aux questions sur Claude et les search terms Google Ads

Ce flux remplace-t-il l’analyse manuelle des search terms ?

Non. Claude accélère la classification initiale et lève le goulot du volume, mais la décision finale sur quoi faire de chaque catégorie reste un travail humain. Le flux fonctionne comme un filtre de première ligne, pas comme un remplacement de l’analyse stratégique.

Quel modèle de Claude donne le meilleur ratio coût/qualité pour cet usage ?

Pour la classification pure, Claude Haiku 4.5 suffit et reste très économique. Pour de l’analyse de patterns plus sophistiquée (détecter des groupes thématiques, suggérer de nouveaux SKAGs), Claude Sonnet 4.6 donne des résultats plus précis à coût raisonnable. Utiliser Opus dans ce cas est généralement excessif sauf sur des comptes très grands avec des requêtes très spécifiques.

Combien coûte le traitement de 5 000 search terms avec Claude API ?

Avec Claude Haiku 4.5 et des lots de 150 requêtes avec cache de prompt, traiter 5 000 search terms coûte environ 1 à 3 €. Avec Sonnet 4.6, ça monte à 5-15 €. Le coût réel le plus élevé est le temps humain de revue d’échantillon et d’application finale des négatifs, pas l’API.

Ça marche aussi avec Performance Max ?

PMax expose les search terms avec moins de granularité que les campagnes Search standard. Le flux peut s’appliquer, mais le volume est moindre et la qualité des données aussi. Pour PMax, le levier le plus utile reste la séparation campagne marque / hors-marque et les exclusions par catégorie de produit.

Et pour les petits comptes avec moins de 500 requêtes par mois ?

Pour 500 requêtes ou moins, l’analyse manuelle avec un bon filtre dans l’interface est souvent aussi rentable qu’une automatisation. Là où Claude commence à donner un retour clair, c’est à partir de 1 500-2 000 requêtes uniques par mois, quand le temps d’analyse manuelle dépasse les 4-5 heures mensuelles.

Conclusion : Claude ne remplace pas le jugement, il l’accélère

Traiter le rapport de search terms avec Claude transforme une tâche mensuelle de 15-25 heures en une tâche de 2-4 heures. Ce qui ne change pas, c’est le jugement : décider quoi faire de chaque catégorie reste un travail humain qui demande de connaître le compte, le client et le contexte du secteur.

L’erreur la plus courante au démarrage de ce flux est de sauter la phase de revue sur échantillon des 100-200 premiers lots. Sans cette validation, les biais du prompt s’appliquent à tout le catalogue avant que quelqu’un ne les détecte.

Si vous voulez revoir le flux d’analyse des search terms sur votre compte ou voir combien de budget vous pourriez récupérer en appliquant les négatifs systématiquement, vous pouvez réserver 30 minutes de consulting.