Comment analyser tes analytics réseaux sociaux avec Claude ou ChatGPT

Analyser tes analytics réseaux sociaux avec Claude ou ChatGPT, c'est une séquence en trois temps : exporter tes données au niveau de la publication sous forme de tableau, les transmettre avec un prompt qui énonce la question, les définitions et le contexte business, puis traiter tout ce qui revient comme une hypothèse à vérifier plutôt que comme un résultat. L'assistant n'a aucune connexion en direct à tes comptes et aucun souvenir de ton trimestre — il ne lit que ce que tu lui donnes. Utilisé ainsi, il est réellement rapide sur le milieu fastidieux d'un bilan mensuel : regrouper quatre-vingts lignes par type de contenu, les classer de quatre façons différentes et décrire la forme de ce qu'il voit.

Nous avons déjà un article conceptuel sur là où l'IA aide et là où elle en fait trop dans l'analytics des réseaux sociaux. Celui-ci en est le pendant pratique — les exports, les prompts et les façons précises dont ce workflow déraille.

Ce que l'assistant peut voir et ce qu'il ne peut pas voir

Trois conséquences découlent du « il ne lit que ce que tu colles », et toutes les erreurs de ce workflow reviennent à en oublier une.

Il n'a aucun accès à tes comptes. Ce qui n'est pas dans ton export n'existe pas. Si tu colles la portée mais pas le nombre d'abonnés, tout taux d'engagement qu'il produit s'appuie sur un dénominateur que tu ne lui as pas fourni — autrement dit, il l'a inventé.

Il ne connaît rien à ton activité. Il ne sait pas que tu étais en vacances neuf jours en juin, qu'une publication a été partagée par un compte bien plus gros, ou que ton pic d'avril était un lancement de produit. Un contexte non énoncé devient une explication devinée.

Il n'a aucun benchmark pour ta niche. Il a une idée générale de ce à quoi ressemblent des chiffres sur les réseaux sociaux, ce qui n'a rien à voir avec savoir ce que « bon » veut dire pour un compte B2B de 4 000 abonnés dans le logiciel industriel. Demande-lui une moyenne sectorielle et tu obtiendras le plus souvent un chiffre assuré, plausible et sans source.

Si le vocabulaire de base reste flou — portée ou impressions, ce qu'un taux d'engagement divise vraiment —, lis d'abord le guide de l'analytics des réseaux sociaux pour débutants et garde ouverte l'entrée de glossaire sur l'analytics des réseaux sociaux. L'assistant emploiera tes termes de travers avec le plus grand naturel si tu le fais toi-même.

Étape 1 : exporter le bon tableau

Le plus gros levier de qualité, c'est la granularité des données. Une ligne par publication bat une ligne par semaine, à tous les coups. Les résumés hebdomadaires permettent au modèle de décrire une tendance ; les lignes au niveau de la publication lui permettent d'en trouver la cause.

Vise ces colonnes, quelle que soit la source :

La dernière ligne compte plus qu'on ne le croit. Si tu as gagné des abonnés sur la période, les publications les plus récentes portent un dénominateur plus grand : un taux d'engagement stable est donc en réalité une baisse — ou une amélioration, selon le dénominateur retenu. Dis-le explicitement ; notre calculateur de taux d'engagement montre à quel point la réponse bouge selon la formule.

Récupère l'export comme ton stack te le permet. Les insights natifs te donnent une plateforme à la fois ; un outil de programmation te donne les publications que tu as réellement publiées avec les résultats rattachés — dans SocialKit, les analytics de publication se trouvent à côté de chaque entrée du calendrier, et l'API ainsi que les webhooks, inclus dans toutes les offres, te permettent d'automatiser la récupération vers un tableur. Dans tous les cas, transmets un CSV ou un tableau collé, jamais une capture d'écran : les modèles lisent mal les chiffres dans les images, et un chiffre mal lu se propage à tous les calculs qui suivent.

Les deux assistants acceptent l'upload de fichiers et peuvent exécuter du code sur un tableur plutôt que de le lire à l'œil. Les noms et la disponibilité selon les offres bougent ; en date de juillet 2026, vérifie ce que ton offre inclut, et privilégie la voie du code pour tout calcul portant sur plus d'une poignée de lignes.

Étape 2 : briefe-le avant de poser la moindre question

Commence par un message de cadrage qui contraint toute la conversation. C'est le paragraphe à plus fort effet de levier de tout le workflow, et la plupart des gens sautent directement à la question.

Tu m'aides à faire le bilan d'un mois de performance sur les réseaux sociaux.
Ci-joint un CSV : une ligne par publication, 63 publications, du 1er juin au
30 juin 2026, Instagram et LinkedIn uniquement.

Définitions que j'utilise :
- Taux d'engagement = (likes + commentaires + partages + enregistrements) / portée
- La portée compte les comptes uniques, pas les impressions
- « Pilier » est mon propre tag de thème, une valeur parmi quatre

Contexte que tu n'as pas : je n'ai rien publié entre le 12 et le 20 juin
(vacances). Le carrousel du 3 juin a été partagé par un compte partenaire
à l'audience bien plus large : traite-le comme une valeur aberrante, pas
comme un résultat reproductible.

Règles pour toute cette conversation :
1. N'énonce jamais un chiffre qui n'est pas calculé à partir des données jointes.
2. Si je demande quelque chose auquel les données ne peuvent pas répondre,
   dis-le au lieu d'estimer.
3. Montre le calcul de chaque chiffre que tu rapportes.
4. Signale tout groupe de moins de 5 publications comme trop petit pour en
   tirer une conclusion.
5. Distingue « X est associé à Y » de « X a causé Y ». N'affirme jamais de
   causalité.

Les règles 1 et 4 éliminent la plupart des modes de défaillance décrits plus bas. La règle 3, c'est ce qui rend la vérification possible en moins de cinq minutes. Si tu écris des prompts régulièrement, il s'agit simplement d'un bloc de contraintes au sens où notre guide des frameworks de prompts IA pour les réseaux sociaux l'entend — rôle, données, définitions, règles, tâche.

Étape 3 : quatre prompts qui font l'essentiel du travail

Le bilan mensuel

Résume le mois dans cet ordre :
1. Ce qui a été publié : nombre par plateforme, par format, par pilier.
2. Les cinq meilleures et les cinq pires publications par taux
   d'engagement, avec les chiffres bruts.
3. Tout regroupement où l'écart entre les groupes est assez grand pour
   mériter une investigation, avec les tailles d'échantillon.
4. Trois questions que ces données soulèvent et auxquelles elles ne
   peuvent pas répondre.
Ne recommande rien pour l'instant.

Retenir la recommandation est délibéré. Demande un conseil dans la même phrase que le résumé et tu obtiendras un conseil façonné par les a priori généraux du modèle sur les réseaux sociaux plutôt que par ton tableau. Le point 4 est la section la plus utile de la page — c'est là qu'apparaît le « tes publications du jeudi ont bien marché, mais quatre des six étaient des carrousels, donc je ne peux pas séparer le jour du format ».

La question du mix de contenu

Regroupe chaque publication par pilier, puis par format, puis par
pilier x format. Pour chaque groupe, donne : le nombre de publications,
le taux d'engagement médian et l'étendue. Utilise la médiane, pas la
moyenne. Dis-moi quels groupes sont trop petits pour être jugés. Puis
dis-moi quel regroupement unique explique le plus de variation dans la
performance, et quel est ton degré de confiance.

La médiane plutôt que la moyenne, ça compte ici. Un seul carrousel partagé par un partenaire tire une moyenne vers le haut et invente un pilier de contenu qui ne fonctionne pas vraiment.

La question du timing

Regroupe les publications par jour de la semaine et par tranche horaire.
Indique le nombre de publications et le taux d'engagement médian pour
chacune. Signale explicitement les cas où le type de contenu est confondu
avec le timing — par exemple si tous mes Reels sont sortis les deux mêmes
jours. Ne recommande pas de planning de publication si l'échantillon par
tranche est inférieur à 5 publications.

Celui-ci renvoie presque toujours « tes tranches sont trop maigres », ce qui est la bonne réponse pour un mois de publication normal et la raison pour laquelle les recommandations de meilleur moment pour publier sont construites à partir de bien plus de données qu'un seul compte n'en génère. Traite ta propre analyse de timing comme un critère de départage posé sur un point de départ au niveau de la plateforme, pas comme son remplacement.

Le pre-mortem

Prends l'affirmation la plus forte que tu viens de faire. Argumente
contre. Quelle autre explication colle tout aussi bien à ces mêmes
données ? Que devrais-je mesurer pour départager les deux ?

Demander à un modèle d'argumenter contre lui-même est le contrôle qualité le moins cher qui existe. Il fait régulièrement remonter le facteur de confusion que la première réponse avait escamoté.

Les questions de benchmark exigent une source que tu fournis

« Est-ce qu'un taux d'engagement de 4,2 % est bon sur Instagram ? » est la question que tout le monde pose et celle à laquelle ce dispositif répond le plus mal. La réponse honnête, c'est que les benchmarks d'engagement varient énormément selon le secteur, la taille du compte, la région et — c'est décisif — selon le dénominateur utilisé par la source. Un modèle interrogé à froid produira un chiffre qui a l'air documenté et ne l'est pas.

Deux façons d'obtenir une vraie réponse :

• Utilise ton propre historique comme benchmark. Colle trois ou six mois au lieu d'un seul. « Est-ce que c'est bon ? » devient « est-ce que c'est mieux que ma propre médiane, et l'écart est-il plus grand que le bruit d'un mois sur l'autre ? ». À cette question-là, les données peuvent réellement répondre.
• Apporte toi-même le benchmark externe. Si tu disposes d'un rapport sectoriel publié, colle les chiffres pertinents dans la conversation avec la façon dont cette source définit le taux d'engagement, et demande au modèle de comparer ce qui est comparable. Il devient un vérificateur d'unités et de définitions, un travail qu'il fait bien.

Savoir quels chiffres méritent un benchmark tout court est une décision distincte — notre tour d'horizon des KPI réseaux sociaux qui comptent vraiment est un meilleur point de départ qu'un pourcentage cité par quelqu'un sur une slide.

Cinq pièges

Les chiffres inventés. La défaillance la plus courante, c'est un chiffre qui apparaît dans le texte mais nulle part dans tes données — un total qui n'a jamais été additionné, une variation en pourcentage face à une base de référence que tu n'as pas fournie. La règle 1 du briefing réduit ce risque ; vérifier deux chiffres par session attrape le reste.

La dérive arithmétique. Le calcul mental sur des dizaines de lignes produit de petites erreurs qui s'accumulent. Si ton assistant peut exécuter du code sur le fichier, exige-le, et demande à voir le calcul.

La corrélation racontée comme une histoire. « Tes publications tutoriel surperforment parce que ton audience veut apprendre » contient deux affirmations : un schéma (très bien, s'il est dans les données) et un mécanisme (inventé). Le mécanisme, c'est la partie qui ressemble à un insight et celle qui ne repose sur aucune preuve. Réécris chaque conclusion en « X était associé à Y en juin » avant d'agir dessus, puis vérifie si ces mêmes publications diffèrent d'une autre manière — longueur, format, présence ou non d'un lien.

Les petits échantillons. Quatre publications dans une tranche, c'est une anecdote. Les classements bâtis sur des groupes maigres sont surtout du bruit, et le modèle les classera quand même si tu ne lui dis pas de s'en abstenir.

Le biais du survivant et la complaisance. Ton export ne contient que ce que tu as publié : il ne peut donc rien t'apprendre sur les formats que tu n'as jamais essayés. Et le modèle a tendance à accepter ton cadrage — demande « pourquoi les carrousels ont-ils mieux marché ? » et tu obtiendras des raisons, même si ce n'était pas le cas. Demande plutôt « est-ce que les carrousels ont mieux marché, et de combien ? ». Même catégorie d'erreur que prendre une prévision de performance par IA pour un engagement ferme plutôt que pour une direction approximative.

La passe de vérification en cinq minutes

Avant qu'une conclusion ne quitte la fenêtre de chat, fais ceci :

1. Recalcule deux chiffres à la main. Prends un chiffre phare et un chiffre secondaire. Si l'un des deux est faux, jette toute la réponse et recommence par la voie du code.
2. Confronte chaque affirmation à une colonne. Si une phrase renvoie à quelque chose que tu n'as pas fourni, c'est du généré.
3. Vérifie la taille d'échantillon derrière chaque recommandation. En dessous de cinq publications, c'est une hypothèse à tester, pas un changement à faire.
4. Retire le langage causal. « Parce que » devient « en même temps que ».
5. Ajoute ce que tu sais et qu'il ignore. Les vacances, le lancement, la panne. C'est l'étape qui transforme un résumé en analyse.

Fais ça une fois et le résultat peut être collé sans risque dans un rapport. Notre guide pour créer un rapport réseaux sociaux couvre la structure que les clients attendent, et le pas-à-pas comment construire un rapport réseaux sociaux à partir de tes analytics couvre son assemblage à partir des chiffres bruts. L'IA rédige le commentaire ; les affirmations, c'est toi qui les assumes.

Reboucle les conclusions sur ce que tu publies

Une analyse qui ne change pas le calendrier du mois suivant est un loisir. Deux décisions doivent sortir de chaque bilan.

Le mix de contenu. Si une combinaison pilier-format tient sur deux mois consécutifs avec un échantillon correct derrière elle, bascule quelques créneaux vers elle et note le changement sur le calendrier pour que le bilan du mois suivant puisse le voir. Un changement à la fois, sinon tu ne peux pas attribuer le résultat.

Le timing. Déplace un créneau, pas tout le planning, et laisse-le tourner un cycle complet. Dans SocialKit, c'est un glisser-déposer sur le calendrier visuel, avec les recommandations de meilleur moment pour publier comme position de départ par défaut et les analytics de publication de l'autre côté pour dire si le déplacement a changé quelque chose. Les offres sont uniformes — les 11 plateformes prises en charge sur chacune d'elles, à partir de €29/mois en Solo ou €17.40/mois en facturation annuelle en date de juillet 2026, avec un essai de 7 jours. Il ne fait délibérément ni social listening, ni benchmark concurrentiel, ni gestion de boîte de réception : le « pourquoi le sentiment a-t-il changé » reste entièrement en dehors de cette boucle.

Une fois que c'est devenu une habitude mensuelle, l'export est l'étape qui mérite d'être automatisée : envoie les données de publication vers un tableur via l'API, puis pointe l'assistant sur ce tableur. C'est la version modeste de construire ton propre tableau de bord analytics, et c'est généralement suffisant.

Par où commencer

La première passe prend environ une heure ; toutes les suivantes prennent vingt minutes.

1. Exporte le mois dernier au niveau de la publication, une ligne par publication, avec les colonnes du tableau ci-dessus. Ajoute ton propre tag de pilier à la main si rien ne le fournit.
2. Écris le bloc de briefing une seule fois et enregistre-le. Tu le réutiliseras chaque mois en changeant deux lignes.
3. Lance le prompt de bilan mensuel, puis le prompt de mix de contenu. Ne demande pas encore de recommandations.
4. Lance le pre-mortem sur l'affirmation la plus forte.
5. Fais la passe de vérification en cinq minutes. Recalcule deux chiffres à la main.
6. Choisis exactement un changement dans le mix de contenu et un dans le timing. Note les deux sur le calendrier.
7. Le mois prochain, ajoute le fichier du mois précédent pour que la comparaison se fasse contre ton propre historique plutôt que contre un benchmark que personne ne peut sourcer.