En bref — Rassemble automatiquement tes données Google Sheets, Airtable, CRM et emails avec Make et l'IA — sans ETL, sans copier-coller.
Image : Danny Choo — Openverse (by-sa)
En bref — Avec Make, tu peux automatiser la collecte de données depuis Google Sheets, Airtable, un CRM ou des emails, puis laisser l'IA nettoyer, catégoriser et signaler les anomalies — sans ETL, sans développeur. Le résultat : un tableau de bord consolidé qui se met à jour tout seul, chaque semaine.
Chaque lundi matin, quelqu'un dans ton équipe ouvre cinq onglets, copie des colonnes, ajuste des formats, cherche pourquoi les totaux ne tombent pas juste. Trente minutes plus tard, le fichier consolidé est prêt — avec des erreurs que personne ne verra avant la réunion.
C'est le vrai coût de la consolidation manuelle : du temps, des erreurs, et une décision prise sur des données imparfaites.
Voici comment automatiser ça avec Make et l'IA, étape par étape.
Pourquoi la consolidation manuelle coûte bien plus cher qu'elle n'en a l'air
La consolidation manuelle tue la productivité de façon silencieuse. Ce n'est pas spectaculaire — c'est juste du temps perdu tous les jours.
Concrètement, les problèmes sont toujours les mêmes :
- Les sources évoluent indépendamment. Ton CRM change de format d'export, Airtable ajoute une colonne, Google Sheets a une plage mal nommée. Chaque changement casse le fichier consolidé.
- Les erreurs de copier-coller sont invisibles. Une ligne décalée, un montant en euros vs HT, une date en format américain — ça passe sous les radars jusqu'au moment où ça ne passe plus.
- La personne qui fait le travail est la seule à comprendre la logique. Si elle est absente, personne ne sait refaire le fichier.
- Le délai entre la donnée et la décision est trop long. Si tu consolides manuellement chaque semaine, tu prends des décisions sur des données vieilles de sept jours.
Pour les PME qui jonglent avec plusieurs canaux de vente, plusieurs outils et peu de ressources data, ce problème est quotidien. Les statistiques IA & PME montrent que les tâches répétitives de traitement de données figurent parmi les premiers postes de temps gaspillé dans les fonctions opérationnelles et commerciales.
La solution n'est pas d'embaucher un data engineer. C'est d'automatiser.
Quelle architecture construire dans Make pour agréger des sources hétérogènes ?
Un scénario Make de consolidation multi-sources se structure en trois blocs : déclenchement, collecte, écriture.
Le déclencheur
Deux options principales :
- Déclencheur planifié (scheduler) : le scénario se lance tous les lundis à 7h, par exemple. C'est la bonne approche pour un tableau de bord hebdomadaire.
- Déclencheur événementiel : une nouvelle ligne dans Airtable, un email reçu avec un certain sujet, une mise à jour dans le CRM. Utile si tu veux une consolidation en quasi-temps réel.
Pour commencer, un déclencheur planifié est plus simple à maintenir.
La collecte multi-sources
C'est le cœur du scénario. Make dispose de connecteurs natifs pour la plupart des outils courants :
- Google Sheets → module "Search Rows" ou "Get Range"
- Airtable → module "List Records" avec filtres
- HubSpot / Pipedrive / Salesforce → modules CRM natifs
- Email (Gmail, Outlook) → module "Search Emails" + extraction de pièces jointes
- Webhooks → si ton outil n'a pas de connecteur natif
L'idée est de faire tourner ces collectes en parallèle (branches distinctes dans le scénario) ou en séquence selon la logique métier. Make gère les deux avec ses modules "Router" et "Iterator".
La normalisation avant écriture
C'est là que beaucoup de scénarios échouent. Chaque source a ses propres formats : dates en DD/MM vs MM/DD, montants avec ou sans TVA, noms de produits qui varient d'un outil à l'autre ("Pack Pro" vs "Offre Pro" vs "PRO"). Avant d'écrire dans la destination finale, il faut homogénéiser.
Dans Make, tu utilises les modules de transformation (Text Parser, Math, Date/Time) pour aligner les formats. Et c'est ici que l'IA entre dans la boucle — mais on y revient dans la section suivante.
La destination
La destination finale peut être :
- Un Google Sheets central (accessible à toute l'équipe)
- Un Airtable structuré (avec vues filtrées par canal, par période)
- Un Notion si l'équipe y vit
- Un outil BI comme Looker Studio connecté directement au Sheets consolidé
Pour la plupart des PME, un Google Sheets alimenté automatiquement + Looker Studio par-dessus est la combinaison la plus rapide à mettre en place.
Consulte l'annuaire d'outils IA pour voir quels connecteurs sont disponibles nativement dans Make selon ton stack.
Où l'IA intervient vraiment : nettoyage, catégorisation, détection d'anomalies
L'IA ne remplace pas l'architecture Make — elle la complète. Elle intervient là où la logique conditionnelle classique atteint ses limites.
1. Nettoyage et standardisation du texte
Exemple concret : tu consolides des commandes provenant de trois canaux. Sur l'un, le produit s'appelle "Abonnement mensuel Basic", sur l'autre "basic-monthly", sur le troisième "Basic M". Une règle de mapping manuel peut gérer ça — jusqu'à ce qu'un nouveau canal arrive avec une nouvelle convention.
Avec un appel API à un modèle (GPT-4o, Claude via Anthropic) depuis Make, tu envoies la valeur brute et tu demandes :
Tu reçois un nom de produit issu d'un système de vente.
Normalise-le selon cette liste officielle : ["Basic", "Pro", "Enterprise"].
Renvoie UNIQUEMENT le nom normalisé, sans explication.
Nom brut : "{{valeur_brute}}"
Le modèle renvoie "Basic". Tu écris "Basic" dans le Sheets consolidé. Aucune règle de mapping à maintenir.
2. Catégorisation automatique
Même logique pour catégoriser des lignes qui n'ont pas de catégorie explicite. Un email de commande, un ticket support, une note CRM : l'IA peut les tagger automatiquement ("Renouvellement", "Nouveau client", "Litige", "Upsell") selon un référentiel que tu lui fournis dans le prompt.
Classe cette interaction client dans l'une de ces catégories :
["Nouveau client", "Renouvellement", "Résiliation", "Support", "Upsell"].
Renvoie UNIQUEMENT la catégorie, sans explication.
Interaction : "{{texte_de_l_email}}"
Ce prompt est copiable tel quel dans un module HTTP > Make an API Request vers OpenAI ou Anthropic. Retrouve d'autres prompts de ce type dans la bibliothèque de prompts.
3. Détection d'anomalies
L'IA peut signaler des valeurs suspectes dans le flux — pas les remplacer, juste les flaguer pour révision humaine.
Tu analyses une ligne de vente issue d'un tableau consolidé.
Le montant habituel pour ce produit est entre 50€ et 500€.
Si le montant fourni est en dehors de cette fourchette ou semble incohérent (négatif, nul, ou aberrant), renvoie "ANOMALIE : [raison courte]".
Sinon, renvoie "OK".
Produit : "{{produit}}"
Montant : "{{montant}}"
Canal : "{{canal}}"
Make peut alors router les lignes flaggées "ANOMALIE" vers une alerte Slack ou un onglet "À vérifier" dans le Sheets, et passer les lignes "OK" directement dans le tableau principal.
C'est simple, auditables, et ça réduit le risque d'une mauvaise donnée qui pollue tout le tableau de bord.
Exemple concret : consolider les ventes de 3 canaux en un tableau de bord hebdomadaire
Voici un cas pratique. Une PME vend via trois canaux : son site e-commerce (Shopify), un réseau de revendeurs (données dans un Google Sheets partagé), et des ventes directes saisies dans un CRM (HubSpot).
Chaque lundi à 7h, le scénario Make se déclenche et :
Étape 1 — Collecte parallèle
- Branch A : récupère les commandes Shopify de la semaine via le module Shopify natif
- Branch B : lit le Google Sheets des revendeurs, filtre les lignes de la semaine (colonne "Date")
- Branch C : interroge HubSpot pour les deals "Closed Won" de la semaine
Étape 2 — Normalisation des champs
Chaque branche transforme ses données vers un schéma commun :
date | canal | produit | montant_ht | client_id | statut
Les dates sont alignées au format ISO (YYYY-MM-DD) via le module Date/Time de Make. Les montants sont convertis en HT si besoin.
Étape 3 — Appel IA pour normalisation produit + détection anomalies Pour chaque ligne, Make envoie le nom du produit brut à l'API pour normalisation, et le montant pour vérification d'anomalie. Les lignes suspectes partent dans un onglet "Alertes".
Étape 4 — Écriture dans le Sheets consolidé Les lignes validées s'ajoutent dans un onglet "Ventes semaine N" avec un timestamp. Un onglet "Dashboard" avec des formules SUMIF et un graphique Looker Studio en surface.
Étape 5 — Notification Un message Slack est envoyé au dirigeant : "Consolidation semaine 21 terminée — 342 lignes traitées, 4 anomalies à vérifier."
Le tout tourne sans intervention humaine. La personne qui, avant, passait trente minutes chaque lundi peut maintenant passer ce temps à analyser les données plutôt qu'à les produire.
Pour voir des architectures similaires et t'en inspirer, consulte les cas d'usage documentés sur ai-prompt.
Par où commencer si tu pars de zéro ?
Pas besoin de tout construire en une fois. Voici un ordre logique :
- Identifie tes deux ou trois sources de données les plus douloureuses — celles que tu consolides manuellement le plus souvent.
- Vérifie que Make a un connecteur natif pour chacune (il en a pour la quasi-totalité des outils courants).
- Construis d'abord le scénario sans IA : collecte → normalisation basique → écriture dans Sheets. Valide que les données arrivent correctement.
- Ajoute l'IA en deuxième phase : un seul appel API pour le cas le plus utile (normalisation ou détection anomalie), teste, ajuste le prompt.
- Ajoute les alertes et les branches d'erreur : que se passe-t-il si une source est indisponible ? Make gère les erreurs par des routes dédiées.
Ce qui prend du temps, c'est la phase de définition du schéma commun — pas la construction du scénario. Prends le temps de décider à quoi ressemble ta ligne canonique avant d'écrire une seule action dans Make.
Si tu veux aller plus vite ou éviter les erreurs d'architecture classiques, un accompagnement sur un scénario pilote peut faire gagner plusieurs semaines. Le diagnostic IA gratuit est le point de départ : on regarde ensemble quelles données tu as, quelles sources connecter en priorité, et quelle architecture Make a du sens pour ton cas précis.