Claude + MCP + PrestaShop : Comment j’ai automatisé mes rapports de ventes avec l’IA
Introduction : quand les statistiques natives ne suffisent plus
Les dashboards natifs de PrestaShop ont leurs limites. Après quelques années d’activités, la volumétrie de données rend le pilotage quotidien, hebdomadaire ou mensuel de plus en plus fastidieux. Les indicateurs disponibles en natif ne permettent pas de croiser les retours, les avoirs ou les données d’acquisition avec la granularité qu’exige un e-commerçant orienté performance.
C’est dans ce contexte que j’ai décidé d’explorer une piste : intégrer Claude.AI dans le cycle de reporting marketing d’une boutique PrestaShop 8.2. L’objectif : générer des rapports de ventes fiables, reproductibles et exploitables, sans passer des heures sur des exports manuels.
Ce qui suit est un retour d’expérience honnête. Avec ses galères, ses découvertes, ses doutes… et au bout du compte, un workflow qui fonctionne.
Ce que vous allez apprendre :
Comment connecter Claude.AI à PrestaShop via MCP ; comment itérer sur les prompts pour fiabiliser les données ; comment créer des projets contextualisés pour des rapports reproductibles ; les erreurs à éviter pour gagner du temps et des crédits.
Architecture technique : trois briques, un connecteur
L’intégration repose sur une combinaison de trois modules PrestaShop et d’un compte Claude.AI Pro. Rien de magique, mais une architecture claire à comprendre avant de se lancer.
Les modules à installer côté PrestaShop
► Passerelle officielle : PrestaShop MCP Server
Développé par PrestaShop SA, ce module expose les données de votre boutique à l’IA via le protocole MCP (Model Context Protocol). Compatible Claude, ChatGPT, Gemini, Mistral et Dust.
► Outils natifs : PrestaShop MCP Tools
Complément au serveur MCP, il fournit les fonctions de base pour interroger commandes, clients et catalogue.
► Couche avancée : MCP Tools Plus — by BusinessTech
Module tiers de PrestaModule / BusinessTech. Il ajoute des fonctionnalités de croisement de données absentes de l’offre officielle. Son activation correcte — et son dépannage — sera un point clé de cette expérience.
⚙️ Point technique : Cloudflare & whitelist IP
Si votre serveur est protégé par Cloudflare ou un WAF équivalent, vous devrez autoriser les adresses IP de Claude.AI pour que les appels MCP puissent atteindre votre PrestaShop. La liste des IP à whitelister est disponible dans la documentation développeur d’Anthropic.
Choix du moteur IA : pourquoi Claude.AI
J’ai testé plusieurs alternatives. ChatGPT renvoyait des erreurs lors de la connexion MCP. Mistral.AI interprétait plus difficilement les requêtes structurées. Perplexity n’est pas compatible en version Windows. Claude.AI s’est imposé par sa capacité à maintenir un contexte long et à raisonner sur des données tabulaires — deux qualités indispensables pour du reporting e-commerce.
Budget de démarrage : 18 €/mois d’abonnement Pro + 10 € de crédits supplémentaires pour absorber les dépassements lors des phases de test intensif.
Phase de découverte : la désillusion productive
Première erreur classique : croire qu’il suffit de connecter un outil à une IA pour obtenir des données exploitables. La réalité est plus nuancée.
Mes premiers prompts étaient du type : « Donne-moi le chiffre d’affaires du mois dernier ». Résultat : des chiffres variables d’une requête a l’autre, des rapports qui ne tenaient pas compte des avoirs et retours, et des périmètres de dates parfois décalés. Les rapports HTML générés étaient visuellement séduisants, mais statistiquement peu fiables.
Le vrai problème :
L’IA n’était pas défaillante. C’est le prompt qui l’était. Sans contexte précis sur la structure des données (statuts de commandes à inclure/exclure, traitement des avoirs, format de date attendu), Claude explorait les données avec ses propres hypothèses ; et elles ne correspondaient pas à la réalité métier de la boutique.
J’ai failli abandonner. Ce moment de doute est, à mon sens, la phase la plus formatrice : elle oblige à comprendre comment l’IA raisonne, pour mieux la guider.
L'approche itérative : corriger, affiner, fiabiliser et recommencer
La méthode qui a tout changé : traiter chaque écart comme un dialogue de formation. Plutôt que de relancer une nouvelle requête de zéro, j’ai systématiquement confronté les résultats de Claude avec mes exports CSV et demandé une correction argumentée.
Le cycle d'itération prompt > vérification > correction
► Génération du rapport sur une période donnée
► Export manuel des commandes et avoirs sur la même période
► Identification des écarts et soumission à Claude avec contexte
► Demande de correction avec explication de la règle métier
► Validation du résultat corrigé et mémorisation de la règle
Au fil des échanges, Claude affinait sa compréhension : quels statuts de commandes prendre en compte, comment soustraire les avoirs du CA brut, quelle granularité de date appliquer. Les recoupements devenaient de plus en plus précis.
La création de projets contextualisés dans Claude.AI
Claude.AI permet de créer des projets : des espaces de conversation avec une mémoire persistante et des instructions d’initialisation. J’en ai créé un par type de rapport :
► Rapport de ventes mensuel (CA net, panier moyen, top produits)
► Rapport de performance acquisition (corrélation ventes / emailing)
► Rapport de retours et avoirs
Chaque projet contient :
► Des instructions système précisant le contexte e-commerce
► Les objectifs statistiques du rapport
► Le format de sortie attendu (HTML, tableau, indicateurs clés)
Une fois le projet configuré, il suffit de lancer : « Génère le rapport pour la période du XX au XX ». Claude s’appuie sur le contexte mémorisé et produit un rapport structuré, homogène et vérifiable.
Le fichier .md : la mémoire longue du reporting
C’est Claude lui-même qui a proposé cette étape, et c’est probablement la plus utile de toute l’expérience.
Après plusieurs cycles d’itération, le modèle a suggéré de sauvegarder dans un fichier Markdown la liste des règles de gestion validées : fonctions MCP à utiliser, filtres à exclure, structure du rapport, cas particuliers. Ce fichier .md est ensuite joint à chaque nouvelle session pour garantir la continuité.
Ce que contient le fichier .md de contexte :
Liste des fonctions MCP a appelé en priorité ; statuts de commandes inclus/exclus du CA ; règle de traitement des avoirs et retours ; structure attendue du rapport (sections, indicateurs, ordre) ; format des dates et fuseaux horaires ; cas particuliers identifiés lors des itérations précédentes.
Résultat concret : des rapports identiques dans leur structure, comparable dans le temps, et générés en quelques minutes au lieu de plusieurs heures de traitement manuel.
Le module BusinessTech : un bug révélateur
Pendant toute la phase de test, je remarquais que le module MCP Tools Plus de BusinessTech n’était jamais utilisé par Claude. Pourtant, il est censé enrichir les données disponibles. J’aurais pu conclure que ce module était inutile.
À la place, j’ai contacté l’équipe BusinessTech sur Slack. Après échange, diagnostic : le module n’était pas correctement initialisé dans notre configuration multi-boutique PrestaShop. Un correctif rapide plus tard, je relance Claude en lui signalant l’activation de nouvelles fonctionnalités MCP.
La différence fut immédiate : de nouvelles fonctions de croisement de données sont sollicitées, le temps de récupération des informations diminue, et la précision des rapports s’améliore. Leçon apprise : ne pas conclure à l’inutilité d’un outil sans avoir vérifié qu’il fonctionne réellement.
Une mention particulière s’impose ici : Yoan Ballesteros, chez BusinessTech, a été d’une disponibilité et d’une ouverture remarquable tout au long de ces échanges. Ses retours ont été déterminants pour finaliser le projet ; et si les discussions en cours aboutissent, de nouvelles fonctionnalités pourraient bien simplifier encore davantage le workflow dans les prochaines semaines.
Réflexion sur le support éditeur :
Dans les projets d’intégration IA, la qualité du support éditeur est un facteur de succès souvent sous-estimé. Un interlocuteur réactif, ouvert aux retours du terrain et capable de faire remonter les cas d’usages concrets : c’est ce qui fait la différence entre un outil qui reste expérimental et un outil qui entre réellement dans le quotidien opérationnel.
Résultats et workflow final
Ce qui a changé dans le quotidien
► Rapports de ventes générés en < 5 minutes vs plusieurs heures manuellement
► Données cohérentes et comparables d’un mois à l’autre
► Croisements automatiques avec les données d’email marketing (corrélations ventes / campagnes)
► Documentation vivante des règles de gestion dans les fichiers .md
Le workflow type aujourd'hui
► Ouverture du projet Claude.AI correspondant au type de rapport
► Chargement du fichier .md de contexte + fichier(s) CSV d’export
► Prompt de génération : « Génère le rapport pour la période du XX au XX »
► Vérification rapide des indicateurs clés vs export de référence
► Archivage du rapport HTML et mise à jour du .md si nouvelle règle identifiée
Perspectives : la prochaine étape, supprimer les imports manuels
Ce qui ralentit encore le workflow aujourd’hui, c’est le nombre d’appel API généré par Claude. L’objectif à court terme est clair : réduire cela avec des outils dans le MCP plus performant.
Des discussions sont en cours avec l’équipe BusinessTech autour de nouvelles fonctionnalités dans le module MCP Tools Plus ; des requêtes SQL directement intégrées à l’outil ainsi que de nouveaux filtres pourraient permettre d’interroger la base de données PrestaShop sans passer par de nombreuses requêtes API. Si cette piste aboutie, le cycle de reporting entièrement autonome, de la collecte des données à la génération du rapport sera bien moins couteux en crédit et probablement plus rapide en retour de prompt Claude.
Deux autres connexions sont déjà en place ou en cours de consolidation :
- Brevo : la connexion est active ; il s’agit maintenant de la pérenniser et d’affiner les croisements entre les données d’emailing et les performances de ventes pour identifier des corrélations exploitables.
- Google Analytics 4 : le rapport GA4 est en cours d’amélioration. L’enjeu est d’intégrer les données de trafic et d’acquisition au reporting des ventes, pour avoir une vision consolidée du parcours client, de la session à la commande.
Ce qui est déjà corrigé :
Suppression du besoin d’exports CSV manuels, le module BusinessTech à 3 nouveaux outils :
► brand_credit_slips_report
► brand_category_sales_report
► brand_sales_report
Ce qui se prépare :
► Ajout de filtres dans le module BusinessTech pour une amélioration du nombre d’appel API coté Claude.
► De mon coté, la pérennisation de la connexion Brevo pour le croisement campagnes / ventes
► l’intégration de Google Analytics 4 pour un pilotage acquisition-conversion en un seul rapport
Conclusion : l'IA de reporting, ça marche, mais ça se mérite
Intégrer l’IA dans un cycle de reporting e-commerce n’est pas un projet clé en main. C’est un processus itératif qui demande de la rigueur, de la patience, et une vraie compréhension de ses propres données. Les outils sont là : Claude.AI, le protocole MCP, les modules PrestaShop. Ce qui fait la différence, c’est la qualité du dialogue avec l’IA et la discipline dans la vérification des résultats.
La confiance dans le modèle n’exempte pas du contrôle régulier ; c’est même le contraire. Chaque alerte remontée par Claude mérite d’être vérifiée sur un échantillon de données avant de valider une tendance. Vérifier, c’est aussi ce qui permet de pérenniser le travail accompli : un modèle qu’on ne remet pas en question finit par dériver.
Prendre le temps de challenger son modèle, c’est aussi l’enrichir. Demander à Claude de reparcourir les fonctionnalités qui lui sont mises à disposition, lui soumettre des données facilement contrôlables pour valider sa logique, corriger ce qui dérive : voilà ce qui transforme un outil expérimental en un outil de pilotage fiable.
Ce travail de consolidation a un autre bénéfice concret : le fichier Markdown qui en résulte devient partageable. Il peut être remis à un directeur marketing, à un responsable e-commerce ou à tout collaborateur qui reprend le sujet ; il contient la logique métier, les règles de gestion validées, la structure des rapports. C’est une documentation vivante, construite par l’usage.
Le bénéfice final est réel : des rapports fiables, reproductibles, et un temps de pilotage considérablement réduit. Et une conviction renforcée : la data marketing n’a de valeur que si elle est exploitable. L’IA est un levier puissant pour y parvenir, à condition de lui donner le bon contexte, et de ne jamais cesser de vérifier ce qu’elle produit.