18 Meilleurs Prompts ChatGPT pour l’Analyse de Données

Agissez en tant qu'ingénieur de données principal. J'ai un jeu de données brut contenant [DESCRIPTION_DU_DATASET] fourni au format [FORMAT_DES_DONNEES]. Les colonnes clés sont [COLONNES], et l'objectif analytique principal est [OBJECTIF_COMMERCIAL]. Analysez ce schéma pour créer un plan complet d'audit de la qualité des données. Identifiez les problèmes potentiels tels que les champs manquants, les incohérences de format, les doublons et les valeurs hors limites. Formatez votre réponse sous forme de document Markdown structuré contenant : 1) Un tableau récapitulatif des risques potentiels liés à la qualité des données, 2) Une liste de contrôle de nettoyage hiérarchisée, et 3) Un bloc de code Python (Pandas) réutilisable montrant comment exécuter les opérations de nettoyage en toute sécurité.

Agissez en tant que data scientist senior. Je traite un jeu de données de [DESCRIPTION_DU_DATASET] où plusieurs colonnes souffrent de valeurs manquantes, spécifiquement [COLONNES_AVEC_DONNEES_MANQUANTES]. La tâche en aval prévue est [TACHE_ANALYTIQUE_OU_MODELE]. Évaluez les mécanismes potentiels de données manquantes (MCAR, MAR, MNAR) en fonction du contexte fourni. Proposez une stratégie d'imputation appropriée pour chaque colonne, en équilibrant l'intégrité statistique et la complexité de mise en œuvre. Formatez votre sortie comme suit : 1) Une justification claire expliquant pourquoi chaque technique (par exemple, moyenne/médiane, KNN, MICE ou indicateurs binaires) a été choisie pour chaque variable, et 2) Du code Python prêt à l'emploi utilisant Pandas et Scikit-Learn pour exécuter les imputations recommandées.

Agissez en tant que statisticien appliqué. J'examine des variables quantitatives, notamment [COLONNES_NUMERIQUES] dans un jeu de données décrivant [DESCRIPTION_DU_DATASET]. Je dois détecter et traiter les valeurs extrêmes susceptibles de fausser l'analyse statistique ou les modèles prédictifs. Formulez une approche robuste de détection des valeurs aberrantes comparant les méthodes du score Z, de l'écart interquartile (IQR) et de l'Isolation Forest adaptées à [OBJECTIF_COMMERCIAL]. Présentez vos conseils comme suit : 1) Une comparaison théorique expliquant quand utiliser chaque méthode, 2) Des recommandations de seuils pour signaler les valeurs aberrantes, et 3) Du code Python utilisant Pandas et Scikit-Learn qui signale, visualise et, si nécessaire, limite ou supprime ces valeurs extrêmes.

Agissez en tant qu'ingénieur en apprentissage automatique. Je dois transformer des caractéristiques catégorielles et numériques brutes dans un jeu de données concernant [DESCRIPTION_DU_DATASET]. La variable cible est [VARIABLE_CIBLE], et les variables explicatives incluent des variables catégorielles [COLONNES_CATEGORIELLES] et des variables numériques [COLONNES_NUMERIQUES]. Concevez un pipeline de prétraitement adapté à [TYPE_DALGORITHME_OU_DANALYSE]. Livrez votre résultat sous la forme : 1) D'une matrice de décision de transformation des caractéristiques expliquant la logique de chaque technique d'encodage et de mise à l'échelle, et 2) De code Python utilisant les modules ColumnTransformer et Pipeline de Scikit-Learn pour standardiser le pipeline.

Agissez en tant qu'analyste de données principal. Je commence une analyse exploratoire des données (EDA) sur un jeu de données contenant [DESCRIPTION_DU_DATASET] avec [NOMBRE_DE_LIGNES] lignes et des variables comprenant [VARIABLES_CLEFS]. Mon objectif commercial principal est de comprendre [QUESTION_COMMERCIALE]. Fournissez un plan d'exécution EDA de bout en bout divisé en étapes d'analyse univariée, bivariée et multivariée. Pour chaque phase, décrivez les métriques statistiques spécifiques à calculer et les graphiques à tracer. Incluez un script Python complet utilisant Pandas, Seaborn et Matplotlib pour générer ces graphiques et imprimer des résumés statistiques descriptifs.

Agissez en tant que chercheur quantitatif. Je souhaite identifier quelles variables indépendantes parmi [NOMS_DE_COLONNES] ont la corrélation ou l'influence la plus forte sur [METRIQUE_CIBLE]. Le jeu de données sous-jacent couvre [CONTEXTE_DU_DATASET]. Décrivez une approche analytique pour tester les relations linéaires et non linéaires, en résolvant les problèmes potentiels de colinéarité entre les variables. Fournissez : 1) Une méthodologie étape par étape expliquant les métriques de Pearson, Spearman et d'information mutuelle, et 2) Du code Python qui génère une carte thermique de corrélation annotée et calcule les scores d'importance des caractéristiques à l'aide d'un modèle de base Random Forest.

Agissez en tant que biostatisticien et analyste de données senior. Je dois mener un test d'hypothèse formel pour déterminer si [VARIABLE_A] a un effet statistiquement significatif sur [VARIABLE_B]. Les données se composent de [TYPE_DE_DONNEES_ET_TAILLE_DE_ECHANTILLON]. Définissez l'hypothèse nulle (H0) et l'hypothèse alternative (H1). Sélectionnez le test statistique le plus approprié (par exemple, test T, ANOVA, Chi-deux, Mann-Whitney U) en fonction des caractéristiques des données. Sortie : 1) Étapes de vérification des hypothèses (normalité, homoscédasticité), 2) Règles d'interprétation des valeurs p et de la taille d'effet (d de Cohen ou V de Cramer), et 3) Code Python utilisant SciPy.Stats pour effectuer l'analyse.

Agissez en tant que data scientist. J'évalue les caractéristiques continues [COLONNES_CONTINUES] dans un jeu de données représentant [DESCRIPTION_DU_DATASET]. Je soupçonne des distributions non normales et une forte asymétrie, ce qui pourrait fausser la modélisation en aval. Guidez-moi dans la mesure de l'asymétrie, de l'aplatissement et l'application de transformations mathématiques (par exemple, logarithmique, racine carrée, Box-Cox, Yeo-Johnson). Présentez votre réponse en deux parties : 1) Un guide de décision sur le choix de la bonne méthode de transformation pour différents niveaux d'asymétrie, et 2) Du code Python utilisant Scikit-Learn et SciPy pour tester, transformer et visualiser les distributions avant/après.

Agissez en tant que spécialiste SQL principal. Je dois écrire une requête SQL optimisée pour [TYPE_DE_BASE_DE_DONNEES, par exemple PostgreSQL/BigQuery/Snowflake]. Ma base de données contient les tables [NOMS_ET_SCHEMAS_DES_TABLES]. L'objectif est de calculer [METRIQUE_CLE_OU_KPI] regroupés par [DIMENSIONS] sur la période [PERIODE]. La requête doit filtrer selon [CONDITIONS_DE_FILTRE] et utiliser des expressions de table communes (CTE) pour plus de clarté. Fournissez : 1) La requête SQL optimisée avec des commentaires clairs expliquant les fonctions de fenêtrage ou les jointures, 2) Une explication des recommandations d'indexation pour les performances, et 3) Un exemple de format de sortie.

Agissez en tant que développeur Python senior spécialisé en analyse de données. J'ai un DataFrame `df` avec les colonnes [LISTE_DE_COLONNES]. Je dois effectuer une manipulation de données complexe : agréger [COLONNES_METRIQUES] par [COLONNES_DE_GROUPEMENT], pivoter la table sur [COLONNE_DE_PIVOT] et calculer des moyennes mobiles sur une période de [TAILLE_DE_FENETRE]. Fournissez un extrait de code Pandas propre, vectorisé et prêt pour la production, sans boucles explicites. Incluez des commentaires intégrés expliquant comment la gestion des colonnes à multi-index et la réindexation sont gérées pour la visualisation en aval.

Agissez en tant d'expert en visualisation de données. Je souhaite créer un tableau de bord interactif visuel en utilisant [Plotly / Bokeh / Altair] en Python. Le jeu de données contient [resume_du_dataset] avec les métriques clés [METRIQUES] à travers les dimensions [DIMENSIONS]. Créez du code pour un graphique à panneaux multiples qui inclut des infobulles au survol, des palettes de couleurs personnalisables adaptées aux présentations de direction, et des étiquettes d'axes dynamiques appropriées. Fournissez le script Python exécutable complet ainsi que des conseils de conception pour transmettre des insights clairs aux parties prenantes non techniques.

Agissez en tant qu'analyste de données de séries temporelles. J'ai un jeu de données de transactions horodatées enregistrées à une fréquence de [FREQUENCE_ORIGINALE, par exemple secondes brutes], contenant les colonnes [COLONNE_HORODATAGE, COLONNES_METRIQUES]. Je dois rééchantillonner ces données à une fréquence de [FREQUENCE_CIBLE, par exemple quotidienne/hebdomadaire], combler les dates manquantes par propagation vers l'avant et calculer des métriques telles que le taux de croissance d'une période sur l'autre et les sommes cumulées. Fournissez du code Python efficace utilisant l'indexation de dates Pandas, ainsi que des commandes de traçage visuel via Matplotlib pour afficher les composantes de tendance.

Agissez en tant qu'analyste de données en apprentissage automatique. Étant donné un jeu de données transactionnelles avec des champs bruts [LISTE_DE_CHAMPS_BRUTS], je dois concevoir de nouvelles caractéristiques spécifiques au domaine pour améliorer les performances du modèle de prédiction de [RESULTAT_CIBLE]. Suggérez au moins 5 caractéristiques créatives (par exemple, ratios d'agrégation, caractéristiques temporelles, métriques de récence). Présentez votre réponse sous forme de : 1) Explications stratégiques sur les raisons pour lesquelles chaque caractéristique est prédictive, et 2) Code Python modulaire qui crée ces caractéristiques en toute sécurité sans introduire de fuite de données.

Agissez en tant que vice-président de l'analytique commerciale. J'ai effectué une analyse sur [SUJET_OU_PROJET] et rassemblé les métriques statistiques suivantes : [RESULTATS_CLES_ET_CHIFFRES]. Traduisez ces insights analytiques bruts en un résumé pour la direction destiné à [PUBLIC_CIBLE, par exemple PDG/DAF]. Structurez le rapport avec : 1) Des points clés de synthèse de haut niveau, 2) Des points à retenir commerciaux clés répartis par impact fonctionnel, 3) Des risques critiques ou des métriques anormales, et 4) Trois recommandations stratégiques priorisées basées sur les conclusions.

Agissez en tant que spécialiste de l'analytique de la rétention. J'ai calculé les taux de rétention de cohortes mensuelles pour les inscriptions d'utilisateurs sur [PERIODE]. La sortie du jeu de données montre [RESUME_OU_TABLEAU_DES_DONNEES_DE_RETENTION]. Aidez-moi à analyser ces métriques de cohorte pour évaluer les modèles d'attrition des utilisateurs. Livrez : 1) Un résumé analytique expliquant où les abandons culminent, 2) L'identification des cohortes saines par rapport aux sous-performantes, 3) Une hypothèse structurée sur les causes de la perte de rétention, et 4) Un cadre clair pour présenter ces insights de rétention aux équipes produit.

Agissez en tant qu'analyste produit principal. Nous avons observé une baisse soudaine de [POURCENTAGE_DE_CHANGEMENT]% de [METRIQUE_CLE] sur la période [PLAGE_DE_DATES] dans notre jeu de données couvrant [CONTEXTE_COMMERCIAL]. Aidez-moi à construire un cadre de décomposition des causes racines pour isoler le problème à travers les dimensions [DIMENSIONS_COMME_GEO_APPAREIL_CANAL]. Sortie : 1) Un arbre diagnostique structuré (cadre MECE) pour enquêter sur les moteurs potentiels, 2) Des vérifications spécifiques par découpage SQL/Pandas pour isoler le problème, et 3) Un modèle pour communiquer les conclusions aux parties prenantes.

Agissez en tant que responsable de l'intelligence client. J'ai exécuté une analyse de clustering K-Means sur les métriques comportementales des clients [METRIQUES_UTILISEES] produisant [NOMBRE_DE_GROUPES] segments distincts. Les centroïdes et métriques des clusters sont [DONNEES_RESUME_DES_CLUSTERS]. Aidez-moi à transformer ces clusters numériques en personas commerciaux exploitables. Fournissez : 1) Des noms descriptifs et des profils narratifs pour chaque persona, 2) Des différenciateurs comportementaux clés, et 3) Des stratégies spécifiques d'engagement commercial ou marketing pour chaque segment.

Agissez en tant qu'analyste FP&A senior. J'ai un jeu de données d'écarts comparant les performances prévues par rapport aux performances réelles à travers les métriques [NOMS_DES_METRIQUES] pour [UNITE_COMMERCIALE] pendant [PERIODE]. Les valeurs réelles étaient [VALEURS_REELLES] par rapport aux valeurs cibles [VALEURS_CIBLES]. Analysez cet écart de performance pour fournir : 1) Une ventilation des écarts favorables par rapport aux écarts défavorables, 2) L'identification des principaux moteurs de revenus ou de coûts à l'origine de l'écart, et 3) Un rapport concis à puces adapté à la prise de décision de la direction.