Meilleurs Prompts IA pour les Données

Rédigez une requête SQL pour la tâche suivante : Tâche : [décrivez votre besoin, ex. trouver tous les utilisateurs inscrits au cours des 30 derniers jours ayant effectué au moins un achat] Tables et colonnes concernées : [décrivez votre schéma ou collez les instructions CREATE TABLE] Base de données : [ex. PostgreSQL, MySQL, BigQuery] Fournissez la requête commentée en expliquant chaque étape clé.

Cette requête SQL est trop lente. Aidez-moi à l'optimiser. Requête : [collez la requête ici] Base de données : [ex. PostgreSQL, MySQL] Volume des tables : [ex. la table orders contient 50 millions de lignes, users en contient 2 millions] Index existants : [listez-les ou collez le résultat de EXPLAIN] Identifiez les goulots d'étranglement, préconisez des ajouts d'index et réécrivez la requête si nécessaire. Expliquez chaque optimisation apportée.

Expliquez cette requête SQL en langage simple. Détaillez-la pas à pas — ce que fait chaque clause, quelles données intermédiaires sont produites et ce que représente le résultat final : [collez la requête ici]

Concevez un schéma de base de données pour le cas d'usage suivant : Cas d'usage : [décrivez votre application ou fonctionnalité, ex. un SaaS multi-locataire avec projets, tâches et rôles utilisateurs] Base de données : [ex. PostgreSQL] Incluez : les noms de tables, les colonnes avec leurs types et contraintes, les clés primaires et étrangères, les index, ainsi qu'une explication de vos choix d'architecture et des compromis effectués.

Je dispose d'un jeu de données et souhaite mener une analyse exploratoire des données. Établissez un plan d'action EDA étape par étape. Description du jeu de données : [décrivez les colonnes, les types de données, le volume approximatif et le domaine métier, ex. commandes e-commerce avec ID client, produit, prix, date] Problématique métier à résoudre : [décrivez-la] Incluez : vérifications de la qualité des données, analyse univariée, relations à explorer, visualisations à produire et anomalies potentielles à surveiller.

Aidez-moi à choisir et interpréter le test statistique adéquat pour mon analyse. Éléments comparés : [ex. taux de conversion entre deux groupes d'utilisateurs] Type de données : [ex. résultats binaires, mesures continues] Tailles d'échantillon : [ex. Groupe A : 1 200, Groupe B : 1 400] Résultats observés : [ex. Groupe A : 4,2 %, Groupe B : 5,1 %] Recommandez le test approprié, énoncez les hypothèses préalables requises, fournissez le calcul ou le code, et expliquez comment interpréter la p-value et l'intervalle de confiance en termes simples.

Aidez-moi à concevoir et interpréter une analyse de cohortes. Objectif : [ex. mesurer la rétention à 30/60/90 jours selon le mois d'inscription] Données disponibles : [décrivez les tables et colonnes, ex. table users avec signup_date, table events avec user_id et event_date] Outil / Base de données : [ex. BigQuery, pandas] Rédigez la requête ou le code pour générer la table de cohortes, expliquez la lecture des résultats et pointez les pièges d'interprétation classiques.

J'observe une tendance dans mes données et j'ai besoin d'aide pour l'interpréter. Métrique suivie : [ex. utilisateurs actifs hebdomadaires (WAU)] Constat : [ex. baisse de 15 % au cours des 6 dernières semaines après une croissance régulière] Contexte : [événements connus, changements de produit, saisonnalité ou facteurs externes] Aidez-moi à : identifier les causes probables, éliminer les biais ou artefacts de données, proposer des analyses complémentaires pour confirmer la cause profonde et recommander des actions correctives.

Recommandez le type de graphique le plus adapté à mon cas d'usage et expliquez pourquoi. Ce que je souhaite mettre en évidence : [ex. la répartition du chiffre d'affaires par catégorie de produits et son évolution mois après mois] Public visé : [ex. comité de direction lors d'une revue trimestrielle] Structure des données : [ex. 12 mois x 6 catégories, valeurs comprises entre 10 k$ et 2 M$] Outil utilisé : [ex. Tableau, matplotlib, Looker Studio] Proposez 2 à 3 alternatives, hiérarchisez-les et explicitez les compromis de lisibilité de chacune.

Aidez-moi à concevoir un agencement de tableau de bord clair et efficace. Finalité : [ex. suivi opérationnel quotidien pour une équipe support] Métriques clés à afficher : [listez-les, ex. tickets ouverts, délai de résolution, score CSAT, volume par canal] Utilisateurs et modalité d'usage : [ex. les chefs d'équipe le consultent au début de chaque rotation] Outil : [ex. Metabase, Tableau, Grafana] Proposez un agencement par sections, les types de graphiques pour chaque indicateur et les meilleures pratiques UX pour une lisibilité instantanée.

Aidez-moi à transformer ces données en une narration percutante pour une présentation. Conclusions clés : [listez 3 à 5 enseignements majeurs de votre analyse] Audience : [ex. décideurs non techniques, direction générale] Objectif de la présentation : [ex. obtenir l'arbitrage budgétaire pour investir dans la rétention] Construisez une trame narrative qui démarre par le constat le plus marquant, l'étaye par des preuves chiffrées précises et se conclut par une recommandation opérationnelle claire. Restez concis et bannissez le jargon superflu.

Aidez-moi à rédiger des annotations pour rendre ce graphique parfaitement explicite et autonome. Type de graphique : [ex. graphique linéaire] Ce qu'il représente : [ex. chiffre d'affaires mensuel sur les 2 dernières années] Moments charnières à souligner : [ex. lancement produit en mars, changement de tarification en août, fléchissement en décembre] Public : [ex. investisseurs dans un pitch deck] Rédigez 3 à 5 annotations concises et percutantes, ainsi qu'un titre et un sous-titre de graphique en une phrase chacun.

Générez une check-list complète de nettoyage de données pour mon dataset. Description du jeu de données : [décrivez les colonnes, types de données, source et domaine métier] Anomalies déjà repérées : [listez les problèmes identifiés, ex. doublons, formats de date hétérogènes, valeurs manquantes dans des colonnes critiques] Usage final : [ex. entraînement d'un modèle de machine learning, création d'un dashboard] Organisez la liste par ordre de priorité en précisant les contrôles systématiques à effectuer et la méthode de traitement pour chaque écueil.

Aidez-moi à choisir la meilleure approche pour traiter les valeurs manquantes dans mon jeu de données. Colonne concernée : [nom de la colonne et sa signification] Pourcentage de données manquantes : [ex. 18 %] Type de données : [ex. numérique, catégoriel, date/heure] Utilisation de la colonne : [ex. variable explicative dans une régression] Comparez les différentes options (suppression des lignes, imputation par la moyenne/médiane/mode, imputation par modèle, encodage en catégorie distincte) et recommandez la plus rigoureuse avec argumentation.

Aidez-moi à détecter et traiter les valeurs aberrantes (outliers) dans mon jeu de données. Colonne : [nom de la colonne et sa signification] Type de données : [numérique / date/heure] Statistiques descriptives : [ex. min : 0, max : 99 000, moyenne : 450, médiane : 380, écart-type : 1 200] Contexte : [ex. montant des commandes en euros ; des valeurs très élevées peuvent être des commandes grossistes légitimes ou des erreurs de saisie] Proposez les méthodes de détection adaptées (IQR, Z-score, forêt d'isolement, etc.), fournissez le code en [Python/SQL] et conseillez le traitement optimal pour les anomalies confirmées.

Aidez-moi à uniformiser les valeurs incohérentes présentes dans cette colonne. Nom de la colonne : [ex. pays] Échantillon de valeurs désordonnées : [ex. 'USA', 'United States', 'US', 'u.s.a', 'America'] Format cible souhaité : [ex. codes pays ISO 3166-1 alpha-2] Outil utilisé : [ex. Python pandas, SQL, dbt] Écrivez le code permettant de mapper et standardiser ces valeurs, gérez les cas particuliers et isolez les valeurs impossibles à convertir automatiquement.

Rédigez un pipeline de transformation de données pandas pour la tâche suivante. Entrée : [décrivez la source, ex. un fichier CSV avec les colonnes user_id, event_type, timestamp, revenue] Transformations requises : 1. [ex. filtrer uniquement sur les événements d'achat] 2. [ex. agréger les revenus par utilisateur et par mois] 3. [ex. calculer le taux de croissance mensuel] Sortie attendue : [décrivez le résultat souhaité, ex. un DataFrame avec une ligne par utilisateur et par mois] Écrivez un code propre, lisible et commenté. Utilisez le chaînage de méthodes (method chaining) là où il améliore la clarté.

Écrivez le code Python pour créer la visualisation suivante. Type de graphique : [ex. heatmap, diagramme en barres groupées, série temporelle avec intervalle de confiance] Données : [décrivez la structure du DataFrame, ex. df comporte les colonnes month, category, value] Contraintes de style : [ex. fond sombre, palette adaptée aux daltoniens, absence de bordures] Sortie : [ex. sauvegarde au format PNG à 300 DPI] Utilisez matplotlib et/ou seaborn. Ajoutez les titres appropriés, les étiquettes d'axes et la légende. Le rendu doit être de qualité publication.

Proposez des idées d'ingénierie des caractéristiques (feature engineering) pour mon jeu de données de machine learning. Variable cible à prédire : [ex. si un utilisateur va résilier dans les 30 prochains jours] Variables brutes disponibles : [listez-les avec leurs types, ex. signup_date (date), last_login (date), num_sessions (entier), plan_type (catégoriel)] Niveau d'agrégation : [ex. une ligne par utilisateur] Proposez 10 à 15 variables dérivées, expliquez l'intuition métier derrière chacune et fournissez le code pandas pour les générer.

Rédigez un script Python de validation de données pour mon dataset. Jeu de données : [décrivez les colonnes, les types et la source] Règles de validation à appliquer : 1. [ex. user_id doit être non nul et unique] 2. [ex. event_date doit être comprise entre le 2020-01-01 et aujourd'hui] 3. [ex. revenue doit être >= 0] 4. [ex. status doit appartenir à : active, inactive, pending] Le script doit afficher un récapitulatif complet de toutes les anomalies relevées, plutôt que d'interrompre l'exécution à la première erreur. Utilisez pandas ou Great Expectations.

Rédigez un résumé exécutif à destination de la direction basé sur les résultats de données suivants. Contexte : [ex. bilan de performance du T1 2026 pour un produit SaaS] Indicateurs clés : - [métrique 1] : [valeur et variation par rapport à la période précédente] - [métrique 2] : [valeur et variation] - [métrique 3] : [valeur et variation] Faits marquants : [ex. déploiement de la fonctionnalité X en février, perte d'un compte clé en mars] Rédigez une synthèse de 150 à 200 mots. Débutez par l'enseignement stratégique majeur, abordez sans détour les points de vigilance et concluez par les 2 ou 3 priorités d'action pour le prochain trimestre.

Rédigez un rapport hebdomadaire synthétique à partir des chiffres suivants. Équipe / produit : [ex. Équipe Growth, application mobile] Semaine : [ex. semaine du 17 mars 2026] Métriques de la semaine : - [indicateur] : [valeur] vs [valeur semaine précédente] - [indicateur] : [valeur] vs [valeur semaine précédente] Points forts : [succès ou événements notables] Points de vigilance : [baisses inattendues ou incidents] Présentez le tout sous la forme d'un court message Slack ou e-mail : 3 à 5 points à puces, langage clair, sans jargon. Mettez en avant les points nécessitant un arbitrage.

Rédigez un compte-rendu clair des résultats de mon test A/B à destination d'un public non technique. Nom du test : [ex. Nouveau tunnel de commande] Hypothèse : [ex. Simplifier le paiement en 2 étapes va augmenter le taux de conversion] Contrôle vs Variante : [décrivez la modification] Résultats : - Métrique principale : [ex. taux de conversion] — Contrôle : [X %], Variante : [Y %], gain relatif : [Z %] - Significativité statistique : [ex. p=0,03, intervalle de confiance à 95 % : +1,2 % à +4,8 %] - Métriques secondaires : [métriques garde-fous et leurs résultats] Durée du test : [ex. 14 jours, 25 000 utilisateurs par groupe] Explicitez le sens des résultats, tranchez sur l'opportunité de déployer la modification et signalez les éventuelles réserves.

Rédigez un dictionnaire de données pour la table ou le jeu de données suivant. Nom de la table : [ex. orders] Colonnes : - [nom_colonne] : [type, ex. INT] — [brève description du contenu] - [nom_colonne] : [type] — [description] - [ajoutez-en selon les besoins] Public destinataire : [ex. nouveaux data analysts intégrant l'équipe] Pour chaque colonne, précisez : nom, type de données, description, exemples de valeurs, acceptation des valeurs nulles et particularités ou pièges connus. Présentez le document sous forme d'un tableau markdown clair.