Prompts Analyse de données

Je te donne un export de données de [source, ex. mon CRM, mon logiciel de caisse, Google Analytics] et je veux comprendre ce qu'il contient et ce qu'on peut en tirer. Contexte métier : [activité et question générale, ex. je veux comprendre pourquoi mes ventes baissent].

Données : [coller les données ou les premières lignes avec les en-têtes]

Procède dans l'ordre : décris la structure (colonnes, types, période couverte, granularité), évalue la qualité (valeurs manquantes, doublons probables, incohérences, colonnes vides ou constantes (liste-les précisément)), calcule les statistiques de base des colonnes importantes, puis propose 5 questions métier auxquelles ces données peuvent répondre et 3 questions auxquelles elles NE PEUVENT PAS répondre malgré les apparences (avec la donnée qui manque).

Termine par l'analyse la plus prometteuse à faire en premier et sa méthode. Ne tire aucune conclusion métier à ce stade.

Mon indicateur [indicateur, ex. taux de conversion, panier moyen, churn] est passé de [valeur avant] à [valeur après] entre [période 1] et [période 2]. Historique disponible : [valeurs sur les périodes précédentes]. Événements sur la période : [ce qui a changé : campagne, prix, saison, incident, refonte].

Avant toute interprétation, aide-moi à vérifier : la variation est-elle significative au vu des fluctuations habituelles de la série (calcule l'ordre de grandeur des variations normales à partir de l'historique) ? Une saisonnalité peut-elle l'expliquer (compare à la même période des années ou cycles précédents) ? Le périmètre de mesure a-t-il changé (volume sous-jacent, définition, outil de mesure) ?

Ensuite seulement, liste les hypothèses explicatives classées par plausibilité, avec pour chacune le test ou la donnée qui la confirmerait. Interdit : conclure sur une cause à partir de la seule coïncidence temporelle. Termine par ce que tu dirais honnêtement en une phrase si on te demandait « alors, c'est grave ? ».

Aide-moi à définir le tableau de bord de [périmètre, ex. mon équipe commerciale, ma boutique en ligne, mon service client]. Objectif de l'activité : [objectif]. Décisions que ce tableau de bord doit éclairer : [décisions récurrentes, ex. où mettre l'effort commercial, quand recruter, quels produits pousser]. Données disponibles : [sources et outils].

Pour chaque décision listée, propose le ou les indicateurs qui l'éclairent vraiment, en distinguant les indicateurs de résultat (ce qu'on constate) des indicateurs d'action (ce sur quoi on peut agir cette semaine). Maximum 8 indicateurs au total : si tu en écartes, dis pourquoi.

Pour chaque indicateur retenu : définition sans ambiguïté (que compte-t-on exactement, sur quelle période), formule, source, fréquence de lecture, et le piège d'interprétation classique de cet indicateur (effet de mix, moyenne qui cache une distribution, indicateur manipulable par l'équipe qui le mesure).

Transforme mon analyse en restitution pour [audience, ex. le comité de direction, mon responsable, un client]. Question de départ de l'analyse : [question]. Ce que j'ai trouvé : [résultats, chiffres, constats]. Limites de l'analyse : [limites : données partielles, période courte, biais possibles]. Ce que je recommande : [recommandation si j'en ai une].

Construis la restitution dans cet ordre : la réponse à la question en une phrase (le message principal d'abord, jamais la méthode d'abord), 2 ou 3 constats qui la soutiennent avec chacun SON chiffre (pas cinq chiffres par constat), la recommandation avec ce qu'elle coûte et ce qu'elle rapporte, les limites énoncées franchement mais sans se saborder (une limite énoncée = une précaution d'usage, pas une excuse).

Prépare aussi : les 3 questions pièges probables de cette audience avec les réponses, et la version « 30 secondes dans l'ascenseur » du message. Format : [format de sortie souhaité, ex. trame de slides, email, note d'une page].

Je veux tester [changement envisagé, ex. un nouveau prix, une nouvelle page, un nouveau script d'appel, un horaire d'envoi] avant de le généraliser. Situation actuelle : [métrique actuelle et son niveau]. Volume disponible : [trafic, appels, envois par semaine]. Ce que j'espère : [amélioration attendue].

Construis le protocole : l'hypothèse formulée de façon réfutable (« si X alors Y augmente d'au moins Z »), le critère de succès et le seuil de décision fixés MAINTENANT (avant de voir les résultats), la répartition test/contrôle et comment l'assigner proprement, la durée nécessaire estimée à partir de mon volume pour distinguer un vrai effet du bruit (explique le calcul simplement), les effets parasites à neutraliser (saisonnalité, jour de la semaine, mix de clientèle).

Ajoute la grille de lecture des résultats : dans quel cas je généralise, dans quel cas j'arrête, dans quel cas je prolonge, et les conclusions qu'il sera INTERDIT de tirer même si les chiffres sont tentants (sous-groupes découverts après coup, arrêt du test au premier pic favorable).

Tu es analyste de données. Je dois dédoublonner un fichier clients exporté de [outil, ex. mon CRM, mon logiciel de facturation] avant une campagne. Colonnes disponibles : [lister les colonnes, ex. nom, prénom, email, téléphone, adresse, date de création].

Extrait du fichier : [coller 20 à 30 lignes représentatives].

Propose une stratégie de dédoublonnage en plusieurs passes : d'abord les doublons exacts (mêmes valeurs sur quelles colonnes ?), puis les doublons probables (variantes d'orthographe, email identique mais nom différent, téléphone formaté différemment). Pour chaque passe, précise la clé de rapprochement, les normalisations préalables (minuscules, espaces, accents, indicatifs téléphoniques) et le risque de faux positif.

Contraintes : ne jamais fusionner automatiquement deux fiches sur le seul nom/prénom, toujours indiquer quelle fiche conserver (la plus récente ? la plus complète ?) et pourquoi. Format de sortie : plan d'action étape par étape, puis les formules Google Sheets ou étapes Excel concrètes pour l'appliquer, et une estimation du nombre de doublons détectés par passe sur l'extrait fourni.

J'ai un export [source, ex. de mon logiciel de caisse, d'un formulaire en ligne] dont la colonne de dates mélange plusieurs formats : [exemples réels de valeurs, ex. 03/04/2026, 2026-04-03, 3 avril 2026, 04-03-26]. Je travaille dans [Excel ou Google Sheets].

Aide-moi à tout convertir vers un format unique [format cible, ex. AAAA-MM-JJ] sans corrompre les données. Commence par recenser tous les formats présents dans mon échantillon et identifie les valeurs AMBIGUËS (03/04 : 3 avril ou 4 mars ?) : liste-les explicitement au lieu de trancher arbitrairement, et propose un critère de désambiguïsation (langue de l'outil source, plage de valeurs supérieure à 12, cohérence avec une autre colonne).

Donne ensuite les formules ou étapes concrètes pour la conversion, colonne de contrôle incluse (une formule qui signale les lignes dont la conversion a échoué ou produit une date hors période plausible [période attendue]). Termine par la liste des vérifications à faire avant de remplacer la colonne d'origine.

Tu es analyste de données rigoureux. Mon fichier [description, ex. export des commandes de l'année depuis mon ERP] contient des valeurs manquantes et je dois décider quoi en faire avant analyse. Colonnes concernées et taux de vide approximatif : [ex. code postal 12 %, canal d'acquisition 40 %, montant 2 %].

Analyse prévue : [ce que je veux calculer, ex. CA par région et par canal].

Pour chaque colonne, aide-moi à répondre dans l'ordre : le vide est-il porteur d'information (champ non applicable, saisie facultative, bug de collecte) ou purement aléatoire ? Quelle option est la moins risquée pour MON analyse : exclure les lignes, imputer une valeur (laquelle et pourquoi), créer une catégorie « non renseigné », ou renoncer à l'axe d'analyse ? Quel biais chaque option introduit-elle ?

Contraintes : jamais d'imputation par la moyenne sans justification, toujours chiffrer l'impact (combien de lignes perdues, quel poids dans le total). Format : tableau colonne par colonne avec décision recommandée, justification et mention à ajouter dans la restitution finale.

J'ai une colonne de texte saisie librement à normaliser : [nature du champ, ex. noms de villes, raisons sociales, catégories de produits] dans [outil, ex. Google Sheets, Excel]. Exemples de valeurs réelles : [coller 20 à 40 valeurs, avec leurs variantes : casse, abréviations, fautes, espaces].

Objectif : obtenir une colonne propre avec une valeur canonique par entité pour pouvoir agréger correctement.

Procède ainsi : identifie les groupes de variantes qui désignent la même entité dans mon échantillon, propose la valeur canonique de chaque groupe, puis liste les cas douteux à valider à la main plutôt que de trancher pour moi. Donne ensuite la méthode de mise en œuvre : table de correspondance (variante vers canonique) plus formule de jointure, règles de normalisation en amont (casse, accents, espaces multiples, ponctuation), et une formule de contrôle qui isole les valeurs restées sans correspondance.

Contrainte : la table de correspondance doit être un onglet séparé, réutilisable pour les prochains exports, pas des remplacements manuels perdus. Format : tableau de correspondance, puis formules prêtes à coller.

Je dois importer un fichier de [nature, ex. contacts issus d'un salon, leads d'un formulaire] dans [CRM ou outil cible]. Colonnes de mon fichier : [lister les colonnes]. Champs attendus par l'outil cible : [lister les champs et leurs contraintes connues, ex. email obligatoire, téléphone au format international].

Échantillon : [coller 10 à 20 lignes].

Prépare le plan de mise en conformité : mapping colonne source vers champ cible (avec les colonnes orphelines des deux côtés), contrôles à passer avant import (emails syntaxiquement invalides, téléphones incomplets, champs obligatoires vides, doublons avec des critères explicites), transformations nécessaires (séparation prénom/nom, format des téléphones, normalisation pays).

Contraintes : chaque ligne rejetée doit finir dans un onglet « rejets » avec le motif, jamais supprimée silencieusement ; aucun champ inventé pour remplir un obligatoire. Format de sortie : tableau de mapping, liste ordonnée des contrôles avec la formule ou méthode pour chacun, et checklist finale avant de lancer l'import (sauvegarde, import test sur 10 lignes, vérification dans l'outil).

Tu es un développeur SQL senior qui travaille avec un interlocuteur métier. Ma question métier : [question en français, ex. quels clients ont commandé au moins deux fois cette année mais rien depuis trois mois ?]. Base : [moteur, ex. PostgreSQL, MySQL, BigQuery]. Tables et colonnes disponibles : [décrire les tables, leurs colonnes et leurs liens, ou coller le schéma].

Avant d'écrire la requête, reformule ma question en termes précis et liste les points ambigus avec l'hypothèse que tu retiens pour chacun (que compte-t-on exactement, quelles bornes de dates, commandes annulées incluses ou non, fuseau horaire). Si une information indispensable manque dans le schéma, dis-le au lieu d'inventer une colonne.

Écris ensuite la requête, commentée ligne à ligne en français, puis propose une requête de contrôle simple (un total ou un décompte) pour vérifier que le résultat est plausible avant de m'y fier. Format : hypothèses, requête commentée, requête de contrôle, limites du résultat.

J'ai hérité d'une requête SQL utilisée dans [contexte, ex. un reporting mensuel, un export automatique] et personne ne sait plus exactement ce qu'elle fait. La voici : [coller la requête complète].

Contexte connu : [ce que le rapport est censé montrer, moteur de base de données si connu].

Explique-la en trois niveaux : une phrase de synthèse (ce qu'elle calcule, en langage métier), puis un déroulé bloc par bloc (chaque jointure, filtre, agrégation et sous-requête, avec son effet concret), puis les pièges cachés : jointures qui peuvent dupliquer ou perdre des lignes, filtres dans le WHERE qui transforment un LEFT JOIN en INNER JOIN, gestion des NULL, bornes de dates incluses ou exclues, hypothèses implicites sur les données.

Termine par : les cas où le chiffre produit serait FAUX sans que rien ne le signale, et deux requêtes de contrôle rapides pour vérifier ces cas sur ma base. Format : explication structurée, puis liste des pièges classés par gravité.

Tu es expert en optimisation SQL. Ma requête est trop lente : [temps actuel] pour [volume approximatif des tables concernées]. Moteur : [PostgreSQL, MySQL, SQL Server, BigQuery]. Requête : [coller la requête]. Index existants si connus : [lister ou indiquer « inconnus »]. Plan d'exécution si disponible : [coller la sortie EXPLAIN ou indiquer « non disponible »].

Diagnostique d'abord : identifie dans la requête les causes de lenteur probables (fonctions appliquées sur des colonnes filtrées qui empêchent l'usage d'index, sous-requêtes corrélées, SELECT étoile inutile, jointures sur colonnes non indexées, tri ou agrégation sur un gros volume, absence de filtre de dates).

Propose ensuite les optimisations classées par rapport effort/gain attendu : réécriture de la requête (avec la version réécrite complète), index à créer (avec leur coût en écriture), et en dernier recours des changements de structure. Contrainte absolue : le résultat doit rester strictement identique ; pour chaque réécriture, explique pourquoi l'équivalence est garantie. Termine par la méthode pour mesurer proprement le gain.

J'ai produit un résultat avec cette requête SQL et je veux le contrôler avant de le diffuser à [destinataires, ex. ma direction, un client]. Requête : [coller la requête]. Résultat obtenu : [le ou les chiffres]. Ordre de grandeur attendu d'après le métier : [ce qui serait plausible, ou « aucune idée »].

Construis ma batterie de contrôles : une requête de volumétrie brute (combien de lignes avant tout filtre, combien après chaque filtre principal, pour voir où le volume tombe), un contrôle de doublons sur la clé supposée unique, un contrôle des NULL sur les colonnes de jointure et d'agrégation, un rapprochement avec une source indépendante si j'en ai une [source de recoupement disponible], et un test de bornes (le chiffre change-t-il si je décale la période d'un jour ?).

Pour chaque contrôle : la requête prête à exécuter, ce qu'un résultat normal ressemble, et ce qui doit m'alerter. Termine par la règle de décision : dans quels cas je diffuse, je corrige, ou je préviens que le chiffre est provisoire.

Je travaille dans [Excel ou Google Sheets] sur un fichier de [nature des données, ex. lignes de ventes avec date, produit, magasin, quantité, montant]. Question à laquelle je veux répondre : [question métier, ex. quels produits portent la croissance et dans quels magasins ?].

Colonnes disponibles : [lister les colonnes et leur contenu].

Conçois le ou les tableaux croisés dynamiques adaptés : pour chacun, indique quels champs mettre en ligne, en colonne, en valeur et en filtre, quelle agrégation choisir (somme, moyenne, nombre, et pourquoi la moyenne serait trompeuse le cas échéant), et quel regroupement appliquer (dates par mois, tranches de montants).

Signale les pièges de mon cas : lignes qui se dupliquent si la granularité n'est pas celle que je crois, totaux qui mélangent des unités, pourcentages calculés sur la mauvaise base, éléments vides masqués par défaut. Donne les étapes de construction clic par clic dans mon outil, puis deux lectures que le tableau permettra et une conclusion qu'il serait tentant mais faux d'en tirer.

Dans [Excel ou Google Sheets], je veux ramener dans mon onglet principal une information qui se trouve dans un autre onglet. Onglet principal : [colonnes, ex. A numéro de commande, B date, C montant]. Onglet source : [colonnes, ex. A numéro de commande, D nom du client, E segment]. Information à ramener : [colonne voulue]. Clé de correspondance : [colonne commune].

Donne-moi la formule exacte, prête à coller, en choisissant entre RECHERCHEV, INDEX/EQUIV et RECHERCHEX selon ma version d'outil [préciser la version si connue], et explique ton choix en deux phrases.

Traite explicitement les cas qui cassent ces formules : clé absente de la source (que renvoyer à la place de l'erreur), clés en double côté source (quelle ligne est prise, comment le détecter avec une formule de comptage), clés qui semblent identiques mais diffèrent par un espace ou un format nombre/texte (formule de nettoyage à appliquer d'abord). Format : la formule principale, la formule de détection des doublons, la formule de nettoyage, chacune avec la plage exacte à adapter.

Je travaille dans [Excel ou Google Sheets]. Mes données : [décrire les colonnes avec leurs lettres, ex. A date, B commercial, C région, D montant, E statut]. Ce que je veux calculer, en français : [ex. le total des ventes de la région Nord signées en 2026 par commercial, hors statut « annulé »].

Écris la ou les formules exactes avec les bonnes plages, en choisissant entre SOMME.SI.ENS, NB.SI.ENS, MOYENNE.SI.ENS ou une combinaison. Explique chaque critère de la formule en une ligne.

Couvre les subtilités de mon cas : critères de dates (comment écrire « en 2026 » ou « entre deux dates » dans un critère, avec les guillemets et l'esperluette au bon endroit), critère d'exclusion (différent de), jokers pour du texte partiel, et références figées avec les dollars pour pouvoir recopier la formule. Ajoute une formule de contrôle : le total de mes formules par critère doit redonner le total général, écris cette vérification. Format : formules prêtes à coller, puis une ligne d'explication chacune.

Dans Google Sheets (fonctions REGEXEXTRACT, REGEXMATCH, REGEXREPLACE), je veux extraire [information cible, ex. le code postal, le numéro de facture, le domaine de l'email] depuis une colonne de texte libre. Exemples réels de valeurs, avec leur diversité : [coller 10 à 15 valeurs représentatives, y compris les cas tordus].

Résultat attendu pour chacune : [donner le résultat voulu pour 3 ou 4 exemples].

Écris la formule complète, puis explique la regex morceau par morceau en français (chaque classe de caractères, quantificateur et groupe). Teste-la mentalement contre chacun de mes exemples et signale ceux qu'elle raterait, plutôt que de promettre qu'elle marche partout.

Ajoute : une variante REGEXMATCH pour créer une colonne de contrôle vrai/faux (le motif est-il présent ?), la gestion du cas « aucune correspondance » sans erreur affichée, et les limites connues de ton motif (variantes d'écriture non couvertes). Contrainte : privilégier une regex lisible et un peu plus longue plutôt qu'une regex compacte illisible. Format : formules prêtes à coller, puis explication.

Ma formule [Excel ou Google Sheets] ne donne pas le résultat attendu. Formule exacte : [coller la formule]. Erreur ou symptôme : [ex. #N/A sur certaines lignes, #REF!, un total faux, zéro partout]. Contexte : [décrire les colonnes utilisées et un exemple de ligne où ça échoue, avec les valeurs réelles].

Procède en diagnostic, pas en réécriture aveugle : liste les causes possibles de MON symptôme classées de la plus probable à la moins probable (types mélangés nombre/texte, espaces invisibles, plages décalées après insertion de lignes, référence non figée recopiée, valeur cherchée absente, tri requis non respecté, séparateurs de la locale).

Pour chaque cause, donne le test qui la confirme ou l'élimine en moins d'une minute (formule ESTNUM, ESTTEXTE, NBCAR pour voir les espaces, comparaison stricte). Une fois la cause identifiée, donne la correction minimale, puis la version robuste de la formule qui évite la récidive. Contrainte : ne pas proposer de refaire tout le fichier. Format : arbre de diagnostic, tests, correction.

Je dois présenter des données à [audience, ex. mon comité de direction, une équipe terrain] et je veux choisir le bon graphique. Message que je veux faire passer : [le message en une phrase, ex. deux produits concentrent l'essentiel de la croissance]. Données disponibles : [décrire ou coller les données : dimensions, mesures, nombre de catégories, période].

Recommande le type de graphique adapté à ce MESSAGE (comparaison, évolution, répartition, relation, distribution) et justifie en deux phrases. Propose une alternative crédible et explique pourquoi tu la classes seconde. Élimine explicitement les mauvais choix tentants pour mes données (camembert au-delà de quelques catégories, double axe qui suggère une relation, aires empilées illisibles) avec la raison.

Donne ensuite les spécifications concrètes : quoi en abscisse et en ordonnée, tri des catégories, échelle (zéro inclus ou non, et pourquoi), ce qu'il faut annoter directement sur le graphique, le titre formulé comme le message et non comme une description. Termine par la version « à ne pas faire » : le choix qui déformerait le message.

Voici un graphique que je m'apprête à diffuser dans [contexte, ex. un rapport mensuel, une présentation client]. Description précise ou données du graphique : [décrire le graphique : type, axes, échelles, séries, titre, ou coller les données représentées]. Message qu'il est censé porter : [le message].

Fais-en la critique en trois volets. Honnêteté : l'échelle déforme-t-elle la variation (axe tronqué non signalé, double axe, échelle log non annoncée), la période choisie est-elle cherry-pickée, les effectifs sont-ils suffisants pour les pourcentages affichés ? Lisibilité : que comprend un lecteur en cinq secondes, le titre dit-il le message ou juste le sujet, y a-t-il des éléments à supprimer (couleurs, grilles, décimales, légende redondante) ? Adéquation : ce type de graphique sert-il ce message, ou un autre ferait-il mieux ?

Classe tes remarques en « bloquant avant diffusion » et « amélioration souhaitable », puis décris précisément la version corrigée. Contrainte : critique le graphique, pas les données ; si le problème vient des données, dis-le séparément.

Je veux construire [graphique visé, ex. une courbe d'évolution mensuelle par canal, un graphique à barres empilées] dans [outil, ex. Google Sheets, Excel, Looker Studio] mais mes données brutes ne sont pas dans le bon format. Données actuelles : [coller un extrait avec les en-têtes, ex. une ligne par transaction].

Décris d'abord la structure cible exacte qu'attend mon outil pour ce graphique (format long ou large, une colonne par série ou une colonne catégorie, granularité des dates), avec un exemple de 5 lignes de ce à quoi mes données doivent ressembler à l'arrivée.

Donne ensuite le chemin de transformation le plus simple dans mon outil : agrégation (tableau croisé ou formules, lesquelles), gestion des périodes sans données (les faire apparaître à zéro ou les laisser absentes, et l'effet sur la courbe), tri, et arrondi seulement à l'affichage, jamais dans les données.

Termine par deux contrôles avant de tracer : le total du tableau transformé égale le total brut, et le nombre de périodes correspond à la plage attendue [période]. Format : structure cible, étapes, contrôles.

Dans mon entreprise, l'indicateur [nom de l'indicateur, ex. taux de conversion, CA, clients actifs] donne des chiffres différents selon qui le calcule, et je veux écrire SA définition de référence. Usages actuels connus : [qui l'utilise et comment, ex. le marketing le calcule depuis GA4, les ventes depuis le CRM]. Sources de données disponibles : [outils et tables].

Rédige la fiche de définition complète : formule exacte (numérateur et dénominateur définis sans ambiguïté : quels événements ou lignes comptent, lesquels sont exclus, avec le sort réservé aux cas limites comme les annulations, remboursements, doublons, tests internes), période et fuseau de référence, source faisant foi en cas d'écart entre outils, fréquence et date de figement (le chiffre d'un mois peut-il encore bouger après coup ?).

Liste ensuite les écarts probables entre les usages actuels et cette définition, avec l'ordre de grandeur d'écart attendu, pour préparer la bascule. Contrainte : chaque terme de la formule doit être vérifiable par requête, aucun terme flou (« client actif » doit être défini par un critère mesurable). Format : fiche structurée d'une page.

Mon indicateur principal est [indicateur, ex. le chiffre d'affaires mensuel, le nombre de nouveaux clients] et je veux le décomposer en leviers pour savoir où agir. Contexte : [activité, ex. site e-commerce, cabinet de services, réseau de magasins]. Niveau actuel : [valeur actuelle]. Objectif : [objectif visé].

Construis l'arbre de décomposition arithmétique : l'indicateur exprimé comme produit ou somme de sous-indicateurs (ex. trafic multiplié par taux de conversion multiplié par panier moyen), puis chaque sous-indicateur décomposé un niveau de plus quand c'est utile. Vérifie que chaque décomposition est mathématiquement exacte, pas approximative.

Pour chaque feuille de l'arbre : qui dans l'organisation peut agir dessus, la donnée qui permet de la mesurer [sources disponibles], et sa marge de progression réaliste. Identifie ensuite les deux leviers où un effort donné rapporte le plus (sensibilité : que devient l'indicateur principal si ce levier gagne 10 % ?), en montrant le calcul. Contrainte : signaler les leviers qui se cannibalisent entre eux. Format : arbre indenté puis tableau des leviers.

Je veux analyser la rétention de mes [clients ou abonnés] par cohortes. Données disponibles : [décrire, ex. export avec identifiant client, date de première commande ou d'inscription, dates d'activité ou de commandes suivantes]. Outil : [Excel, Google Sheets, SQL]. Définition d'un client « retenu » dans mon activité : [ex. a recommandé dans le mois, a un abonnement actif].

Guide-moi pour construire la table de cohortes : regroupement par mois de première commande, calcul de l'activité à M+1, M+2, M+3 et suivants, en pourcentage de la taille initiale de la cohorte. Donne la méthode concrète dans mon outil (formules ou requête).

Aide-moi ensuite à la LIRE : distinguer l'effet ancienneté (toutes les cohortes s'érodent avec le temps) de l'effet millésime (les cohortes récentes sont-elles meilleures ou moins bonnes que les anciennes au même âge ?), repérer le mois d'ancienneté où la rétention se stabilise, et signaler les cohortes trop jeunes ou trop petites pour conclure (avec le seuil que tu recommandes). Format : méthode de construction, puis grille de lecture avec les questions à se poser.

Je veux segmenter ma base clients avec la méthode RFM (récence, fréquence, montant) pour cibler mes actions. Données : [export disponible, ex. une ligne par commande avec identifiant client, date, montant, depuis mon logiciel de caisse ou mon CRM]. Outil de travail : [Excel, Google Sheets, SQL]. Activité : [type d'activité et cycle d'achat typique, ex. e-commerce mode, achat tous les 2 mois].

Construis la démarche : calcul des trois valeurs par client (avec la formule ou requête exacte dans mon outil), choix des seuils de scoring adaptés à MON cycle d'achat plutôt que des quintiles automatiques (justifie chaque seuil), attribution des scores et regroupement en 5 à 8 segments nommés et parlants (fidèles, endormis, nouveaux prometteurs, perdus...).

Pour chaque segment : effectif attendu en pourcentage, caractérisation en une phrase, action commerciale prioritaire et indicateur pour mesurer si elle fonctionne. Contraintes : exclure les commandes annulées et les clients de test, traiter le cas des clients à commande unique, et signaler que les seuils devront être revus à [fréquence recommandée]. Format : méthode pas à pas puis tableau des segments.

Je veux prévoir [grandeur, ex. mes ventes mensuelles, mes réservations, mon volume d'appels] pour les [horizon, ex. 6 prochains mois]. Historique disponible : [coller la série, idéalement 24 mois ou plus, ou décrire ce que j'ai]. Mon activité a une saisonnalité connue : [décrire, ex. pic en décembre, creux en août].

Construis une prévision simple et reproductible dans [Excel ou Google Sheets] : calcule la tendance de fond (moyenne mobile sur 12 mois ou régression, explique ton choix), les coefficients de saisonnalité mensuels à partir de l'historique, puis la prévision (tendance multipliée par coefficient). Montre les formules.

Exige l'honnêteté du résultat : donne une fourchette basse/haute construite à partir des erreurs que cette méthode aurait faites sur le passé (backtest : applique la méthode aux 6 derniers mois connus et mesure l'écart), pas une fourchette décorative. Liste ce que la méthode ne peut PAS voir (événements exceptionnels, changement de prix, année de base atypique) et le signal qui devrait me faire refaire la prévision en cours de route. Format : méthode, formules, tableau de prévision avec fourchette, limites.

Nous sommes en [mois actuel] et je veux projeter mon atterrissage de fin d'année sur [grandeur, ex. chiffre d'affaires, dépenses, nombre de dossiers traités]. Réalisé à date : [valeur cumulée]. Objectif annuel : [objectif]. Historique mensuel de l'an dernier et de cette année : [coller les valeurs].

Construis trois projections et compare-les : la règle de trois naïve (cumul divisé par les mois écoulés multiplié par douze), la projection saisonnalisée (le poids habituel des mois restants d'après l'historique), et la projection « informée » qui intègre ce que je sais déjà des mois à venir : [éléments connus, ex. commandes signées, devis en cours, fermeture estivale, embauche].

Pour chacune : le chiffre, l'hypothèse implicite qu'elle fait, et le cas où elle se trompe le plus. Recommande celle à retenir pour mon cas et l'écart à l'objectif qu'elle implique, en euros et en pourcentage. Termine par les deux ou trois actions qui pourraient encore bouger l'atterrissage et le chiffrage grossier de chacune. Format : tableau comparatif puis recommandation en cinq lignes.

Tu es responsable qualité des données. Je veux auditer la qualité de [base concernée, ex. ma base clients CRM, mon catalogue produits, mon fichier fournisseurs] avant [usage prévu, ex. une migration, une campagne, la mise en place d'un reporting]. Structure : [lister les champs]. Extrait représentatif : [coller 30 à 50 lignes].

Audite selon ces axes, avec pour chacun un constat chiffré sur mon extrait : complétude (taux de remplissage par champ, en distinguant les champs critiques pour mon usage), validité (formats invalides : emails, téléphones, codes postaux, dates impossibles), unicité (doublons probables et leur critère de détection), fraîcheur (dates de mise à jour, part des fiches vraisemblablement obsolètes), cohérence interne (champs qui se contredisent, ex. code postal et ville).

Produis ensuite le plan de remédiation priorisé par impact sur MON usage prévu : ce qui bloque, ce qui dégrade, ce qui peut attendre, avec pour chaque lot la méthode de correction (automatisable ou manuelle) et l'effort estimé. Format : tableau d'audit par axe, puis plan en trois lots.

Je veux créer le dictionnaire de données de [jeu de données, ex. l'export commandes de mon ERP, la table clients de notre base, le Sheet partagé du reporting] pour que l'équipe arrête de mal interpréter les colonnes. Colonnes et extrait : [lister les colonnes avec 5 lignes d'exemple].

Ce que je sais du contexte : [origine des données, fréquence de mise à jour, qui les alimente].

Pour chaque colonne, rédige la fiche : nom technique et libellé métier, définition en une phrase sans jargon, type et format attendu, valeurs possibles ou plage plausible, règle de remplissage (obligatoire, calculé, saisi à la main), source amont, et surtout la rubrique « pièges » : ce qu'un utilisateur risque de croire à tort sur cette colonne (montant TTC ou HT, date de commande ou de paiement, champ historisé ou écrasé). Quand tu ne peux pas déduire une information de l'extrait, écris « à confirmer auprès de [qui] » au lieu d'inventer.

Format : un tableau prêt à coller dans un onglet « dictionnaire », plus la liste des questions à confirmer, classées par propriétaire probable.

Deux de mes outils donnent des chiffres différents pour la même réalité : [source A, ex. GA4] annonce [valeur A] et [source B, ex. mon logiciel de caisse, Stripe, mon CRM] annonce [valeur B] pour [métrique et période]. Écart : [pourcentage ou montant]. Je dois comprendre l'écart et décider quelle source fait foi.

Guide l'investigation dans l'ordre : d'abord les écarts de DÉFINITION (que compte exactement chaque outil : remboursements, annulations, tests, fuseaux horaires, date de commande contre date d'encaissement, filtres anti-robots), puis les écarts de PÉRIMÈTRE (canaux ou points de vente absents d'un côté), puis les écarts de COLLECTE (pertes de mesure, consentement, pannes). Pour chaque hypothèse : le test concret qui la chiffre, en commençant par celles qui expliquent les plus gros écarts habituels.

Objectif final : un tableau de passage de la valeur A à la valeur B, poste d'écart par poste d'écart, dont la somme boucle. Termine par ta recommandation : quelle source faire foi pour quel usage, et l'écart résiduel acceptable en dessous duquel arrêter de creuser.

Je m'apprête à diffuser [livrable, ex. mon rapport mensuel, une présentation client, un email avec les résultats du trimestre] à [destinataires]. Chiffres clés qu'il contient : [lister les chiffres principaux avec leur libellé]. Sources : [d'où vient chaque chiffre].

Fais-moi dérouler la checklist de contrôle final, point par point, en me demandant de confirmer chacun : cohérence interne (les sous-totaux redonnent les totaux, les pourcentages et leur base collent, les chiffres cités deux fois sont identiques partout), cohérence externe (comparaison au mois précédent et à l'an dernier : toute variation surprenante a-t-elle une explication vérifiée, pas juste plausible ?), périmètre annoncé (chaque chiffre dit sa période, son périmètre et sa devise ; les définitions n'ont pas changé depuis la dernière édition sans le signaler), reproductibilité (je sais refaire chaque chiffre : requête ou fichier source conservé), et arrondis (cohérents, pas de précision illusoire).

Pour chaque point que je ne peux pas confirmer, indique le risque concret et si c'est bloquant pour la diffusion ou non. Format : checklist numérotée avec cases à cocher.

Je veux détecter automatiquement les valeurs anormales dans [série suivie, ex. mes ventes quotidiennes, mes commandes par heure, mes inscriptions journalières] pour réagir vite en cas de problème. Historique : [coller la série ou décrire : granularité, ancienneté, valeurs typiques]. Outil : [Google Sheets, Excel, SQL]. Variations normales connues : [ex. samedi fort, dimanche faible, saisonnalité].

Propose un dispositif simple et robuste : une valeur de référence qui respecte mes cycles (comparer un lundi aux lundis précédents, pas à la veille), une mesure d'écart et un seuil d'alerte justifié à partir de la dispersion réelle de mon historique (montre le calcul, explique pourquoi ce seuil et pas un pourcentage arbitraire), et une règle anti-fausses alertes (ex. alerter seulement après deux points anormaux consécutifs, seuils distincts pour anomalie haute et basse).

Donne l'implémentation concrète dans mon outil, formules incluses. Termine par : les trois causes bénignes qui déclencheront l'alerte à tort (jour férié, promotion, panne de collecte) et comment les gérer, plus la procédure en trois étapes quand une alerte tombe.

Un chiffre de mon reporting me paraît faux et je dois trancher : erreur de calcul, problème de données, ou réalité surprenante. Le chiffre : [valeur et libellé, ex. le CA de mars affiche 240 000 euros contre 90 000 habituellement]. Où il apparaît : [rapport, requête ou fichier qui le produit]. Chaîne de production connue : [d'où viennent les données et par quelles transformations elles passent].

Structure l'enquête en couches, de l'aval vers l'amont, avec à chaque couche le test qui l'innocente ou l'accuse : le calcul final (formule, plage, filtre du rapport), la transformation (agrégation, jointure qui duplique, doublon d'import, changement de définition récent), la collecte (panne, rattrapage massif un jour donné, changement d'outil), et enfin la réalité métier (grosse commande, client exceptionnel : quel enregistrement précis le prouverait ?).

Contrainte : interdiction de corriger quoi que ce soit avant d'avoir identifié la cause ; un chiffre surprenant mais vrai ne se « corrige » pas. Format : plan d'investigation ordonné, puis les trois issues possibles avec l'action associée pour chacune (corriger, documenter, alerter).

J'ai collecté des réponses libres de clients via [canal, ex. la question ouverte de mon enquête de satisfaction, les avis Google, les motifs de résiliation] et je veux en tirer une analyse exploitable. Verbatims : [coller les verbatims, ou un échantillon si volumineux, avec le nombre total]. Question posée aux clients : [la question exacte].

Procède ainsi : construis une grille de thèmes à partir des verbatims eux-mêmes (pas de grille préconçue), avec une définition d'une ligne par thème pour que le classement soit reproductible. Classe chaque verbatim (multi-thèmes autorisé), puis quantifie : nombre de mentions par thème, tonalité dominante, et croisement avec [variable disponible, ex. la note donnée, l'ancienneté client] si fourni.

Contraintes d'honnêteté : cite les verbatims textuellement sans les réécrire, distingue les thèmes fréquents des thèmes rares mais graves, précise le nombre de répondants partout (pas de pourcentage sur moins de 30 réponses sans le signaler), et n'invente aucune citation. Format : synthèse en une page (thèmes classés par fréquence, 2 citations représentatives par thème, signaux faibles à surveiller), puis le tableau de classement complet.

J'ai fait passer un questionnaire via [outil, ex. Google Forms, Typeform] et je dois le dépouiller. Nombre de réponses : [nombre]. Questions posées : [lister les questions avec leur type : choix unique, choix multiples, échelle, libre]. Export : [coller un extrait des réponses]. Objectif de l'enquête : [ce que je cherche à décider ou apprendre].

Déroule le dépouillement dans l'ordre : nettoyage (réponses en double, questionnaires expédiés en quelques secondes, incohérences internes flagrantes : liste ce que tu écartes et pourquoi), tris à plat de chaque question (avec le format de restitution adapté à chaque type de question), puis les 3 à 5 croisements les plus utiles pour MON objectif (justifie le choix, ne croise pas tout avec tout).

Précautions obligatoires : rappeler qui a répondu et en quoi l'échantillon peut différer de ma cible (mode de diffusion, volontariat), signaler chaque croisement dont une case descend sous 30 répondants, et bannir les conclusions causales sur des données déclaratives. Format : plan de dépouillement, résultats des tris et croisements sur mon extrait, limites en encadré final.

J'ai mis en place [changement, ex. de nouveaux horaires, une refonte de page, un nouveau prix, un nouvel argumentaire] le [date] et je veux savoir si ça a marché, sans groupe de contrôle. Métrique suivie : [métrique]. Valeurs avant : [série avant le changement, la plus longue possible]. Valeurs après : [série depuis le changement]. Autres événements sur la période : [ce qui a changé en même temps : saison, campagne, actualité, météo, concurrence].

Avant de comparer les moyennes, force-moi à vérifier : la fenêtre avant est-elle représentative (assez longue, sans anomalie), la variation observée dépasse-t-elle les fluctuations habituelles de la métrique (chiffre-les depuis l'historique), la saisonnalité explique-t-elle l'écart (compare à la même période antérieure si disponible), et lequel des événements concomitants pourrait produire le même effet ?

Conclus en trois niveaux : ce que les données permettent d'affirmer, ce qu'elles suggèrent seulement, ce qu'elles ne peuvent pas trancher. Termine par le dispositif qui rendrait la prochaine évaluation plus solide (bascule progressive, alternance, groupe témoin). Interdit : conclure sur la seule coïncidence temporelle.

Rédige une note d'une page à partir de mon travail d'analyse, destinée à [lecteur, ex. mon directeur, le comité d'investissement, un client] qui la lira en [temps disponible, ex. trois minutes] et devra décider : [la décision attendue]. Matériau brut : [coller les résultats, chiffres, constats de l'analyse, même en vrac]. Ma recommandation si j'en ai une : [recommandation].

Structure imposée : un titre qui énonce la conclusion (pas le sujet), un premier paragraphe qui donne la réponse et le chiffre clé, puis 3 constats maximum avec chacun UN chiffre à l'appui, les options possibles avec leur coût et leur risque en une ligne chacune, la recommandation assumée, et une ligne « ce que nous ne savons pas encore » qui dit les limites sans noyer le message.

Contraintes de forme : une page maximum, phrases courtes, aucun jargon d'analyste (ni « corrélation », ni « dataset » sans traduction), chiffres arrondis à la précision utile pour décider, aucun chiffre dans la note que le matériau brut ne contient pas. Si le matériau ne suffit pas pour un élément de la structure, écris [donnée manquante] plutôt que d'inventer.

Aide-moi à transformer mes résultats d'analyse en une présentation qui marque, pour [audience et occasion, ex. la revue trimestrielle devant la direction, un rendez-vous client]. Durée : [durée]. Résultats à présenter : [coller les constats et chiffres clés]. Ce que je veux obtenir de l'audience à la fin : [décision, budget, changement de priorité].

Construis le fil narratif en arc : la situation que l'audience connaît et admet, la tension (le chiffre ou le constat qui dérange ou surprend), l'exploration (pourquoi c'est comme ça, 2 ou 3 preuves maximum), la résolution (ce que je propose) et l'appel à décision. Découpe ensuite en slides : une idée par slide, le titre de chaque slide étant une phrase affirmative qui porte l'idée (la suite des titres seuls doit raconter toute l'histoire : vérifie-le).

Pour chaque chiffre clé, propose une incarnation qui le rend tangible (comparaison à une grandeur connue de l'audience, traduction en euros ou en clients par semaine). Contraintes : aucun chiffre inventé pour les besoins du récit, les réserves de l'analyse gardent une slide, pas une note de bas de page. Format : plan slide par slide avec titre et contenu.

Traduis mon résultat d'analyse en explication claire pour [public, ex. l'équipe de vente en réunion, des franchisés, un client final] qui n'a aucune culture statistique. Le résultat technique : [énoncer le résultat avec ses termes techniques, ex. corrélation de 0,7 entre X et Y, intervalle de confiance, résultat d'un test A/B, modèle de scoring]. Ce que le public doit en retenir pour agir : [l'action ou le changement attendu].

Produis trois niveaux d'explication : la version 30 secondes à l'oral (langage courant, une analogie de la vie quotidienne si elle aide, aucun terme technique), la version 5 minutes avec un exemple chiffré concret tiré de mes données, et la réponse aux 3 questions que ce public posera probablement.

Contraintes de fidélité, non négociables : la vulgarisation ne doit pas dire PLUS que le résultat technique (une corrélation ne devient pas une cause, une tendance ne devient pas une certitude, un résultat sur un segment ne devient pas général) ; signale explicitement chaque endroit où tu as simplifié et ce que la simplification laisse de côté. Format : les trois niveaux, puis la liste des simplifications assumées.

Je veux documenter [reporting concerné, ex. mon tableau de bord commercial mensuel, le rapport d'activité envoyé chaque lundi] pour qu'une autre personne puisse le produire, le comprendre et le corriger sans moi. Comment il est produit aujourd'hui : [décrire la mécanique : sources, extractions, fichiers, formules, retraitements manuels, diffusion]. Fréquence : [fréquence]. Destinataires : [qui le reçoit et ce qu'ils en font].

Rédige la documentation en quatre volets : le mode d'emploi de production (chaque étape dans l'ordre, avec l'endroit exact où cliquer ou la requête à lancer, les retraitements manuels honteux inclus : ce sont eux qui se perdent), le dictionnaire des indicateurs affichés (définition, formule, source de chacun), la carte des dépendances (ce qui casse le rapport : un export qui change de format, un accès qui expire, un onglet renommé), et le protocole d'incident (comment vérifier un chiffre contesté, qui prévenir, comment signaler un rapport faux déjà diffusé).

Pose-moi les questions dont tu as besoin si ma description a des trous, plutôt que de remplir avec des suppositions. Format : document structuré prêt à ranger dans [emplacement, ex. le Drive d'équipe].

Je dois croiser deux fichiers qui parlent des mêmes entités mais sans identifiant commun fiable : [fichier 1, ex. export CRM avec nom de société et email] et [fichier 2, ex. export comptable avec raison sociale et numéro de facture]. Colonnes du fichier 1 : [lister]. Colonnes du fichier 2 : [lister]. Extraits : [coller 10 lignes de chaque]. Objectif du croisement : [ce que je veux obtenir à la fin].

Construis la stratégie de rapprochement en cascades, de la plus sûre à la moins sûre : d'abord les clés exactes disponibles après normalisation (email en minuscules, SIREN, numéro nettoyé), puis les clés composites (nom normalisé plus code postal), puis le rapprochement approximatif sur les noms (en expliquant la méthode praticable dans [Excel, Google Sheets] et ses limites). À chaque cascade : combien de lignes appariées sur mes extraits, et le taux de faux positifs à craindre.

Contraintes : chaque appariement garde une colonne « méthode » qui dit par quelle cascade il est passé ; les non-appariés finissent dans une liste de travail manuel, jamais écartés en silence. Format : plan en cascades, formules, tableau de suivi des taux d'appariement.

Je ne peux pas examiner toute la population et je dois travailler sur un échantillon. Population : [description et taille, ex. 12 000 dossiers clients, 3 000 factures de l'année, 800 appels enregistrés]. Ce que je veux estimer ou vérifier : [objectif, ex. le taux d'erreur de saisie, la part de dossiers conformes]. Précision dont j'ai besoin pour décider : [ex. savoir si le taux dépasse 5 %, une estimation à plus ou moins 3 points].

Construis le plan : la taille d'échantillon nécessaire pour ma précision cible (montre le raisonnement simplement, sans formule parachutée), la méthode de tirage qui évite les biais évidents (aléatoire simple ou stratifié : si ma population a des sous-groupes très différents [décrire les strates possibles], recommande et dimensionne la stratification), et la procédure concrète de tirage dans [Excel ou Google Sheets] (formule de tirage aléatoire reproductible).

Liste les biais qui menacent MON cas malgré le tirage (dossiers introuvables remplacés par des faciles, période non représentative) et la parade pour chacun. Termine par la phrase type, honnête, pour présenter le résultat final avec sa marge d'incertitude.

Mon taux de conversion varie selon la façon de le calculer et je veux le fiabiliser une fois pour toutes. Contexte : [parcours concerné, ex. visite du site vers achat, devis vers signature, appel vers rendez-vous]. Sources de mesure : [outils, ex. GA4, CRM, logiciel de caisse]. Calculs actuellement utilisés et leurs résultats : [les différentes versions qui circulent].

Aide-moi à poser la définition rigoureuse : le numérateur (quel événement compte comme conversion, avec le sort des annulations, des doublons, des conversions multiples d'une même personne), le dénominateur (qui entre dans la base : visiteurs uniques ou visites, prospects qualifiés ou tous les contacts, sur quel critère d'entrée), et la fenêtre d'attribution (combien de temps entre l'entrée et la conversion, et à quelle période rattacher une conversion à cheval sur deux mois).

Pour chaque choix, montre l'effet sur le chiffre avec mes données et indique la convention la plus courante. Explique pourquoi mes calculs actuels divergent. Termine par la définition retenue en une phrase publiable, et les deux erreurs de lecture à prévenir chez ceux qui verront ce taux (comparer des taux à périmètres différents, moyenner des taux sans pondérer).

Je veux calculer et suivre le churn (attrition) de [activité, ex. mes abonnements logiciels, mes contrats d'entretien, ma salle de sport]. Données disponibles : [décrire, ex. export des abonnements avec date de début, date de fin, statut, montant mensuel]. Cycle de facturation : [mensuel, annuel, mixte].

Pose d'abord les décisions de définition, avec pour chacune l'option que tu recommandes pour mon cas et son effet sur le chiffre : churn en nombre de clients ou en revenu (les deux racontent des histoires différentes : montre un exemple chiffré), la base de départ (clients en début de période, en incluant ou non les nouveaux du mois), le sort des cas limites (pause, impayé en cours, downgrade, résiliation posée mais effective plus tard, client parti puis revenu).

Donne ensuite la formule exacte et son implémentation dans [Excel, Google Sheets ou SQL] sur mes données. Mets-moi en garde contre les pièges de lecture : mélange de cycles mensuels et annuels dans le même taux, churn qui s'améliore mécaniquement quand les ventes accélèrent, et pourquoi une lecture par cohortes d'ancienneté complète utilement le taux global. Format : décisions, formule, implémentation, pièges.

Je veux comprendre ce que chaque [produit, prestation ou famille] me rapporte vraiment. Données : [export disponible, ex. ventes par produit avec quantités et prix depuis mon logiciel de caisse, achats et coûts depuis ma compta]. Coûts identifiés : [lister : achats, matières, main-d'œuvre, frais fixes, port, commissions].

Construis l'analyse par étapes : la marge brute par produit (prix de vente moins coûts directs, en précisant HT partout), puis la question délicate des coûts indirects : propose 2 clés de répartition plausibles pour mon activité (au chiffre d'affaires, au temps passé, au volume), montre comment le classement des produits change selon la clé, et dis pourquoi aucune n'est « la vraie ».

Restitue en croisant marge en taux ET en euros avec le volume : le produit à fort taux qui ne se vend pas, le produit à faible taux qui fait le volume, et ce qu'on rate en regardant une seule des deux colonnes. Termine par les 3 décisions type que cette analyse peut éclairer (prix, arrêt, mise en avant) et pour chacune le chiffre complémentaire à vérifier avant de décider. Format : méthode, tableau type, lecture commentée.

Je veux mesurer à quel point mon activité dépend de quelques [clients, produits, canaux, références]. Données : [export, ex. CA par client sur 12 mois depuis ma facturation, ventes par référence depuis la caisse]. Outil : [Excel ou Google Sheets].

Guide la construction de l'analyse de concentration : classement décroissant, cumul et pourcentage cumulé (formules exactes dans mon outil), lecture des seuils parlants (combien d'éléments pour 50 % et 80 % du total, part du premier et des cinq premiers), et courbe de Pareto si utile (comment la tracer et la lire).

Va au-delà du constat : aide-moi à qualifier le RISQUE de cette concentration pour mon cas : que se passe-t-il si le premier [client ou produit] disparaît (impact en euros et en pourcentage), la concentration augmente-t-elle ou diminue-t-elle par rapport à [période de comparaison disponible], et la queue longue (les nombreux petits) coûte-t-elle plus qu'elle ne rapporte à servir ?

Contraintes : traiter le cas des éléments liés qui n'en font qu'un en réalité (même groupe, même acheteur), et ne pas conclure « couper la queue » sans regarder les coûts réels. Format : méthode, formules, lecture du risque en 5 lignes.

Je veux comparer les performances de mes [points de vente, agences, équipes, sites] sans être injuste : ils n'ont pas le même contexte. Unités à comparer : [lister, avec leurs différences connues : taille, zone, ancienneté, effectif, flux passant]. Données : [métriques disponibles par unité et période].

Construis le comparatif en trois temps. D'abord les métriques RAPPORTÉES à une base équitable (par vendeur, par mètre carré, par heure d'ouverture, par habitant de la zone : choisis les ratios pertinents pour mon activité et justifie). Ensuite la comparaison de chaque unité à elle-même (progression sur un an) : le classement par progression raconte-t-il autre chose que le classement brut ? Enfin les écarts inexplicables restants : ceux qui subsistent après normalisation et qui méritent une visite ou un entretien, pas une sanction.

Contraintes : signaler les unités trop récentes ou trop petites pour être classées, ne jamais résumer en un classement unique sans montrer les ratios qui le composent, et lister les facteurs que les données ne capturent pas (travaux, concurrence locale, absence longue). Format : tableau comparatif type, puis grille de lecture pour la revue avec les responsables.

Je veux analyser mon entonnoir de conversion pour trouver où concentrer l'effort. Parcours : [décrire les étapes dans l'ordre, ex. visite, fiche produit, panier, livraison, paiement, confirmation ; ou pour du B2B : lead, contact établi, rendez-vous, devis, signature]. Volumes par étape sur [période] : [coller les chiffres]. Source de mesure : [GA4, CRM, autre].

Calcule les taux de passage entre chaque étape consécutive (pas seulement le taux global de bout en bout) et identifie l'étape qui perd le plus, en valeur absolue de personnes perdues ET en taux : les deux lectures ne désignent pas toujours la même étape, explique laquelle prioriser pour mon objectif [objectif, ex. plus de signatures à trafic constant].

Avant de conclure, vérifie avec moi les pièges de mesure : étapes techniques qui ne se déclenchent pas toujours, personnes qui sautent une étape ou reviennent en arrière, fenêtre de mesure trop courte pour les parcours lents. Puis propose le croisement le plus instructif avec [segment disponible, ex. mobile contre ordinateur, source de trafic, taille de client] et ce qu'un écart entre segments impliquerait. Format : tableau des taux, diagnostic, 2 hypothèses d'amélioration testables sur l'étape prioritaire.

Je soupçonne un lien entre [variable 1, ex. la météo, le nombre d'avis en ligne, le délai de réponse aux devis] et [variable 2, ex. mes ventes, mon taux de signature] et je veux le vérifier proprement. Données : [coller les deux séries appariées, avec la granularité : par jour, par semaine, par dossier]. Intuition de départ : [ce que je crois et ce que j'en ferais si c'était confirmé].

Guide l'analyse dans [Excel ou Google Sheets] : d'abord le nuage de points et sa lecture (forme, sens, points aberrants qui tirent la relation), puis le coefficient de corrélation avec son interprétation en langage simple et les seuils au-delà desquels il devient digne d'intérêt vu mon nombre d'observations [nombre de points].

Ensuite, la partie qui compte : passe en revue les explications concurrentes avant toute conclusion causale : facteur commun qui influence les deux variables (saisonnalité en tête sur des séries temporelles), sens de la causalité inversé, pure coïncidence sur peu de points. Pour chacune, le test simple qui la renforce ou l'affaiblit avec mes données. Conclusion imposée en trois lignes : ce qui est établi, ce qui reste une hypothèse, et l'expérience concrète qui trancherait.