30 prompts ChatGPT pour la data analyse
Vous savez ce que vous cherchez dans vos données, mais la requête SQL coince, la formule Excel refuse de marcher et le graphique Python ne ressemble à rien. Le blocage n'est pas votre analyse, c'est la syntaxe. Voici 30 prompts data prêts à copier : SQL, Python, Excel, nettoyage, dataviz, statistiques. Vous remplacez trois crochets et vous récupérez du code qui tourne.
Pourquoi vos prompts ChatGPT data analyse donnent du code qui ne tourne pas ?
Parce qu'il manque le contexte technique. Une demande comme « écris une requête SQL » ne dit rien à l'IA de vos tables, de vos types de colonnes ni de votre dialecte. Elle devine, et devine souvent mal. Donnez la structure de vos données, le moteur utilisé et un échantillon, et le code devient exécutable du premier coup.
En pratique, la différence tient à trois lignes. « Table ventes(id, date DATE, montant NUMERIC, client_id INT), moteur PostgreSQL » vaut mieux que dix reformulations d'un prompt flou.
C'est ce que font les prompts ci-dessus : ils vous obligent à décrire vos données avant de demander le code. Vous ne débuguez plus un brouillon, vous partez d'une base fiable.
Combien de temps l'IA fait-elle gagner à un analyste de données ?
Sur l'écriture de requêtes, le débogage et le nettoyage, un analyste gagne en moyenne 30 à 45 minutes par jour une fois les bons prompts en place. Le gain vient surtout des tâches répétitives : traduire une question en SQL, corriger une erreur, documenter un script. L'IA défriche, l'analyste valide et affine.
Ce temps se déplace vers ce qui compte vraiment : comprendre le besoin métier, vérifier la fiabilité des chiffres et interpréter les résultats. Ces trois étapes restent le cœur du métier.
Sur une année, 40 minutes par jour représentent plus de 20 journées récupérées. De quoi traiter davantage de demandes sans allonger les délais.
Peut-on faire confiance au code que ChatGPT génère ?
Pas sans le tester. L'IA produit un premier jet, pas une version validée. Elle se trompe régulièrement sur les jointures, les agrégations, la gestion des valeurs nulles ou les fuseaux de date. Le bon réflexe : exécuter le code sur un échantillon, vérifier les totaux à la main et confirmer que le résultat répond bien à la question posée.
Considérez l'IA comme un assistant rapide, pas comme une source de vérité. Elle accélère l'écriture, mais c'est vous qui garantissez la justesse du chiffre livré.
C'est justement ce qu'on travaille en formation : garder le contrôle sur la qualité des données tout en profitant de la vitesse de l'IA.
Ces prompts fonctionnent-ils avec d'autres IA que ChatGPT ?
Oui. Ces prompts data fonctionnent avec ChatGPT, mais aussi avec Claude, Gemini, Copilot ou Le Chat de Mistral. La logique reste identique : rôle, structure des données, objectif, format. Certaines IA gèrent mieux le code long ou l'analyse de fichiers joints, mais un prompt bien construit reste efficace de l'une à l'autre.
En pratique, beaucoup d'analystes utilisent l'IA intégrée à leur environnement (assistant SQL, copilote dans le tableur) pour les tâches courtes, et un modèle plus puissant pour les analyses complexes.
L'important n'est pas l'outil du moment, c'est votre méthode de prompt. Une fois acquise, elle reste valable quelle que soit l'IA adoptée par votre entreprise.
Les prompts prêts à l'emploi
Écrire une requête SQL à partir d'une question métier
Tu es data analyst expert en SQL. Voici mes tables : [nom_table et colonnes avec leurs types, par exemple ventes(id, date, montant, client_id) et clients(client_id, nom, region)]. Dialecte : [PostgreSQL / BigQuery / MySQL]. Écris une requête qui répond à cette question : [ta question métier]. Commente chaque étape et utilise des alias clairs. Si plusieurs interprétations sont possibles, indique laquelle tu as choisie.
Dès qu'une demande métier arrive et que vous devez traduire une question en requête sans partir de zéro.
Déboguer une requête SQL qui renvoie une erreur
Tu es expert SQL. Voici ma requête : [colle la requête]. Dialecte : [précise-le]. J'obtiens cette erreur : [colle le message]. Explique la cause précise de l'erreur, corrige la requête, et signale au passage les autres problèmes potentiels (jointures manquantes, ambiguïté de colonnes, agrégation incorrecte).
Quand une requête plante et que le message d'erreur reste obscur.
Optimiser une requête SQL lente
Tu es expert en performance SQL. Voici une requête qui met [X] secondes à s'exécuter sur environ [nombre] lignes : [colle la requête]. Dialecte : [précise-le]. Propose une version optimisée, explique chaque optimisation (index, sous-requête vs jointure, filtrage anticipé), et indique quels index créer si nécessaire.
Quand un rapport ou un dashboard rame à cause d'une requête trop lourde.
Traduire une requête d'un dialecte SQL à un autre
Tu es expert en bases de données. Voici une requête écrite en [dialecte source, ex. MySQL] : [colle la requête]. Réécris-la en [dialecte cible, ex. BigQuery] en respectant sa syntaxe (fonctions de date, gestion des chaînes, LIMIT/TOP). Signale chaque différence de comportement possible entre les deux dialectes.
Lors d'une migration de base ou quand vous reprenez du code écrit pour un autre moteur.
Nettoyer un jeu de données avec pandas
Tu es data analyst Python. J'ai un DataFrame pandas nommé [df] avec ces colonnes : [liste-les avec leurs types]. Problèmes constatés : [valeurs manquantes, doublons, dates au mauvais format, espaces parasites…]. Écris un script pandas reproductible qui nettoie ces problèmes, commenté ligne par ligne, et qui affiche un résumé avant/après (nombre de lignes, valeurs manquantes par colonne).
Au démarrage d'une analyse, quand le fichier brut est sale et doit être fiabilisé.
Détecter les valeurs aberrantes
Tu es statisticien. J'ai une colonne numérique [nom] dans un jeu de données [décris le contexte : montants, durées, âges…]. Propose une méthode pour identifier les valeurs aberrantes (écart interquartile, écart-type, ou autre selon la distribution), écris le code Python correspondant, et explique comment décider si une valeur aberrante doit être corrigée, supprimée ou conservée.
Avant toute analyse, pour repérer les points qui vont fausser vos moyennes et vos modèles.
Créer un graphique clair avec Python
Tu es expert en visualisation de données. J'ai un DataFrame [df] avec les colonnes [liste-les]. Je veux visualiser [ce que tu veux montrer : évolution dans le temps, comparaison entre catégories, distribution]. Écris le code [matplotlib / seaborn / plotly] pour un graphique lisible : titre explicite, axes légendés, palette sobre. Explique pourquoi ce type de graphique convient à ce message.
Quand vous devez illustrer un résultat et hésitez sur le bon type de graphique.
Traduire un besoin en formule Excel
Tu es expert Excel. Voici ma structure : [décris tes colonnes et sur quelle plage tu travailles, ex. données en A2:D500]. Je veux [le calcul souhaité : recherche croisée, cumul conditionnel, comptage selon critères]. Donne la formule exacte, précise dans quelle cellule la saisir, et explique chaque partie. Propose aussi une version avec les fonctions récentes (RECHERCHEX, FILTRE) si pertinent.
Quand un calcul semble simple mais que la bonne combinaison de fonctions vous échappe.
Construire un tableau croisé dynamique
Tu es analyste tableur. J'ai un tableau de données avec ces colonnes : [liste-les]. Je veux analyser [ta question, ex. le chiffre d'affaires par région et par mois]. Explique pas à pas comment construire le tableau croisé dynamique dans [Excel / Google Sheets] : quels champs en lignes, en colonnes, en valeurs, et quels filtres. Suggère 2 façons de présenter le résultat.
Pour agréger rapidement des données sans écrire de formule, quand vous débutez sur les TCD.
Expliquer un jeu de données inconnu
Tu es data analyst. Voici les 10 premières lignes d'un fichier et la liste de ses colonnes : [colle l'échantillon]. Décris ce que représente probablement chaque colonne, son type, sa granularité (une ligne = quoi ?), et signale les colonnes ambiguës. Propose ensuite 5 questions d'analyse pertinentes qu'on pourrait explorer avec ces données.
Quand on vous transmet un fichier sans documentation et que vous devez le comprendre vite.
Analyser une corrélation entre deux variables
Tu es statisticien. Je veux étudier la relation entre [variable A] et [variable B] dans mon jeu de données [décris le contexte]. Explique quelle mesure de corrélation utiliser selon le type des variables, écris le code Python pour la calculer et la visualiser, et rappelle-moi les pièges d'interprétation (corrélation n'est pas causalité, variables cachées, taille d'échantillon).
Quand vous soupçonnez un lien entre deux mesures et devez le vérifier proprement.
Réaliser une analyse de cohortes
Tu es analyste rétention. J'ai des données [utilisateurs / clients] avec au moins : identifiant, date de première action, et dates des actions suivantes. Explique comment construire une analyse de cohortes par mois d'acquisition, écris le code [SQL ou pandas] pour produire la table de rétention, et indique comment lire le résultat pour repérer les cohortes qui décrochent.
Pour mesurer la rétention et comprendre à quel moment vos utilisateurs se désengagent.
Segmenter des clients (analyse RFM)
Tu es analyste marketing data. J'ai des données de transactions avec : client_id, date d'achat, montant. Explique la méthode RFM (récence, fréquence, montant), écris le code [SQL ou pandas] qui attribue un score RFM à chaque client et les répartit en segments, puis décris chaque segment obtenu et l'action marketing associée.
Pour prioriser vos actions client en séparant vos meilleurs profils des inactifs.
Interpréter un résultat statistique
Tu es data scientist pédagogue. Voici un résultat que j'ai obtenu : [colle la sortie, ex. p-value, coefficient de régression, intervalle de confiance]. Explique en langage simple ce que ce chiffre signifie, s'il est significatif, ce qu'il permet de conclure, et surtout ce qu'il ne permet PAS d'affirmer. Adapte l'explication à un public [technique / non technique].
Quand un test statistique renvoie des chiffres que vous devez expliquer sans les trahir.
Documenter une requête ou un script
Tu es développeur data soucieux de la maintenabilité. Voici un script [SQL / Python] sans commentaires : [colle le code]. Ajoute une documentation claire : un en-tête décrivant l'objectif, les entrées, les sorties, et des commentaires expliquant les étapes non évidentes. Ne modifie pas la logique du code, seulement sa lisibilité.
Avant de partager ou d'archiver un code que d'autres devront reprendre plus tard.
Vérifier la qualité d'un jeu de données
Tu es responsable qualité des données. J'ai un jeu de données avec ces colonnes : [liste-les avec leurs types]. Écris un script [pandas / SQL] qui produit un rapport de qualité : taux de valeurs manquantes par colonne, doublons, valeurs hors bornes attendues, cohérence des types, et cardinalité des colonnes clés. Termine par une liste de points à corriger en priorité.
En début de projet, pour évaluer si un jeu de données est exploitable avant d'investir du temps dessus.
Construire un indicateur (KPI) à partir de données brutes
Tu es analyste de la performance. Je veux calculer ce KPI : [décris-le, ex. taux de conversion mensuel, panier moyen, churn]. Mes données disponibles : [décris les tables et colonnes]. Propose une définition précise et sans ambiguïté du KPI, écris la requête [SQL] qui le calcule par [période], et signale les cas particuliers à traiter (doublons, valeurs nulles, période partielle).
Quand un KPI doit être défini rigoureusement avant d'être suivi dans un dashboard.
Générer des données de test réalistes
Tu es data engineer. J'ai besoin d'un jeu de données factice pour tester [un tableau de bord / une requête]. Génère un script Python (avec pandas et Faker) créant [nombre] lignes avec ces colonnes : [liste-les avec le type de valeurs attendues]. Les données doivent être réalistes et cohérentes entre elles (dates dans le bon ordre, montants plausibles). Sauvegarde en CSV.
Pour tester un dashboard ou une requête sans exposer de vraies données sensibles.
Comparer deux périodes ou deux groupes
Tu es analyste. Je veux comparer [période A vs période B, ou groupe A vs groupe B] sur les indicateurs [liste-les]. Mes données : [décris-les]. Écris la requête [SQL] ou le code [pandas] qui produit un tableau comparatif avec, pour chaque indicateur, la valeur A, la valeur B, l'écart absolu et l'écart en pourcentage. Ajoute une lecture rapide des écarts les plus marquants.
Pour un bilan avant/après ou un test A/B, quand vous devez chiffrer une variation.
Résumer les tendances d'un jeu de données
Tu es data analyst. Voici un résumé statistique de mon jeu de données (sortie de describe() ou un tableau agrégé) : [colle-le]. Contexte métier : [décris-le]. Rédige une synthèse des 5 tendances les plus notables, en langage clair, avec pour chacune le chiffre à l'appui et une hypothèse d'explication à creuser. Ne conserve que ce qui est actionnable.
Après une première exploration, pour transformer des chiffres bruts en constats lisibles.
Rédiger un data story pour un comité de direction
Tu es expert en data storytelling. Voici mes résultats d'analyse : [colle les chiffres clés]. Public : [comité de direction / équipe métier non technique]. Rédige une synthèse structurée : un message principal en une phrase, 3 constats chiffrés qui le soutiennent, une recommandation concrète, et les limites de l'analyse. Bannis le jargon technique et privilégie l'impact business.
Avant une présentation, pour transformer une analyse en message que la direction retient.
Choisir le bon graphique pour un message
Tu es expert en visualisation. Je veux faire passer ce message : [décris ce que tu veux montrer]. Mes données : [type et nombre de variables, catégorielles ou numériques]. Recommande le type de graphique le plus adapté, explique pourquoi, cite 2 types à éviter dans ce cas, et donne 3 règles de lisibilité à respecter pour ce graphique.
Quand un chiffre est juste mais que le graphique choisi brouille le message.
Automatiser un rapport récurrent
Tu es data analyst orienté automatisation. Je produis chaque [semaine/mois] ce rapport manuellement : [décris les étapes]. Sources de données : [décris-les]. Propose un script Python reproductible qui extrait, agrège et met en forme le rapport, avec des paramètres pour la période. Commente le code et indique comment le planifier pour qu'il tourne automatiquement.
Quand un même rapport vous prend des heures chaque période et pourrait tourner seul.
Écrire une expression régulière (regex)
Tu es expert en traitement de texte. Je veux extraire ou valider [décris le motif : e-mails, codes postaux, numéros de commande au format X…] dans une colonne texte. Donne l'expression régulière, explique chaque partie, montre comment l'utiliser en [Python / SQL], et fournis 3 exemples qui correspondent et 3 qui ne correspondent pas pour tester.
Pour nettoyer ou extraire des motifs précis dans des colonnes texte mal structurées.
Prévoir une série temporelle simple
Tu es analyste prévision. J'ai une série temporelle : [décris-la, ex. ventes mensuelles sur 3 ans]. Explique quelle approche de prévision convient à un premier essai, écris le code Python correspondant, produis une prévision sur [X périodes] avec un intervalle de confiance, et rappelle les hypothèses et limites de cette méthode.
Pour une première estimation de tendance future avant de sortir l'artillerie lourde.
Réconcilier deux sources de données
Tu es data analyst. J'ai deux fichiers qui devraient concorder : [décris source A et source B, leurs colonnes de rapprochement]. Je constate des écarts. Écris le code [SQL / pandas] qui identifie les lignes présentes dans l'une mais pas dans l'autre, celles avec des valeurs divergentes, et produit un rapport de rapprochement. Explique les causes fréquentes de ce type d'écart.
Quand deux systèmes affichent des chiffres différents et qu'il faut trouver la source de l'écart.
Créer un dictionnaire de données
Tu es data steward. Voici la liste des colonnes d'une table avec un échantillon de valeurs : [colle-les]. Rédige un dictionnaire de données sous forme de tableau : nom de la colonne, type, description en langage métier, valeurs possibles ou plage attendue, et remarques (colonne calculée, clé, valeur nullable). Signale les colonnes dont le sens reste à confirmer.
Pour documenter une table et éviter que chacun interprète les colonnes à sa façon.
Formuler des hypothèses à tester
Tu es analyste exploratoire. Contexte métier : [décris ton activité et le problème observé, ex. baisse du taux de conversion]. Données disponibles : [liste les tables et colonnes]. Propose 8 hypothèses testables pour expliquer ce phénomène, classées de la plus probable à la moins probable, et pour chacune indique quelle analyse permettrait de la confirmer ou de l'écarter.
Face à un problème métier flou, pour cadrer l'exploration avant de plonger dans les données.
Convertir du code entre Excel, SQL et Python
Tu es polyvalent en outils data. Voici une logique de calcul que j'ai en [Excel / SQL / Python] : [colle la formule ou le code]. Réécris-la en [outil cible]. Explique les différences d'approche entre les deux, signale les pièges de conversion (gestion des dates, valeurs nulles, arrondis), et vérifie que le résultat reste identique.
Quand vous industrialisez un calcul Excel dans une base de données ou un script.
Préparer une checklist avant de livrer une analyse
Tu es data analyst senior. Je m'apprête à livrer une analyse sur [décris le sujet et le livrable]. Génère une checklist de vérification avant livraison : qualité et fraîcheur des données, cohérence des chiffres avec d'autres sources, clarté des graphiques, limites explicitées, reproductibilité du code, et adéquation au besoin métier initial. Ajoute 3 questions qu'un relecteur exigeant pourrait poser.
Juste avant d'envoyer un livrable, pour éviter l'erreur qui décrédibilise tout le travail.
Questions fréquentes
Ces prompts ChatGPT data analyse sont-ils vraiment gratuits ?
Oui. Les 30 prompts de cette page sont libres d'utilisation : copiez-les, adaptez-les, intégrez-les à vos process. Le pack complet téléchargeable ajoute des variantes par outil (BigQuery, Snowflake, Power BI), des exemples remplis et des prompts avancés, en échange de votre e-mail.
Faut-il savoir coder pour utiliser ces prompts data ?
Non pour les prompts Excel, tableaux croisés et interprétation de résultats, accessibles à tout analyste métier. Les prompts SQL et Python demandent de savoir lire et exécuter le code généré, sans forcément l'écrire soi-même. L'IA abaisse la barrière technique, mais vous devez rester capable de vérifier le résultat.
L'IA peut-elle se tromper dans une requête SQL ?
Oui, et c'est fréquent sur les jointures, les agrégations, la gestion des valeurs nulles ou les calculs de dates. Testez toujours le code sur un échantillon et confrontez les totaux à une source connue avant de livrer un chiffre. L'IA accélère l'écriture, elle ne remplace pas votre contrôle qualité.
Comment adapter un prompt à mon jeu de données ?
Remplacez les crochets par vos noms de tables, vos colonnes et leurs types, précisez votre dialecte SQL ou votre outil, et collez un échantillon de 3 à 5 lignes si possible. Plus vous décrivez précisément vos données, plus le code produit est juste et directement exécutable.
Puis-je coller mes vraies données dans ChatGPT ?
Prudence. Évitez d'y saisir des données personnelles ou confidentielles sans avoir vérifié le paramétrage de confidentialité de l'outil. Le bon réflexe : partager la structure des tables et un échantillon anonymisé plutôt que le jeu complet. Ce point de conformité RGPD est abordé en formation.
Ces prompts fonctionnent-ils avec Power BI ou Tableau ?
Oui pour la logique. Vous pouvez demander à l'IA d'écrire une mesure DAX pour Power BI ou une expression pour Tableau en précisant l'outil dans le prompt. La méthode reste la même : décrivez vos champs, votre objectif et le format attendu, puis testez la mesure dans votre rapport.
Puis-je enchaîner plusieurs prompts sur la même analyse ?
Oui, et c'est recommandé. Faites d'abord expliquer le jeu de données, puis nettoyer, puis calculer les KPI, puis rédiger la synthèse. Chaque prompt s'appuie sur le résultat du précédent : c'est ainsi qu'on obtient une analyse cohérente de bout en bout, du fichier brut au data story.
L'IA peut-elle remplacer un data analyst ?
Non. Elle accélère l'écriture de code, le débogage et la mise en forme, mais le cadrage du besoin, le choix des indicateurs, la vérification des chiffres et l'interprétation métier restent le cœur du métier. Les analystes qui gagnent sont ceux qui utilisent l'IA comme un accélérateur, pas comme un pilote automatique.
Une formation est-elle utile si j'ai déjà ces prompts ?
Oui. Les prompts vous font gagner du temps tout de suite ; la formation vous apprend à les créer vous-même, à les enchaîner, à sécuriser vos données et à intégrer l'IA dans votre chaîne d'analyse quotidienne. C'est la différence entre copier une requête et maîtriser sa méthode. Nos formations sont finançables OPCO et FNE grâce à notre certification Qualiopi.
Comment financer une formation IA pour mon équipe data avec l'OPCO ?
Notre certification Qualiopi ouvre droit à une prise en charge OPCO et au dispositif FNE-Formation. Vous nous transmettez votre effectif et votre secteur, nous montons le dossier et le devis à joindre à votre demande. Comptez environ trois à quatre semaines entre l'accord de financement et le démarrage de la session.
Faut-il des prérequis pour se former à l'IA en data analyse ?
Un usage quotidien d'Excel ou d'un outil d'analyse suffit pour le niveau initiation. Pour les modules SQL et Python avancés, une pratique régulière de ces langages est attendue. Nous ajustons le contenu après un questionnaire de positionnement, pour que chaque participant reparte avec des prompts adaptés à son niveau réel.
L'AI Act change-t-il quelque chose pour l'analyse de données par IA ?
Oui, sur la traçabilité et la transparence. Dès qu'une décision s'appuie sur un traitement automatisé, vous devez pouvoir documenter la source des données et la logique appliquée. Nos formations intègrent ce cadre : garder l'humain dans la boucle, journaliser les prompts sensibles et anonymiser les jeux de données avant tout envoi à une IA externe.
Recevez les 30 prompts data analyse dans un pack prêt à l'emploi
pack complet gated