Les 10 meilleurs prompts ChatGPT pour Data Analysts en 2026

Tu es un Data Analyst senior. Je vais te fournir un extrait
de mon dataset (les 20 premieres lignes + les noms de colonnes).

Produis une analyse exploratoire structuree :
1. Type de chaque colonne (categorielle, numerique, date, ID)
2. Valeurs manquantes probables et strategie de traitement
3. Colonnes potentiellement inutiles ou redondantes
4. 5 questions business que ce dataset permet de resoudre
5. 3 croisements de colonnes interessants a explorer
6. Risques qualite a verifier (doublons, format, encodage)

Formate ta reponse en tableau Markdown pour les points 1-3
et en liste numerotee pour les points 4-6.

Voici la sortie de df.info() et df.describe() de mon dataset :
[coller ici]

Genere un script Python/Pandas complet qui :
1. Supprime les colonnes avec plus de 40% de valeurs manquantes
2. Impute les valeurs manquantes (mediane pour numerique,
   mode pour categoriel)
3. Detecte et traite les doublons
4. Standardise les formats de dates en datetime
5. Supprime les outliers au-dela de 3 ecarts-types
   (sauf colonne "revenue" — garder les gros montants)
6. Cree des colonnes derivees utiles (mois, jour de semaine,
   tranche d'age si applicable)

Ajoute des commentaires en francais et un print() de
verification apres chaque etape. Nomme le DataFrame
final "df_clean".

Base de donnees PostgreSQL avec ces tables :
- clients (id, nom, email, ville, date_inscription, segment)
- commandes (id, client_id, montant, date_commande, statut)
- produits (id, nom, categorie, prix_unitaire)
- lignes_commande (commande_id, produit_id, quantite)

Ecris une requete SQL qui :
- Calcule le CA mensuel par segment client sur les 12
  derniers mois
- Ajoute la variation M-1 en pourcentage (window function)
- Ajoute le CA cumule depuis janvier
- Filtre uniquement les commandes avec statut = 'livree'
- Trie par mois DESC puis CA DESC

Utilise des CTEs pour la lisibilite. Commente chaque bloc.
Compatible PostgreSQL 15.

J'ai un DataFrame "df" avec les colonnes :
- user_id, order_date, order_value

Genere un script Python complet pour :
1. Definir la cohorte de chaque utilisateur (mois de sa
   premiere commande)
2. Calculer le taux de retention mois par mois (M+1 a M+12)
3. Creer une heatmap de retention avec seaborn
   (format pourcentage, palette "YlGnBu")
4. Calculer la LTV moyenne par cohorte
5. Identifier la cohorte avec la meilleure retention a M+3

Ajoute une interpretation en 3 bullet points des
resultats obtenus.

Analyse la colonne "montant_transaction" de mon dataset
(je joins le fichier CSV).

Pour chaque anomalie detectee :
1. Methode utilisee (IQR, Z-score, isolation forest)
2. Nombre de valeurs concernees
3. Classification : erreur probable vs. valeur extreme
   legitime (justifie ton raisonnement)
4. Recommandation : supprimer, imputer, ou conserver

Cree un graphique boxplot + scatter avec les anomalies
colorees en rouge. Exporte un DataFrame "df_anomalies"
avec une colonne "type_anomalie" ajoutee.

Je dois creer un dashboard Power BI pour le directeur
commercial. Donnees disponibles :
- Table "Ventes" : date, produit, montant, vendeur, region
- Table "Objectifs" : mois, region, objectif_ca
- Table "Clients" : id, segment, date_acquisition

Propose :
1. L'architecture du dashboard (nombre de pages, nom de
   chaque page, objectif de chaque page)
2. Pour chaque page, les visuels recommandes avec les
   axes/valeurs/filtres
3. Les mesures DAX necessaires (CA, variation M-1,
   taux d'atteinte objectif, CA cumule YTD)
4. Les slicers globaux a implementer
5. Un code couleur coherent (max 3 couleurs)

Le dashboard doit repondre a ces 3 questions :
- Sommes-nous sur la trajectoire pour atteindre l'objectif ?
- Quelles regions sous-performent ?
- Quels vendeurs portent la croissance ?

Cree un script Python qui automatise mon reporting
hebdomadaire :

Source : fichier Excel "ventes_semaine.xlsx" (colonnes :
date, produit, quantite, montant, region)

Le script doit :
1. Lire le fichier et calculer les KPIs : CA total,
   top 3 produits, region n1, variation vs semaine N-1
2. Generer un fichier Excel formate avec openpyxl :
   - Onglet "Resume" avec les KPIs en gras
   - Onglet "Detail" avec un tableau croise produit x region
   - Onglet "Graphiques" avec un bar chart du CA par region
3. Envoyer le fichier par email via smtplib (template
   HTML avec les KPIs cles dans le corps du mail)

Le script doit fonctionner en un clic. Gestion d'erreurs
incluse. Commentaires en francais.

Voici les resultats de mon analyse :
[coller les chiffres cles, tableaux ou conclusions]

Reformule ces resultats pour une presentation au CODIR
(comite de direction). Mon audience :
- Directeur General (focus ROI et strategie)
- Directrice Marketing (focus acquisition et conversion)
- DAF (focus couts et marges)

Pour chaque resultat :
1. Un titre percutant (une phrase)
2. Le chiffre cle mis en contexte (comparaison, tendance)
3. L'implication business concrete
4. Une recommandation actionnable

Ton : professionnel, direct, sans jargon technique.
Pas de mention de "correleation p-value" ou de "R carre"
— traduire en impact business.

Mon code Python produit une erreur. Voici :

CODE :
[coller le code]

ERREUR :
[coller le traceback complet]

CONTEXTE :
- Python 3.11, Pandas 2.2, sur VS Code
- Le DataFrame "df" a 45 000 lignes et 12 colonnes
- L'objectif du code : [decrire en une phrase]

Reponds avec :
1. La cause exacte de l'erreur (une phrase)
2. Le code corrige (uniquement les lignes modifiees,
   surlignees avec un commentaire "# MODIFIE")
3. Pourquoi l'erreur s'est produite (pour eviter de la
   reproduire)
4. Un test rapide pour verifier que la correction
   fonctionne

Simule un entretien technique pour un poste de Data
Analyst dans une entreprise e-commerce. Niveau : junior
a confirme (1-3 ans d'experience).

Deroulement :
1. Pose-moi 3 questions SQL (difficulte croissante)
2. Pose-moi 2 questions Python/Pandas
3. Pose-moi 1 cas pratique business (type "on te donne
   ce dataset, qu'est-ce que tu fais ?")
4. Pose-moi 1 question comportementale ("raconte-moi
   une fois ou...")

Apres chaque reponse de ma part :
- Note ma reponse sur 10
- Donne la reponse ideale attendue
- Identifie ce que j'ai bien fait et ce qui manque
- Passe a la question suivante

Commence par la premiere question SQL.