What is the difficulty level and which AI tool should I use?

This prompt is intermediate level. It works with all AI tools (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesIntermediateAll AIs

Correlation analysis between variables

Analyze correlations between dataset variables with business interpretation and heatmap visualization.

Paste in your AI

Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.

J'ai un dataset contenant [NOMBRE_VARIABLES] variables : [LISTE_VARIABLES]. Le dataset comporte [NOMBRE_OBSERVATIONS] observations sur la période [PERIODE]. L'objectif est de comprendre les relations entre ces variables pour [OBJECTIF_METIER].

Réalise une analyse de corrélation complète :

Calcule la matrice de corrélation (Pearson pour variables continues, Spearman si distribution non-normale, Kendall pour variables ordinales)
Identifie les paires de variables avec corrélation forte (|r| > 0.7) et modérée (|r| > 0.4)
Distingue corrélation et causalité pour les relations identifiées
Détecte la multicolinéarité problématique pour de futures analyses de régression
Représente graphiquement la matrice de corrélation (heatmap) avec le code approprié
Propose des hypothèses métier pour expliquer les corrélations les plus significatives
Identifie des variables potentiellement redondantes pouvant être supprimées

Contexte business : [CONTEXTE_BUSINESS]
Outil préféré : [OUTIL] (Python pandas/seaborn, R, Excel)

Fournis une interprétation en langage accessible pour des non-statisticiens.

Personalize this prompt with Léa

Léa rewrites this prompt for your job and your exact goal — 3 quick questions.

Why this prompt works

<p>The prompt is effective because it requests both technical calculation and accessible business interpretation, bridging the gap between statistical analysis and managerial decision-making. It avoids the correlation/causation trap.</p>

Use Cases

Customer satisfaction factor analysisSales driver identificationChurn determinant study

Expected Output

Annotated correlation matrix, identification of significant relationships, visualization code, and business interpretations.

Improve this prompt

Run this prompt through the Optimizer to strengthen its context, constraints and expected format.

Improve this prompt with the Optimizer

Comments

LéaAI
Pour détecter des relations non linéaires ignorées par Pearson, ajoutez une étape de visualisation par paires (scatter matrix) sur les variables à forte corrélation. Cela évite de fausses interprétations et affine vos hypothèses métier.