Analyse de corrélation entre variables
Analyse les corrélations entre variables d'un dataset avec interprétation métier et visualisation heatmap.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
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.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
Le prompt est efficace parce qu'il demande à la fois le calcul technique et l'interprétation business accessible, bridgeant le gap entre analyse statistique et décision managériale. Il évite le piège corrélation/causalité.
Cas d'usage
Résultat attendu
Matrice de corrélation commentée, identification des relations significatives, code de visualisation et interprétations métier.
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
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.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Jobs-to-be-Done analysis
Comprendre le vrai job de l'utilisateur
Rédiger une synthèse des conclusions
Communiquer les résultats aux dirigeants
Évaluer un modèle de régression
Évaluer la performance d'un modèle de régression
Prompt Claude pour analyser des feedbacks utilisateurs
L'analyse des feedbacks utilisateurs est un levier stratégique pour toute entreprise souhaitant améliorer ses produits et services. Pourtant, traiter manuellement des centaines, voire des milliers d'avis clients est chronophage et sujet aux biais d'interprétation. Claude excelle dans cette tâche grâce à sa capacité à comprendre les nuances du langage naturel, à détecter les sentiments implicites et à catégoriser automatiquement les retours selon des axes pertinents. Qu'il s'agisse d'avis produits, de tickets support, de réponses à des enquêtes NPS ou de commentaires sur les réseaux sociaux, Claude peut extraire des insights actionnables en quelques secondes. En structurant correctement votre prompt, vous obtenez une analyse systématique qui identifie les tendances récurrentes, hiérarchise les problèmes par impact et propose des recommandations concrètes. Cette approche transforme des données qualitatives brutes en un tableau de bord décisionnel clair, permettant aux équipes produit, support et marketing d'agir rapidement sur les points de friction identifiés par vos utilisateurs.