Quel est le niveau de difficulté et quel outil IA utiliser ?

Ce prompt est de niveau intermédiaire. Il est compatible avec tous les outils IA (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesIntermediaireAll AIs

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

Réponds à 3 questions, Léa adapte le prompt à ta situation.

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

Analyse des facteurs de satisfaction clientIdentification des drivers de ventesÉtude des déterminants de churn

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'Optimiseur

Commentaires

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.