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 : 1. Calcule la matrice de corrélation (Pearson pour variables continues, Spearman si distribution non-normale, Kendall pour variables ordinales) 2. Identifie les paires de variables avec corrélation forte (|r| > 0.7) et modérée (|r| > 0.4) 3. Distingue corrélation et causalité pour les relations identifiées 4. Détecte la multicolinéarité problématique pour de futures analyses de régression 5. Représente graphiquement la matrice de corrélation (heatmap) avec le code approprié 6. Propose des hypothèses métier pour expliquer les corrélations les plus significatives 7. 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.
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.
Formez-vous en profondeur
Découvrez le skill complet sur Prompt Guide pour maîtriser cette technique de A à Z.
Voir sur Prompt GuideTermes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Prompts similaires
Choisir la bonne visualisation pour ses données
Guide le choix du type de graphique optimal selon les données, l'audience et le message à communiquer.
Détection d'anomalies dans les données
Détecte les anomalies et valeurs aberrantes dans un dataset avec plusieurs méthodes statistiques et scoring de sévérité.
Interprétation des résultats d'un A/B test
Analyse statistique rigoureuse des résultats d'un A/B test avec vérification des biais et recommandation de déploiement.
Analyse de cohorte et rétention clients
Analyse de cohorte complète pour mesurer et comprendre la rétention clients avec identification du moment aha.