Analyse de données RH et workforce analytics
Analyse complète des données RH avec prédiction du turnover, ROI formations et recommandations de gestion des talents.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je dois analyser les données RH de [ORGANISATION] ([NOMBRE_EMPLOYES] employés) pour [PERIODE]. Données disponibles : [DONNEES_DISPONIBLES] (ex : effectifs, absences, turnover, formations, performance reviews, ancienneté, salaires, recrutement).
Objectif de l'analyse : [OBJECTIF_RH] (ex : réduire le turnover, anticiper les besoins en recrutement, mesurer l'efficacité des formations)
Réalise une analyse workforce complète :
- Tableau de bord des effectifs : répartition par département, ancienneté, genre, type de contrat
- Analyse du turnover : taux par département/période/profil avec identification des facteurs de risque
- Modèle prédictif du risque de départ : quels collaborateurs ont le plus fort risque de quitter dans les 6 mois
- Analyse des absences : taux, durées, causes, patterns temporels et corrélation avec l'engagement
- ROI des formations : corrélation entre heures de formation et performance/rétention
- Analyse des écarts de rémunération par profil (genre, ancienneté, département)
- Pyramide des âges et anticipation des départs en retraite sur 5 ans
- Recommandations prioritaires pour [OBJECTIF_RH] avec indicateurs de suivi
Conformité RGPD : précise les données à anonymiser.
Outil : [OUTIL] (Excel, Power BI, Python)
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
Ce prompt est efficace car il intègre à la fois l'analyse descriptive et le modèle prédictif du churn RH, passant de l'observation à l'anticipation avec une mention importante de la conformité RGPD.
Cas d'usage
Résultat attendu
Dashboard RH complet, modèle prédictif turnover, analyse ROI formations, pyramide des âges et recommandations.
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 un modèle prédictif fiable, commencez par nettoyer les données : repérez les valeurs manquantes et les outliers sur l’ancienneté et les salaires. Sans cette étape, le risque d’erreur augmente. Utilisez une validation croisée pour éviter le surapprentissage, surtout si vous avez peu d’employés.
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 GitHub Copilot pour analyser des données
GitHub Copilot, l'assistant IA développé par GitHub et OpenAI, ne se limite pas à la génération de code. C'est un outil redoutable pour analyser des données directement dans votre environnement de développement. Que vous travailliez avec des fichiers CSV, des bases de données SQL ou des DataFrames pandas, Copilot peut vous aider à explorer, nettoyer, transformer et visualiser vos données sans quitter votre IDE. En formulant des prompts précis, vous pouvez lui demander de détecter des anomalies, calculer des statistiques descriptives, identifier des corrélations ou générer des graphiques pertinents. L'avantage majeur de Copilot pour l'analyse de données réside dans sa capacité à comprendre le contexte de votre code existant : il s'adapte aux bibliothèques que vous utilisez (pandas, numpy, matplotlib, seaborn) et propose des analyses cohérentes avec la structure de vos données. Ce guide vous présente les meilleurs prompts pour tirer parti de GitHub Copilot dans vos tâches d'analyse de données, du nettoyage initial jusqu'à la création de rapports visuels exploitables.