Détection d'anomalies dans les données
Détecte les anomalies et valeurs aberrantes dans un dataset avec plusieurs méthodes statistiques et scoring de sévérité.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je dois détecter des anomalies dans mon dataset [NOM_DATASET] contenant [NOMBRE_OBSERVATIONS] enregistrements et [NOMBRE_VARIABLES] variables. Les données représentent [DESCRIPTION] sur la période [PERIODE].
Type d'anomalies recherchées : [TYPE_ANOMALIES] (ex : fraudes transactions, pannes équipements, comportements clients inhabituels, erreurs de saisie)
Mets en place une détection d'anomalies complète :
- Analyse univariée : Z-score et IQR pour identifier les valeurs aberrantes par variable
- Analyse multivariée : Isolation Forest ou Local Outlier Factor pour les anomalies contextuelles
- Analyse temporelle : détection des ruptures de série et des pics inhabituels
- Règles métier : [REGLES_METIER] à implémenter comme filtres complémentaires
- Scoring des anomalies avec niveau de sévérité (critique, warning, info)
- Visualisation des anomalies détectées sur les dimensions clés
- Recommandations pour investiguer les 10 anomalies les plus critiques
Seuil d'alerte souhaité : [SEUIL_FAUX_POSITIFS] (ex : 1% de faux positifs acceptable)
Outil : [OUTIL] (Python, SQL, Excel)
Explique comment ajuster la sensibilité du système.
Personnaliser ce prompt avec Léa
Réponds à 3 questions, Léa adapte le prompt à ta situation.
Pourquoi ce prompt fonctionne
Le prompt est efficace car il combine méthodes univariées, multivariées et règles métier, couvrant tous les types d'anomalies possibles. Le concept de scoring de sévérité permet une priorisation immédiate des investigations.
Cas d'usage
Résultat attendu
Système de détection multi-méthodes avec anomalies scorées, visualisations et recommandations d'investigation.
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 réduire les faux positifs, combinez Isolation Forest et LOF en un score moyen pondéré, puis ajustez le seuil de décision sur un échantillon labellisé. Pensez aussi à normaliser les variables avant l'analyse multivariée.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.