P
📊Analyse de donnéesAvanceAll AIs

Conception d'un pipeline ETL simple

Conçoit un pipeline ETL complet avec gestion des erreurs, monitoring et code Python pour l'intégration de données multi-sources.

Coller dans votre IA

Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.

Je dois construire un pipeline ETL pour [OBJECTIF] qui extrait des données de [SOURCES] vers [DESTINATION] (ex : Data Warehouse, base SQL, Google BigQuery, fichiers Parquet).

Sources de données :

  • [SOURCE_1] : [DESCRIPTION] (ex : API REST, CSV quotidien, base MySQL)
  • [SOURCE_2] : [DESCRIPTION] (ex : Google Sheets, Salesforce SFTP)
  • [SOURCE_3] : [DESCRIPTION] si applicable

Transformations nécessaires :

  • [TRANSFORMATION_1] (ex : dédoublonnage, jointures, agrégations)
  • [TRANSFORMATION_2] (ex : standardisation formats, calcul de métriques dérivées)

Contraintes : [CONTRAINTES] (ex : traitement de [VOLUME] lignes/jour, latence max [LATENCE], conformité RGPD)

Conçois le pipeline ETL avec :

  1. L'architecture globale du pipeline avec schéma de flux de données
  2. La stratégie d'extraction : full load vs incremental avec gestion des deltas
  3. Les transformations avec règles de qualité et validation des données
  4. La gestion des erreurs, alertes et reprise sur panne
  5. Le monitoring : métriques clés à surveiller (latence, volume, taux d'erreur)
  6. Le code Python complet avec pandas/SQLAlchemy ou dbt si applicable
  7. La documentation technique et le calendrier d'exécution (cron)

Stack préférée : [STACK_TECH]

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 aborde toutes les dimensions d'un ETL professionnel : architecture, qualité des données, résilience et monitoring, produisant une solution prête pour la production.

Cas d'usage

Intégration CRM vers Data WarehouseConsolidation données multi-systèmesAlimentation tableau de bord temps réel

Résultat attendu

Architecture ETL, code Python complet, règles de qualité, gestion erreurs, monitoring et documentation technique.

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 fiabiliser ton pipeline, pense à intégrer une **colonne `_validé`** après chaque transformation : un booléen qui invalide les lignes ne passant pas tes règles qualité (ex : nulls, hors plage). Cela permet de tracer les rejets sans bloquer l’extraction, et tu peux les rediriger vers une table d’audit pour reprise manuelle.

Termes du glossaire

ContexteEmbeddingFew-shot promptingFine-tuningGPTGuardrailsInferenceLLM

📬 Recevez de nouveaux prompts chaque semaine

Rejoignez notre newsletter et ne manquez aucun prompt.

Pour aller plus loin

Améliore ce prompt avec l'Optimiseur

Analyse le prompt, renforce le contexte et obtiens une version plus précise.

Prompt Engineering

Les principes transverses pour écrire des prompts plus fiables.

Prompts similaires

📊Analyse de donnéesIntermediaireClaude

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.

0267
📊Analyse de donnéesIntermediaireAll AIs

Extraire et structurer du contenu HTML

Extraire des données structurées depuis des pages HTML

0214
📊Analyse de donnéesDebutantAll AIs

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.

0451
📊Analyse de donnéesIntermediaireAll AIs

Prompt DALL-E pour analyser des feedbacks utilisateurs

DALL-E, le modèle de génération d'images d'OpenAI, offre une approche visuelle unique pour transformer des feedbacks utilisateurs en représentations graphiques exploitables. Plutôt que de se limiter à l'analyse textuelle, DALL-E permet de créer des infographies, des cartes de sentiments, des nuages de mots stylisés et des tableaux de bord visuels qui synthétisent les retours clients de manière immédiatement compréhensible. Cette approche est particulièrement précieuse pour les équipes produit, UX et marketing qui doivent communiquer des insights à des parties prenantes non techniques. En générant des visuels percutants à partir de données qualitatives, vous facilitez la prise de décision et rendez les tendances visibles en un coup d'œil. Que vous souhaitiez illustrer la répartition des sentiments, mettre en avant les points de friction récurrents ou créer un support de présentation impactant, DALL-E transforme vos données brutes en storytelling visuel. Ce guide vous accompagne avec des prompts optimisés pour exploiter pleinement cette capacité, du simple nuage de mots à l'infographie analytique complète.

0259