Rédaction de requêtes SQL pour analyse des ventes
Génère des requêtes SQL optimisées pour une analyse complète des données de ventes selon vos tables et besoins spécifiques.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je travaille avec une base de données [TYPE_BDD] (PostgreSQL / MySQL / BigQuery / Snowflake) contenant les tables suivantes :
- [TABLE_1] : [DESCRIPTION_TABLE_1] avec les colonnes [COLONNES_1]
- [TABLE_2] : [DESCRIPTION_TABLE_2] avec les colonnes [COLONNES_2]
- [TABLE_3] : [DESCRIPTION_TABLE_3] avec les colonnes [COLONNES_3]
J'ai besoin d'analyses sur [PERIODE] pour [OBJECTIF_ANALYSE].
Ecris les requêtes SQL pour :
- Le chiffre d'affaires total par [DIMENSION] avec variation vs période précédente
- Le top 10 des [ENTITE] (produits / clients / régions) par [METRIQUE]
- L'évolution mensuelle avec moving average sur [N] mois
- La cohorte de clients par mois d'acquisition et leur valeur cumulée
- La détection des anomalies (valeurs > 2 écarts-types de la moyenne)
- Un rapport récapitulatif avec toutes les métriques en une seule requête
Optimise les requêtes pour les performances et ajoute des commentaires explicatifs. Indique les index recommandés.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
Le prompt fonctionne car il précise la structure exacte de la base de données, ce qui permet de générer des requêtes directement utilisables. La demande d'optimisation et de commentaires garantit une qualité professionnelle.
Cas d'usage
Résultat attendu
6 requêtes SQL commentées, optimisées pour les performances, avec recommandations d'index.
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
Astuce : pour la détection d’anomalies, remplacez la moyenne mobile par une médiane glissante + écart interquartile (plus robuste aux outliers). Utilisez `PERCENTILE_CONT` avec une fenêtre de 30 jours. Adaptez au SGBD (`NTILE` ou `APPROX_QUANT
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.