Segmentation clients par clustering
Segmente une base clients en groupes homogènes via RFM et K-means avec stratégies marketing personnalisées par segment.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je veux segmenter ma base de [NOMBRE_CLIENTS] clients pour personnaliser mes stratégies marketing. Données disponibles par client : [VARIABLES_DISPONIBLES] (ex : historique d'achats, fréquence, montant, catégories achetées, ancienneté, interactions support).
Objectif : [OBJECTIF_SEGMENTATION] (ex : personnaliser les communications, identifier les clients à risque de churn, prioriser les actions commerciales)
Réalise une segmentation complète :
- Construis une analyse RFM (Récence, Fréquence, Montant) avec notation de 1 à 5 pour chaque dimension
- Applique un algorithme de clustering K-means avec détermination du nombre optimal de clusters (méthode du coude, silhouette score)
- Décris chaque segment obtenu avec ses caractéristiques clés et sa taille
- Nomme chaque segment de façon évocatrice (ex : "Champions", "À risque", "Dormants")
- Propose une stratégie marketing spécifique pour chaque segment
- Calcule la valeur vie client (CLV) estimée par segment
- Définis des KPIs pour mesurer l'efficacité des actions par segment
Fournis le code Python complet (pandas, scikit-learn, matplotlib).
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 puissant car il combine l'approche RFM classique avec le clustering algorithmique, et va jusqu'aux implications stratégiques concrètes. La demande de code complet le rend immédiatement exécutable.
Cas d'usage
Résultat attendu
Analyse RFM, segments K-means nommés et décrits, stratégies marketing par segment, code Python complet.
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
Veillez à standardiser les variables RFM (ex : StandardScaler) avant le clustering, car K-means est sensible aux échelles. Pour intégrer des données catégorielles (catégories achetées), utilisez un encodage one-hot ou une analyse des correspondances multiples (MCA) avant de les concaténer aux scores RFM.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Analyse de corrélation entre variables
Analyse les corrélations entre variables d'un dataset avec interprétation métier et visualisation heatmap.
Prompt Gemini pour analyser un sondage
Les sondages sont des outils puissants pour recueillir des données, mais leur véritable valeur réside dans l'analyse des résultats. Gemini, le modèle d'intelligence artificielle de Google, excelle dans l'interprétation de données qualitatives et quantitatives issues de sondages. Que vous ayez collecté des réponses via Google Forms, Typeform ou tout autre outil, Gemini peut identifier des tendances cachées, croiser les variables démographiques avec les réponses, et produire des synthèses actionnables en quelques secondes. Là où une analyse manuelle prendrait des heures de tri et de catégorisation, Gemini structure automatiquement les verbatims, détecte les sentiments dominants et quantifie les thématiques récurrentes. Cette capacité est particulièrement utile pour les équipes marketing, les chercheurs, les responsables produit et les consultants qui doivent transformer rapidement des données brutes en recommandations stratégiques. Dans ce guide, vous trouverez un prompt optimisé pour Gemini ainsi que des variantes adaptées à votre niveau d'expertise et à la complexité de votre sondage.
Prompt Sora pour extraire des insights data
Sora, le modèle d'intelligence artificielle développé par OpenAI, ne se limite pas à la génération vidéo. Utilisé de manière stratégique, il permet d'exploiter des données visuelles et narratives pour en extraire des insights data exploitables. Que vous soyez data analyst, growth marketer ou product manager, savoir formuler le bon prompt pour obtenir une synthèse analytique à partir de contenus générés ou analysés par Sora représente un avantage compétitif majeur. L'extraction d'insights data avec Sora repose sur la capacité du modèle à interpréter des scénarios complexes, identifier des patterns visuels et les traduire en observations structurées. En combinant des instructions précises sur le format de sortie, les dimensions d'analyse souhaitées et le niveau de granularité attendu, vous transformez Sora en un véritable outil d'intelligence décisionnelle. Ce guide vous propose un prompt principal optimisé, ses variantes par niveau d'expertise, et des conseils pratiques pour maximiser la pertinence des insights extraits. Chaque prompt a été conçu pour produire des résultats actionnables, directement intégrables dans vos dashboards et présentations stratégiques.
Effectuer une analyse de cohortes
Analyser la rétention des utilisateurs par cohorte