Quel est le niveau de difficulté et quel outil IA utiliser ?

Ce prompt est de niveau avancé. Il est compatible avec tous les outils IA (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesAvanceAll AIs

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

Réponds à 3 questions, Léa adapte le prompt à ta situation.

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

Segmentation e-commerceCiblage campagnes emailPriorisation force commerciale B2B

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'Optimiseur

Commentaires

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.