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
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 ChatGPT pour analyser des données
L'analyse de données est devenue un levier stratégique incontournable pour les entreprises et les professionnels. Pourtant, extraire des insights pertinents à partir de jeux de données bruts reste un défi technique qui nécessite habituellement des compétences en statistiques, en programmation ou en outils spécialisés comme Excel avancé, Python ou R. ChatGPT transforme radicalement cette approche en permettant à quiconque d'analyser des données complexes à travers des instructions en langage naturel. Que vous travailliez sur des données de ventes, des résultats d'enquêtes, des métriques marketing ou des indicateurs financiers, un prompt bien structuré permet d'obtenir des analyses statistiques, des corrélations, des tendances et des recommandations actionnables en quelques secondes. La clé réside dans la manière dont vous formulez votre demande : un prompt précis qui définit le contexte, le type d'analyse souhaité et le format de sortie attendu produira des résultats considérablement plus exploitables qu'une requête vague. Dans ce guide, vous trouverez des prompts optimisés pour tirer le maximum de ChatGPT dans vos analyses de données, quel que soit votre niveau d'expertise.