Prompter avec des données
CSV de sessions, exports HubSpot, threads Slack : les 3 règles pour que Claude analyse juste — et t'avoue ce que les données ne disent pas.
🧠 Concept — Les 3 règles de l'analyse fiable
Claude adore les données : colle un tableau, uploade un CSV de sessions de charge, un export HubSpot, un thread Slack — il analyse. Mais la qualité de l'analyse dépend de TOI, via 3 règles :
- Décris les colonnes.
kwhc'est l'énergie délivrée ou facturée ?statut=KOc'est une session échouée ou annulée par le client ? Ce que tu ne définis pas, Claude le devine — parfois mal. - Précise la question business. « Analyse ce fichier » produit une purée de statistiques. « Quelles stations sous-performent et pourquoi, pour prioriser les interventions du mois ? » produit une réponse actionnable.
- Demande les limites. Exige que Claude signale ce que les données ne permettent PAS de conclure : période trop courte, colonnes manquantes, biais d'échantillon. C'est ton garde-fou anti-conclusions hâtives.
⚠️ Piège classique — Le chiffre plausible n'est pas un chiffre juste
Sur un gros fichier, vérifie toujours un calcul au hasard avant de réutiliser l'analyse : une moyenne, un total, un comptage — refais-le dans ton tableur. Si le calcul témoin est bon, la confiance monte. S'il est faux, tu viens d'éviter de présenter un chiffre erroné au comité. Et pour les analyses récurrentes sur les vraies données : la source de vérité reste Omni Analytics, pas un CSV recollé à la main.
🛠️ À toi de jouer — 🛠️ Les 3 stations sous-performantes
Télécharge le fichier d'entraînement sessions_charge.csv depuis la page Playground de la plateforme (30 jours de sessions fictives sur 10 stations : identifiant station, ville, date, énergie délivrée en kWh, durée en minutes, statut de session, code erreur éventuel).
Uploade-le dans Claude avec le prompt ci-dessous — remarque comme il applique les 3 règles. Puis vérifie UN chiffre témoin dans ton tableur.
Tu es analyste réseau chez Electra. Voici un CSV de sessions de charge sur 30 jours. Colonnes : station_id (identifiant station), ville, date, kwh (énergie délivrée), duree_min (durée de session en minutes), statut (OK = session réussie, KO = session échouée), code_erreur (rempli seulement si KO). Question business : identifie les 3 stations les plus sous-performantes pour prioriser les interventions de maintenance du mois prochain. Méthode : définis d'abord tes critères de sous-performance (taux d'échec, kWh moyen, tendance), justifie-les, puis classe. Pour chaque station retenue : les chiffres clés et 2 hypothèses de cause. Termine par une section « Limites » : ce que ces données ne permettent PAS de conclure.
Checklist de validation
💡 Réflexe pro — Le suivi qui fait pro
Après l'analyse, enchaîne avec : « Quelle colonne supplémentaire te permettrait de trancher entre tes hypothèses ? » Claude te dira par exemple : le modèle de borne, la météo, l'heure de la session. Tu viens de transformer une analyse en plan de collecte de données — c'est exactement ce que ferait un bon data analyst.