Prompt Claude pour analyser vos données : insights actionnables en minutes

Copier-coller un tableau dans Claude et demander “analyse ces données” donne un résumé descriptif qui répète ce que vous voyez déjà. Le problème n’est pas Claude — c’est le prompt. Pour obtenir des insights que vous n’aviez pas repérés, il faut guider l’analyse : définir le contexte métier, demander des anomalies et des corrélations, et exiger des recommandations actionnables. Ce prompt structure cette démarche en 5 étapes pour extraire le maximum de vos datasets.

Le prompt

You are a senior data analyst with 15 years of experience in [INDUSTRY]. I'm sharing a dataset that I need you to analyze for actionable insights.

**Business context**: [CONTEXT — what this data represents, what business decisions depend on it]
**Time period**: [TIME_PERIOD — e.g., Q1 2026, last 12 months]
**Primary question**: [MAIN_QUESTION — the key question you want answered]
**Secondary questions** (optional): [OTHER_QUESTIONS]

**Data**:
[PASTE_DATA — CSV, table, or structured data]

Perform the following analysis:

1. **Data overview** — Summarize the dataset dimensions, key variables, and data quality (missing values, outliers, inconsistencies). Flag anything that could skew the analysis.

2. **Trend analysis** — Identify the 3 most significant trends. For each: describe the pattern, quantify it (%, absolute change), and explain what's likely driving it.

3. **Anomaly detection** — Find 2-3 data points that deviate from expected patterns. For each anomaly: state what's unusual, how far it deviates from the norm, and what might explain it.

4. **Correlations** — Identify any meaningful correlations between variables. Distinguish between correlation and likely causation. State confidence level.

5. **Recommendations** — Based on this analysis, provide 3 specific, actionable recommendations. Each must include:
   - What to do
   - Expected impact (quantified if possible)
   - Priority (high/medium/low)
   - First concrete step to implement it

Present numbers with context: "Revenue grew 23% ($45K → $55K)" not just "Revenue grew 23%". Use tables for comparisons.

Comment utiliser ce prompt

Copiez le prompt ci-dessus
Remplacez les variables :
- [INDUSTRY] : votre secteur (SaaS, e-commerce, finance, santé, etc.)
- [CONTEXT] : ce que représentent ces données et pourquoi vous les analysez
- [TIME_PERIOD] : la période couverte par les données
- [MAIN_QUESTION] : la question principale à laquelle vous cherchez une réponse
- [OTHER_QUESTIONS] : questions secondaires (optionnel)
- [PASTE_DATA] : vos données (CSV, tableau Markdown, ou texte structuré)
Collez dans Claude — la fenêtre de contexte étendue (200K tokens) permet d’analyser des datasets conséquents
Creusez les insights : demandez à Claude de détailler un point spécifique ou de croiser deux variables

Exemple de résultat

Entrée

Industry: SaaS B2B
Business context: MRR et churn par cohorte mensuelle. On prépare le board Q1 et le CEO veut comprendre pourquoi le net revenue retention baisse.
Time period: Janvier - Mars 2026
Primary question: Pourquoi le NRR passe de 112% à 104% en 3 mois ?

Data:
month,new_mrr,expansion_mrr,churned_mrr,total_mrr,customers,avg_deal_size
2026-01,45000,12000,8000,310000,142,2183
2026-02,38000,9000,15000,342000,148,2311
2026-03,41000,7500,19000,371500,155,2397

Sortie

Data overview : 3 mois, 6 variables. Pas de valeurs manquantes. Le total_mrr de février semble incohérent (310K + 45K + 12K - 8K = 359K, pas 342K) — je poursuis l’analyse avec les données fournies mais cette divergence mérite vérification.

Tendance #1 — Le churn accélère fortement. Le churned_mrr passe de 8 000$ (janvier) à 19 000$ (mars), soit +137% en 2 mois. Le taux de churn brut passe de 2,6% à 5,1% du MRR. C’est la cause directe de la chute du NRR.

Tendance #2 — L’expansion ralentit. L’expansion MRR baisse de 12 000$ à 7 500$ (-37,5%). Les clients existants upgradent moins. Combiné au churn, l’effet est multiplicateur sur le NRR.

Tendance #3 — Le deal size moyen augmente. Il passe de 2 183$ à 2 397$ (+9,8%), signe d’un repositionnement vers le mid-market. Ce n’est pas négatif en soi, mais les gros deals qui churnent pèsent plus lourd.

Anomalie : Le churned_mrr de février fait presque le double de janvier (15K vs 8K). Un ou deux gros comptes ont probablement quitté en même temps — vérifiez si c’est un départ groupé lié à un même secteur ou à un événement spécifique.

Recommandations :

#	Action	Impact attendu	Priorité
1	Audit des 5 comptes churnés en février-mars : raison de départ, ancienneté, usage	Identifier si c’est un pattern (feature manquante, concurrent, problème support)	Haute
2	Relancer le programme d’expansion : revue trimestrielle avec les comptes >2K$ MRR	Remonter l’expansion MRR de 7,5K$ vers 12K$ (+60%)	Haute
3	Mettre en place un health score client basé sur l’usage produit pour détecter le churn 30 jours avant	Réduire le churn de 19K$ à ~12K$ (-37%)	Moyenne

Pourquoi ce prompt fonctionne

Le contexte métier en amont transforme l’analyse. Sans contexte, Claude produit des statistiques descriptives. Avec le secteur, la question business et la période, il interprète les chiffres à travers le prisme de votre réalité. Un churn à 5% n’a pas la même signification en SaaS B2B (alarmant) qu’en B2C mobile (normal).

La structure en 5 étapes reproduit la méthodologie d’un analyste senior. La vérification des données d’abord, puis les tendances, les anomalies, les corrélations, et enfin les recommandations. Chaque étape nourrit la suivante — les anomalies détectées à l’étape 3 éclairent les recommandations à l’étape 5.

Les recommandations avec impact quantifié évitent les conseils vagues. “Améliorez votre rétention” ne sert à personne. “Relancez l’expansion MRR pour passer de 7,5K$ à 12K$” est un objectif qu’on peut suivre et mesurer.

Variantes

Pour une analyse comparative (A/B test, avant/après)

You are a senior data analyst specializing in experimentation and A/B testing.

**Experiment**: [WHAT_WAS_TESTED]
**Control group**: [DESCRIPTION + METRICS]
**Test group**: [DESCRIPTION + METRICS]
**Duration**: [TIME_PERIOD]
**Sample size**: [N_CONTROL] vs [N_TEST]
**Primary metric**: [METRIC_NAME]

Data:
[PASTE_DATA]

Analyze:
1. Statistical significance (is the difference real or noise?)
2. Effect size (is the difference meaningful for the business?)
3. Segment analysis (does the effect vary by user segment?)
4. Recommendation: ship, iterate, or kill — and why

Pour une analyse de cohorte

You are a growth analyst. Analyze these cohort metrics to identify retention patterns and lifecycle trends.

**Product**: [PRODUCT_TYPE]
**Cohort definition**: [HOW_COHORTS_ARE_DEFINED — signup month, first purchase, etc.]
**Key metric**: [METRIC — retention rate, LTV, engagement score]

Data:
[PASTE_COHORT_TABLE]

For each insight, compare early cohorts vs recent cohorts. Identify if the product is getting better or worse at retaining users over time. Quantify the gap.

Conseils pour de meilleurs résultats

Incluez le contexte des décisions à prendre. “On prépare le board” ou “on hésite entre deux stratégies” permet à Claude de calibrer le niveau de détail et l’angle des recommandations.
Fournissez les données les plus brutes possible. Les données déjà agrégées cachent les nuances. Si vous avez accès aux données ligne par ligne, préférez-les aux moyennes pré-calculées.
Enchaînez avec des questions de suivi. La première analyse identifie les axes. Demandez ensuite : “Creuse la tendance #2 — quels segments de clients sont les plus touchés par la baisse d’expansion ?”