Prompt Gemini pour analyse de données : extraire des insights actionnables

Vous avez un tableau de métriques, un export CSV ou un rapport trimestriel, et vous cherchez ce qui se cache dans les chiffres. Gemini peut ingérer des données structurées directement — y compris depuis Google Sheets — et produire une analyse avec des patterns, des anomalies et des recommandations concrètes. Ce prompt transforme un jeu de données brut en briefing décisionnel.

Le prompt

You are a senior data analyst. Analyze the following dataset and produce actionable insights.

**Context**:
- Data description: [DESCRIBE_YOUR_DATA — e.g., "Monthly sales by product category, Jan-Dec 2025"]
- Business goal: [WHAT_DECISION_THIS_SHOULD_INFORM — e.g., "Decide which product lines to expand in Q2"]
- Key metrics: [METRICS_TO_FOCUS_ON — e.g., "Revenue, units sold, profit margin"]

**Dataset**:
[PASTE_YOUR_DATA_HERE — CSV, table, or structured text]

Produce the following analysis:

## Executive Summary
3-5 bullet points with the most important findings. Lead with the single biggest insight.

## Trends & Patterns
Identify trends over time, correlations between variables, and recurring patterns. Quantify each finding (percentages, growth rates, ratios). Do not state the obvious — focus on non-trivial patterns.

## Anomalies & Red Flags
Flag any data points that deviate significantly from the expected pattern. For each anomaly, state:
- What: the specific data point
- Why it matters: potential business impact
- Possible explanation: suggest 1-2 hypotheses

## Segmentation Insights
Break down performance by the most meaningful segments in the data (categories, regions, time periods). Identify top and bottom performers with specific numbers.

## Recommendations
5 numbered, specific recommendations based on the analysis. Each recommendation must:
- Reference a specific finding from above
- Include a concrete next step
- State the expected impact (quantified when possible)

Rules:
- Always show your reasoning with specific numbers from the data
- Distinguish between correlation and causation
- Flag any data quality issues (missing values, outliers, inconsistencies)
- Use tables and bullet points for clarity

Comment utiliser ce prompt

Décrivez vos données dans [DESCRIBE_YOUR_DATA] : type de données, période couverte, granularité (journalier, mensuel, par produit, etc.)
Précisez l’objectif business dans [WHAT_DECISION_THIS_SHOULD_INFORM] : quelle décision ces insights doivent éclairer. Plus c’est spécifique, plus les recommandations seront ciblées.
Listez les métriques clés dans [METRICS_TO_FOCUS_ON] : les 2 à 5 indicateurs qui comptent pour votre analyse
Collez vos données dans [PASTE_YOUR_DATA_HERE] : format CSV, tableau Markdown ou texte structuré. Gemini accepte aussi les fichiers uploadés (CSV, Google Sheets).
Lancez dans Gemini et vérifiez que les chiffres cités dans l’analyse correspondent bien à vos données source

Exemple de résultat

Entrée

Data description: Monthly website traffic and conversions by acquisition channel, Jan-Jun 2025
Business goal: Optimize marketing budget allocation for H2 2025
Key metrics: Sessions, conversion rate, cost per acquisition (CPA), revenue

Dataset:
Channel,Month,Sessions,Conversions,CPA,Revenue
Organic Search,Jan,12400,310,0,18600
Organic Search,Feb,13100,338,0,20280
Organic Search,Mar,14800,385,0,23100
Paid Search,Jan,8200,246,32,14760
Paid Search,Feb,9500,261,35,15660
Paid Search,Mar,9100,218,41,13080
Social Media,Jan,6300,126,18,7560
Social Media,Feb,7800,163,16,9780
Social Media,Mar,9200,202,14,12120
Email,Jan,3100,186,2,11160
Email,Feb,2900,174,2,10440
Email,Mar,3200,198,2,11880

Sortie

Executive Summary

Le social media affiche la croissance la plus rapide (+46% de sessions en 3 mois) avec un CPA en baisse constante (18$ → 14$), ce qui en fait le canal le plus efficace à scaler.
L’organic search reste le premier canal en volume et en revenus (23 100$ en mars) avec un CPA nul — tout investissement SEO a un effet cumulatif.
Le paid search montre des signaux d’alerte : CPA en hausse de 28% (32$ → 41$) et taux de conversion en baisse (3.0% → 2.4%).
L’email convertit le mieux (6.0% → 6.2%) mais plafonne en volume (~3 000 sessions/mois).

Anomalies & Red Flags

Paid Search, mars : chute du taux de conversion de 2.7% à 2.4% malgré un volume stable. Hypothèses : fatigue publicitaire ou ciblage trop large après augmentation des enchères.

Recommendations

Réallouer 20% du budget Paid Search vers Social Media — Le CPA social baisse tandis que le CPA paid monte. Impact estimé : économie de 1 500$/mois à volume constant.
Auditer les campagnes Paid Search — Le CPA a augmenté de 28% en 3 mois. Revoir les mots-clés, les landing pages et le quality score.
Investir dans la croissance de la liste email — Meilleur taux de conversion (6%+) mais volume plafonné. Ajouter des lead magnets sur les pages à fort trafic organique.

Pourquoi ce prompt fonctionne

Le cadrage “senior data analyst” combiné au contexte business empêche Gemini de produire une simple description des données. Sans objectif business explicite, les LLM paraphrasent les chiffres (“les ventes ont augmenté de 12%”) sans expliquer pourquoi ça compte ni quoi en faire. La variable [BUSINESS_GOAL] force l’analyse à servir une décision.

La structure en cinq sections distinctes sépare l’observation (trends, anomalies) de l’interprétation (segmentation) et de l’action (recommandations). Cette séparation réduit les hallucinations : Gemini doit d’abord citer des chiffres précis avant de recommander quoi que ce soit. La règle “reference a specific finding” dans les recommandations renforce ce lien.

Les instructions de rigueur analytique — distinguer corrélation et causation, signaler les problèmes de qualité des données — activent un mode plus prudent. Gemini a tendance à affirmer des causalités à partir de simples corrélations. Ces garde-fous produisent des analyses plus fiables que vous pouvez réellement présenter en réunion.

Variantes

Pour une analyse comparative (benchmark)

You are a competitive analyst. Compare the performance of [ENTITY_A] vs [ENTITY_B] using the data below.

**Data**:
[PASTE_COMPARATIVE_DATA]

For each metric:
1. State which entity performs better and by how much (%)
2. Identify where the gap is widening or closing over time
3. Highlight the single biggest competitive advantage of each entity

End with a SWOT-style summary: 2 strengths and 2 vulnerabilities for each entity, backed by specific numbers.

Utile pour comparer deux produits, deux périodes, deux marchés ou deux campagnes côte à côte.

Pour une analyse prédictive (tendances futures)

You are a forecasting analyst. Based on the historical data below, identify trends and project the next [TIME_PERIOD — e.g., "3 months"].

**Data**:
[PASTE_HISTORICAL_DATA]

For each key metric:
1. Describe the trend direction and strength (linear, exponential, cyclical)
2. Project the expected value for each of the next [TIME_PERIOD] periods
3. State your confidence level (high/medium/low) and why
4. List 2 risks that could invalidate this projection

Present projections in a table alongside historical values for easy comparison.

Fonctionne mieux avec au moins 6 périodes de données historiques. Précisez si vos données ont une saisonnalité connue.

Conseils pour de meilleurs résultats

Fournissez des données propres avec des en-têtes clairs. Gemini interprète les colonnes par leur nom. “Rev” est ambigu, “Revenue_USD” ne l’est pas. Supprimez les lignes vides et les colonnes inutiles avant de coller.
Uploadez vos fichiers plutôt que de coller du texte quand vous dépassez 50 lignes. Gemini gère les CSV et les Google Sheets nativement, avec moins de risque de troncature ou d’erreur de parsing.
Itérez avec des questions de suivi. Après la première analyse, demandez “Creuse le point 3 : quels facteurs expliquent la baisse du taux de conversion en mars ?” Gemini conserve le contexte de vos données dans la conversation.