Prompts pour analyser des données dans ChatGPT et Claude : 10 modèles fiables pour PME
Un bon prompt d'analyse de données décrit d'abord le fichier (colonnes, unités, période), formule une question métier précise et exige que l'outil montre son calcul. ChatGPT et Claude savent exécuter du code sur un tableur importé ; votre travail consiste à cadrer la question et à contrôler le résultat avant de le présenter en comité de direction.
Dirigeants de PME, contrôleurs de gestion, responsables commerciaux ou administratifs d'association : vous avez des exports Excel ou CSV qui dorment (ventes, factures, adhésions, réponses à une enquête) et pas d'analyste en interne. Cet article donne une méthode en trois temps : préparer le fichier, poser les bonnes questions avec dix prompts prêts à l'emploi, vérifier les chiffres. Pour les principes généraux de rédaction, le guide du prompt engineering pour PME reste le point de départ de ce dossier.
Ce que ChatGPT et Claude font vraiment avec vos fichiers
Quand vous importez un tableur, l'outil ne "lit" pas les chiffres comme un texte : il écrit et exécute du code (en général Python) pour calculer, filtrer et tracer des graphiques. C'est ce qui rend l'analyse exploitable. Un LLM qui additionnerait 3 000 lignes "de tête" se tromperait ; un script qui fait la somme ne se trompe pas, à condition d'additionner la bonne colonne.
Les quatre assistants courants en PME proposent cette fonction, avec des nuances :
| Outil | Comment il analyse | Point fort | Point de vigilance |
|---|---|---|---|
| ChatGPT | Exécution de code Python sur les fichiers importés | Graphiques et exports de fichiers retraités | Bien vérifier quelle colonne a servi au calcul |
| Claude | Exécution de code sur les fichiers importés, explications détaillées | Raisonnement commenté, lecture de documents longs | Annoncer le séparateur et le format des dates du fichier |
| Gemini dans Google Sheets | Travaille directement dans la feuille | Pas d'export à faire si vos données sont déjà dans Sheets | Les réponses dépendent de la propreté de la feuille |
| Copilot dans Excel | Travaille dans le classeur ouvert | Reste dans l'environnement Microsoft de l'équipe | Fonctionne mieux sur un tableau Excel structuré |
Les fonctions, les limites de taille et les offres concernées changent plusieurs fois par an : vérifiez les conditions de votre propre abonnement avant d'importer un gros fichier. Pour choisir l'outil lui-même, voir notre comparatif ChatGPT, Claude et Gemini ; pour Excel, notre guide débutant Copilot 365.
Ce qui ne change pas d'un outil à l'autre : le modèle ne connaît pas votre activité. Il ignore que la colonne "CA" exclut les avoirs, que le mois d'août est toujours creux ou que le client "DUPONT SAS" et "Dupont" sont la même entreprise. Si vous ne le dites pas, il calcule juste sur une hypothèse fausse.
Étape 1 : préparer le fichier avant le premier prompt
Dix minutes de préparation évitent la plupart des erreurs d'interprétation : une ligne d'en-tête unique, une donnée par colonne, et un court dictionnaire des colonnes à coller dans le prompt.
Les fichiers exportés d'un logiciel de gestion ou d'un CRM posent presque toujours les mêmes problèmes : cellules fusionnées, sous-totaux intercalés, lignes de titre au-dessus des en-têtes, dates au format texte, montants avec le symbole € dans la cellule. L'outil sait souvent les contourner, mais il le fait en silence, et pas toujours comme vous l'auriez fait.
Une préparation minimale :
- supprimer les lignes de titre, de sous-total et de total ;
- garder une seule ligne d'en-tête, avec des noms de colonnes explicites ;
- retirer ou remplacer les colonnes qui identifient des personnes (voir plus bas) ;
- noter la période couverte et la source de l'export.
Puis rédigez le dictionnaire des colonnes, en quelques lignes :
Fichier : export des factures 2025, logiciel de facturation, 2 840 lignes. Colonnes : date_facture (JJ/MM/AAAA), client_id (code interne), segment (TPE, PME, Association), montant_ht (euros, avoirs en négatif), statut (payée, en retard, annulée). Particularités : les factures annulées doivent être exclues de tout calcul de chiffre d'affaires.
Ce dictionnaire joue le même rôle que la fiche contexte d'un prompt rédactionnel. Il se réutilise d'une analyse à l'autre ; vous pouvez le placer dans les instructions d'un projet, comme expliqué dans notre article sur le prompt système et le prompt utilisateur.
Étape 2 : dix prompts pour analyser vos données
Chaque modèle se colle après le dictionnaire des colonnes et se complète entre crochets. Ils suivent l'ordre d'une analyse réelle : comprendre le fichier, le nettoyer, l'explorer, puis répondre à une question de gestion.
1. Faire décrire le fichier avant toute analyse
Avant toute analyse, décris ce fichier : nombre de lignes, colonnes détectées et leur type, période couverte, valeurs manquantes par colonne, valeurs qui te semblent anormales. Ne calcule encore aucun indicateur. Dis-moi si ta lecture diffère de mon dictionnaire des colonnes.
Ce premier échange est le plus utile de tous. Si l'outil annonce 2 790 lignes au lieu de 2 840, ou lit les dates au format américain, vous le voyez avant d'avoir un graphique faux sous les yeux.
2. Nettoyer sans perdre la trace
Propose les opérations de nettoyage nécessaires (doublons, formats de date, libellés à harmoniser), sous forme de liste numérotée, avec le nombre de lignes concernées par chacune. N'applique rien avant mon accord. Ensuite, produis un fichier nettoyé et un journal des modifications.
3. Obtenir les indicateurs de base
Calcule, pour [période], par [segment / mois / produit] : chiffre d'affaires HT, nombre de factures, panier moyen, part de chaque segment dans le total. Présente le résultat en tableau, puis indique le total général pour que je le rapproche de ma comptabilité : [total connu, si vous l'avez].
Le total connu est votre garde-fou : s'il ne tombe pas juste, une règle (avoirs, annulations, TVA) a été mal appliquée.
4. Comparer deux périodes
Compare [période A] et [période B] sur [indicateur]. Donne l'écart en valeur et en pourcentage, puis décompose cet écart : quelle part vient du nombre de clients, quelle part du montant moyen par client ? Précise les clients qui pèsent le plus dans la variation.
5. Repérer les valeurs anormales
Repère dans la colonne [colonne] les valeurs qui s'écartent nettement de l'habitude pour leur [segment / mois]. Explique la méthode retenue en une phrase, liste les 10 cas les plus marqués avec leur ligne d'origine, et ne conclus pas à une erreur : je vérifierai.
6. Segmenter une clientèle
À partir de l'historique d'achats, classe les clients en 3 ou 4 groupes selon la fréquence, l'ancienneté du dernier achat et le montant cumulé. Donne pour chaque groupe ses critères exacts, son effectif et son poids dans le chiffre d'affaires. Propose une action commerciale par groupe, en une phrase.
7. Lire les réponses libres d'une enquête
La colonne [commentaire] contient [nombre] réponses libres à la question "[question]". Regroupe-les en 5 à 8 thèmes, avec pour chacun le nombre de réponses et deux citations exactes. Signale les réponses que tu n'as pas pu classer. N'invente aucune citation.
Ce prompt est souvent le plus rentable pour une association ou un service RH : des centaines de commentaires deviennent une synthèse lisible en quelques minutes. Fournir deux ou trois exemples de classement améliore la régularité, selon le principe du few-shot prompting.
8. Croiser deux fichiers
Voici deux fichiers : [fichier 1, clé de jointure] et [fichier 2, clé de jointure]. Rapproche-les sur [clé]. Indique combien de lignes ont trouvé une correspondance, combien n'en ont pas, et donne 5 exemples de lignes sans correspondance pour que je comprenne pourquoi.
Les lignes orphelines disent souvent plus que le rapprochement lui-même : codes clients saisis différemment, contacts jamais facturés, factures sans contact dans le CRM.
9. Construire le bon graphique
Je dois présenter [message en une phrase] à [public : direction, conseil d'administration, équipe commerciale]. Propose le type de graphique le plus lisible, justifie le choix en une phrase, puis trace-le avec un titre qui énonce la conclusion. Pas de graphique en 3D, pas de camembert au-delà de 5 parts.
10. Rédiger la note de synthèse
À partir des analyses précédentes, rédige une note d'une page pour [destinataire] : 3 constats chiffrés, 2 hypothèses d'explication clairement présentées comme des hypothèses, 2 décisions possibles. Distingue ce qui est mesuré de ce qui est interprété.
La distinction entre constat et hypothèse est le point faible des synthèses générées par l'IA : un écart de ventes devient vite "dû à la saisonnalité" sans aucune donnée pour l'appuyer.
Étape 3 : vérifier les chiffres avant de les présenter
Un tableau généré par l'IA a l'air juste parce qu'il est bien présenté ; il ne l'est pas forcément. Les erreurs viennent rarement du calcul lui-même : elles viennent d'une colonne mal choisie, d'une ligne exclue sans le dire, d'une règle métier ignorée.
Quatre contrôles suffisent dans la plupart des cas :
- Demander la méthode. "Montre le code utilisé et liste les filtres appliqués, avec le nombre de lignes retirées à chaque étape." Vous n'avez pas besoin de lire Python couramment pour repérer un filtre inattendu.
- Rapprocher un total connu. Un chiffre d'affaires annuel, un nombre d'adhérents, un effectif : un seul point de comparaison fiable suffit à détecter la plupart des écarts.
- Recalculer un échantillon. Prenez un segment ou un mois et refaites le calcul dans votre tableur. Cinq minutes.
- Faire critiquer le résultat. "Relis ton analyse et liste les hypothèses que tu as faites sans que je les aie données." Faire raisonner le modèle étape par étape, comme dans le chain of thought prompting, fait remonter ces hypothèses implicites.
Le risque d'invention existe aussi en analyse : sans fichier joint, ou quand la question dépasse les données, un modèle peut produire une moyenne sectorielle ou une tendance de marché sans source. Notre article sur les hallucinations de l'IA et la fiche hallucination du lexique décrivent le mécanisme. Règle simple : tout chiffre qui ne vient pas de votre fichier doit être sourcé ou retiré.
Quelles données pouvez-vous importer ?
Un fichier importé dans un assistant IA sort de votre système d'information : avant de l'envoyer, retirez ce qui identifie des personnes, sauf si votre outil et votre politique interne l'autorisent explicitement.
Le RGPD (règlement UE 2016/679) s'applique dès qu'un fichier contient des noms, emails, numéros de téléphone ou identifiants permettant de retrouver une personne. La CNIL rappelle une distinction utile : la pseudonymisation (remplacer un nom par un code) est réversible, et les données pseudonymisées restent des données personnelles ; seule une anonymisation qui rend la réidentification impossible en pratique fait sortir les données du champ du RGPD.
En pratique, pour une PME :
- Sans difficulté : données agrégées, chiffres d'activité sans nom de personne, fichiers déjà publics.
- Avec un compte professionnel paramétré : fichiers clients où les noms ont été remplacés par des codes internes, en gardant la table de correspondance chez vous.
- À éviter : données de salariés (salaires, absences, évaluations), données de santé, informations couvertes par le secret professionnel ou un accord de confidentialité.
Une association qui analyse ses adhésions n'a pas besoin des noms pour mesurer un taux de renouvellement par tranche d'âge ou par commune. Retirer la colonne avant l'import règle la question.
Vérifiez aussi que la réutilisation des conversations pour l'entraînement est désactivée, et écrivez ces règles dans votre politique IA. Notre article sur l'IA et la confidentialité des données détaille les réglages par outil.
Quand le prompt ne suffit plus
Le prompt convient aux analyses ponctuelles ; dès qu'un même tableau doit être produit chaque mois, mieux vaut un outil dédié. Refaire chaque mois la même analyse par prompt, c'est accepter de légers écarts de méthode d'un mois sur l'autre, et des indicateurs qui ne sont plus comparables.
Quelques signaux :
- vous posez la même question tous les mois sur un export mis à jour ;
- plusieurs personnes doivent consulter les mêmes chiffres ;
- les données viennent de plusieurs logiciels qu'il faut rapprocher à chaque fois.
Dans ce cas, utilisez l'IA pour concevoir l'indicateur et écrire la première version du calcul, puis installez-le dans un tableau de bord alimenté automatiquement. Le choix des indicateurs eux-mêmes est traité dans notre article sur les KPI de l'IA en entreprise. Si votre question porte surtout sur des documents (rapports, procès-verbaux, contrats) plutôt que sur des tableaux, l'approche documentaire décrite dans RAG vs prompting est plus adaptée.
Pour aller plus loin sur chaque outil, nos pages sur les cas d'usage de ChatGPT en PME, de Claude en PME et de Gemini en PME donnent d'autres exemples.
Questions fréquentes
Quel est le meilleur prompt pour analyser des données avec ChatGPT ?
Il n'en existe pas un seul. Le plus fiable combine trois éléments : une description des colonnes et des règles métier, une question précise liée à une décision, et une demande explicite de montrer la méthode et les filtres appliqués. Commencez toujours par faire décrire le fichier avant de demander un calcul.
ChatGPT ou Claude : lequel choisir pour l'analyse de données ?
Les deux exécutent du code sur vos fichiers et donnent des résultats comparables sur des analyses courantes de PME. ChatGPT est souvent apprécié pour ses graphiques et ses exports, Claude pour ses explications détaillées. Si vos données vivent dans Google Sheets ou Excel, Gemini ou Copilot évitent un export. Le choix pèse moins que la qualité du prompt et de la vérification.
Peut-on se fier aux calculs de l'IA ?
Le calcul exécuté par du code est fiable ; l'interprétation de votre fichier ne l'est pas toujours. Demandez la méthode, rapprochez au moins un total connu et recalculez un échantillon avant de diffuser un chiffre.
Peut-on importer un fichier clients dans ChatGPT ou Claude ?
Avec prudence. Les données personnelles restent soumises au RGPD, même remplacées par des codes. Utilisez un compte professionnel paramétré, retirez les colonnes qui identifient des personnes quand l'analyse n'en a pas besoin, et suivez la politique IA de votre structure.
Faut-il savoir coder pour analyser des données avec l'IA ?
Non. Savoir lire un tableur et formuler une question précise suffit pour la plupart des analyses. Être capable de repérer un filtre ou un nom de colonne dans le code généré aide à contrôler le résultat ; cela s'apprend en quelques heures de pratique guidée.
Quelle taille de fichier ChatGPT et Claude acceptent-ils ?
Les limites dépendent de l'outil, de l'abonnement et évoluent régulièrement. Consultez la documentation de votre offre. Pour un fichier volumineux, filtrer en amont la période et les colonnes utiles accélère l'analyse et réduit les erreurs.
Comment GrowthPerf accompagne
Analyser des données avec l'IA tient moins à l'outil qu'à la méthode : décrire le fichier, poser une question de gestion, vérifier avant de diffuser. GrowthPerf, organisme de formation certifié Qualiopi, forme les dirigeants et les équipes des PME, startups et associations à cette méthode, sur leurs propres exports.
La formation IA opérationnelle comprend des ateliers d'analyse sur vos fichiers anonymisés : dictionnaire des colonnes, bibliothèque de prompts d'analyse, routine de contrôle. Pour un parcours centré sur les techniques de consigne, voir notre page sur la formation au prompt engineering. Ces formations peuvent être financées par votre OPCO selon vos droits.
Pour reprendre l'ensemble de la méthode, repartez du guide complet du prompt engineering pour PME.
Vous avez des exports que personne n'exploite ? Demandez un audit gratuit de 30 minutes : nous regardons un de vos fichiers avec vous et nous identifions les trois analyses qui serviraient le plus vos décisions.