Poser des questions à vos données en langage naturel

Interroger vos données comme vous parleriez à un collègue

L’atout majeur de ChatGPT pour l’analyse de données tient en une phrase : il comprend vos questions en français courant. Vous n’avez besoin ni de SQL, ni de Python, ni d’une formule Excel à trois niveaux d’imbrication. Vous décrivez ce que vous cherchez, exactement comme vous le diriez à un collègue analyste penché sur le même fichier, et ChatGPT traduit votre intention en code exécutable. Le déplacement est réel, et il change la nature du travail : votre effort ne porte plus sur la syntaxe, il porte sur la formulation de la bonne question.

Le principe : du langage naturel au code Python

Quand vous posez une question sur vos données, voici ce qui se passe en coulisses :

Types de questions que vous pouvez poser

Les questions de résumé servent à prendre la mesure du fichier avant d’entrer dans le détail : « Combien de lignes et de colonnes contient ce fichier ? », « Donne-moi un aperçu général des données. » ou encore « Quelles sont les colonnes disponibles et leurs types ? ». Elles vous évitent de partir sur une analyse qui suppose une granularité que vos données n’ont pas — impossible de calculer un panier moyen par client si le fichier est déjà agrégé par région.

Viennent ensuite les questions d’agrégation, celles qui condensent des milliers de lignes en un chiffre exploitable : « Quel est le total des ventes par catégorie de produit ? », « Quelle est la moyenne du panier par mois ? », « Combien de clients uniques par trimestre ? ». C’est le cœur du reporting mensuel, et souvent la moitié du travail demandé.

Les questions de filtrage isolent ensuite un sous-ensemble pertinent — « Montre-moi uniquement les ventes supérieures à 10 000 euros. », « Quels sont les produits qui n’ont eu aucune vente en mars ? », « Liste les clients de la région Île-de-France. » — tandis que les questions de classement ordonnent pour faire ressortir les extrêmes : « Quels sont les 10 meilleurs vendeurs ? », « Classe les régions par chiffre d’affaires décroissant. », « Quel mois a été le plus performant ? ». En pratique, une analyse sérieuse enchaîne les quatre familles : on résume, on agrège, on filtre l’anomalie repérée, puis on classe pour hiérarchiser l’action.

Formuler des questions efficaces

La qualité de la réponse dépend directement de la clarté de la question. Le premier réflexe consiste à nommer les colonnes plutôt qu’à parler par allusion. « Analyse les ventes » laisse ChatGPT deviner quelle colonne porte le montant ; la formulation suivante ne laisse aucune place à l’interprétation :

Calcule le total de la colonne "montant_ttc" groupé par "region"
et trié du plus grand au plus petit.

Le deuxième réflexe est de préciser le format de sortie attendu. Vous obtiendrez sinon une réponse rédigée là où vous vouliez un tableau à coller dans votre rapport, et vous perdrez à la remise en forme le temps gagné au calcul :

Donne-moi le résultat sous forme de tableau avec les colonnes :
région, total des ventes, nombre de transactions, panier moyen.

Le troisième, souvent négligé, consiste à transmettre le contexte métier que le fichier ne contient pas. ChatGPT ignore que certaines lignes ne doivent pas entrer dans le calcul :

La colonne "statut" contient "validé", "en attente" et "annulé".
Ne prends en compte que les commandes validées.

Sans cette précision, vos commandes annulées gonflent le chiffre d’affaires, et l’erreur ne se voit pas : le résultat reste parfaitement plausible. C’est le type de faute qui traverse une réunion de direction sans être détectée.

Itérer sur les résultats

L’analyse de données est rarement linéaire, et vous n’êtes pas censé trouver la bonne question du premier coup. Vous demandez d’abord le CA total par mois, vous constatez un creux en février, alors vous demandez pourquoi cette baisse. La réponse reste vague, vous filtrez donc sur la catégorie « premium » et refaites le calcul, puis vous comparez avec la même période l’an dernier pour savoir s’il s’agit d’une saisonnalité connue ou d’un incident.

ChatGPT conserve le contexte de la conversation et le fichier chargé, si bien que chaque question s’appuie sur les précédentes. C’est ce qui rend l’exploration progressive possible : la baisse de février, une fois isolée sur le segment premium, s’explique peut-être par un seul gros client parti à la concurrence — une conclusion inatteignable depuis la première question.

Utiliser le raisonnement élevé pour les analyses complexes

Certaines questions ne se règlent pas en une agrégation. Corrélations croisées, analyses multi-sources, interprétations nuancées : dès qu’un raisonnement en plusieurs étapes est nécessaire, activez GPT-5.6 Sol en raisonnement élevé. Ce mode se distingue sur l’analyse des relations causales entre variables, là où il faut distinguer un effet réel d’une coïncidence statistique. Il repère aussi les patterns subtils qu’une lecture rapide manque — une saisonnalité décalée de trois semaines, un segment qui décroche progressivement trimestre après trimestre. Il produit enfin des recommandations argumentées, adossées aux chiffres qu’il vient de calculer plutôt qu’à des généralités de manuel.

Points clés à retenir

• Posez vos questions en français courant, ChatGPT les traduit en code
• Soyez spécifique : nommez les colonnes, précisez les filtres, indiquez le format souhaité
• Itérez dans la même conversation pour approfondir l’analyse
• Utilisez GPT-5.6 Sol en raisonnement élevé pour les analyses complexes
• Vérifiez toujours les résultats — ChatGPT peut mal interpréter une colonne