Les analystes d'affaires (Business Analysts) consacrent chaque semaine un temps considérable à manipuler des feuilles de calcul : harmoniser des formats de date hétérogènes, corriger des formules RECHERCHEV (VLOOKUP) en erreur, construire des tableaux croisés dynamiques et ajuster manuellement la mise en forme de graphiques pour les comités de direction. La fonctionnalité d'analyse avancée des données de ChatGPT (Advanced Data Analysis, initialement connue sous le nom de Code Interpreter et intégrée aux forfaits ChatGPT Plus, Team et Enterprise) redéfinit en profondeur ces pratiques.
Au lieu de concevoir des formules imbriquées complexes ou des macros VBA laborieuses, les analystes peuvent charger des fichiers bruts au format .csv ou .xlsx et formuler leurs demandes en langage naturel. L'atout déterminant réside dans le fait que ChatGPT ne « devine » pas les résultats mathématiques par prédiction probabiliste de texte ; il génère et exécute du code Python déterministe dans un environnement isolé (sandbox), en s'appuyant sur des bibliothèques reconnues telles que pandas, numpy, matplotlib et seaborn.
Maîtriser ce protocole complet — de la préparation des fichiers au nettoyage, à l'extraction d'indicateurs clés et à la création de graphiques — permet de réduire à quelques minutes des tâches autrefois fastidieuses, tout en garantissant une traçabilité rigoureuse.
Le principe sous-jacent : pourquoi la méthode est fiable pour les calculs quantitatifs
Les analystes financiers et métiers ont raison d'être prudents lorsqu'il s'agit d'appliquer l'intelligence artificielle à des données chiffrées. Les grands modèles de langage conventionnels (LLM) prédisent le mot suivant selon des probabilités statistiques, ce qui peut engendrer des hallucinations arithmétiques sur des opérations complexes.
L'analyse avancée des données neutralise ce risque en séparant la compréhension conceptuelle du calcul effectif :
- Traduction en code informatique : Le modèle interprète la question métier de l'analyste et la convertit en script Python structuré.
- Exécution déterministe en sandbox : Le code s'exécute de façon isolée dans un conteneur Jupyter sécurisé directement sur les données chargées.
- Restitution des résultats : Le conteneur renvoie des tableaux de chiffres exacts, des indicateurs statistiques ou des images graphiques, que ChatGPT synthétise sous forme de bilan métier.
- Auditabilité totale : Chaque étape de calcul peut être vérifiée en cliquant sur l'icône de code (
[>_]), assurant une entière transparence opérationnelle.
+-------------------------------------------------------------+
| Interface ChatGPT |
| Consigne : "Calcule le taux d'attrition et l'ARPU mensuel" |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| Environnement Isolé Python |
| • Ingestion de CSV / Excel via pandas |
| • Logique déterministe : df.groupby(), .agg(), .corr() |
| • Création de graphiques avec matplotlib / seaborn |
+------------------------------+------------------------------+
|
v
+-------------------------------------------------------------+
| Livrables Auditables |
| • Feuille de calcul nettoyée (téléchargement .xlsx / .csv) |
| • Synthèse statistique et indicateurs de performance |
| • Graphiques haute définition (.png / vue interactive) |
+-------------------------------------------------------------+
1. Préparation et importation des feuilles de calcul
Une analyse rigoureuse débute par une mise en ordre préalable du document et le respect des règles de gouvernance des données.
Formats pris en charge et synchronisation cloud
ChatGPT prend en charge les formats tabulaires courants :
- Fichiers délimités par des virgules (
.csv) ou par des tabulations (.tsv) - Classeurs Microsoft Excel (
.xlsx,.xls) - Données structurées (
.json,.parquet) - Connexion directe au cloud : Intégration possible avec Google Drive ou Microsoft OneDrive/SharePoint pour analyser des fichiers sans téléchargement préalable sur l'ordinateur.
Règles de base avant l'importation
Pour éviter toute ambiguïté lors de l'analyse :
- Ligne d'en-tête unique : La ligne 1 doit comporter des intitulés de colonnes clairs et uniques. Supprimez les cellules fusionnées, les bannières décoratives ou les logos situés au-dessus des données.
- Un seul tableau par onglet : Évitez de placer deux tableaux distincts côte à côte ou d'insérer des lignes de total manuel au bas des données. Si le classeur contient plusieurs onglets, précisez l'onglet visé dans l'instruction (par exemple :
« Analyse l'onglet nommé 'Transactions' »). - Protection des données sensibles : Ne chargez jamais de données d'identification personnelle (PII), d'identités réelles de clients ou d'informations financières confidentielles dans des instances publiques d'IA sans cadre juridique d'entreprise. Anonymisez les identifiants ou utilisez des abonnements ChatGPT Team ou Enterprise, qui garantissent contractuellement que les données saisies ne servent pas à l'entraînement des modèles.
Prompt de diagnostic initial
Dès l'importation du fichier, il convient de procéder à une vérification globale de structure :
« J'ai importé le journal des transactions du troisième trimestre. Merci d'effectuer un diagnostic préliminaire : indique le nombre total de lignes et de colonnes, liste l'ensemble des colonnes avec leurs types de données déduits, calcule le nombre de valeurs manquantes et de doublons par colonne, et affiche un aperçu des 5 premières lignes. »
ChatGPT exécute df.shape, df.dtypes, df.isnull().sum() et df.head(), offrant en quelques secondes un bilan complet de la qualité du jeu de données.
2. Nettoyage des données par instruction textuelle
La phase de nettoyage représente traditionnellement la majeure partie du travail d'analyse. L'analyse avancée des données automatise ces étapes répétitives sans altérer le fichier d'origine.
+-----------------------------------------------------------------------+
| Scénarios fréquents de nettoyage de données |
+-------------------------+---------------------------------------------+
| Anomalie constatée | Méthode de traitement ChatGPT |
+-------------------------+---------------------------------------------+
| Dates hétérogènes | Harmonisation automatique au format ISO 8601|
| Chiffres avec symboles | Suppression des devises, virgules et pourcent|
| Valeurs manquantes | Imputation par médiane/mode ou exclusion |
| Lignes en double | Déduplication selon la clé primaire |
| Colonnes combinées | Séparation prénom/nom, adresses, codes SKU |
| Libellés disparates | Uniformisation catégorielle (ex. 'FR', 'France')|
+-------------------------+---------------------------------------------+
Gestion des valeurs manquantes et des doublons
Plutôt que de filtrer manuellement des cellules vides parmi des dizaines de milliers de lignes, l'analyste formule des critères métiers clairs :
« Examine les valeurs manquantes dans 'ID_Client', 'Montant_Commande' et 'Date_Inscription'. Si 'ID_Client' est vide, supprime la ligne correspondante. Si 'Montant_Commande' est vide, remplace-le par la valeur médiane de sa catégorie de produit. Enfin, identifie les doublons sur la base de 'ID_Transaction' et conserve uniquement la ligne la plus récente. »
ChatGPT conçoit un code combinant dropna(), groupby().transform() et drop_duplicates(subset=['ID_Transaction'], keep='last').
Normalisation des formats
Les extractions de systèmes ERP ou CRM stockent fréquemment les montants et les dates sous forme de texte brut :
« Standardise les colonnes numériques et de dates : convertis 'Chiffre_Affaires' en nombre décimal (float) en ôtant le symbole '€' et les séparateurs de milliers. Convertis 'Date_Vente' au format standard YYYY-MM-DD. Dans la colonne 'Region', supprime les espaces superflus au début et à la fin et passe les textes en majuscules. »
Scission et extraction de champs composites
Lorsque plusieurs informations sont regroupées au sein d'une même cellule :
« Sépare la colonne 'Nom_Complet' en 'Prenom' et 'Nom'. Dans la colonne 'SKU', isole le préfixe de trois lettres situé avant le tiret dans une nouvelle colonne intitulée 'Gamme_Produit'. »
Exportation du jeu de données assaini
Une fois le nettoyage achevé, l'analyste sollicite le fichier finalisé :
« Enregistre le jeu de données nettoyé dans un fichier Excel nommé 'Transactions_Q3_Nettoye.xlsx' et fournis-moi le lien de téléchargement direct. »
La base assainie peut alors être réinjectée dans Excel, Power BI ou Tableau pour la suite des travaux.
3. Calcul des statistiques descriptives et des indicateurs métiers
Une fois les données assainies, il est possible d'extraire des indicateurs quantitatifs, de segmenter les résultats et de cerner les leviers de performance.
Tableau exhaustif de statistiques descriptives
Une seule instruction génère un récapitulatif quantitatif complet :
« Fournis un bilan complet de statistiques descriptives pour l'ensemble des variables numériques : effectif, moyenne, médiane, écart-type, écart interquartile (IQR), percentiles 25 et 75, et coefficient d'asymétrie (skewness). Présente ces données dans un tableau soigné. »
Grâce à df.describe(), les calculs sont rigoureusement conformes aux standards académiques, éliminant les erreurs manuelles de saisie de formules.
Regroupements multidimensionnels et tableaux croisés
L'analyse par segment ou par canal s'effectue instantanément :
« Regroupe les ventes par 'Region' et 'Categorie_Produit'. Pour chaque groupe, calcule : le chiffre d'affaires brut, le panier moyen, le nombre d'unités vendues et le taux de retour (retours divisés par les ventes totales). Trie le tableau par chiffre d'affaires décroissant. »
ChatGPT applique groupby().agg() ou pd.pivot_table(), générant une synthèse exécutive sans manipulation laborieuse.
Calcul des indicateurs clés de performance (KPI)
L'analyste peut calculer des métriques complexes sans formules à plusieurs étages :
- Croissance mensuelle (MoM) et annuelle (YoY) : Évolution relative grâce à
pct_change(). - Valeur vie client (LTV) et rétention de cohorte : Analyse des cohortes selon la période d'acquisition.
- Principe de Pareto (règle des 80/20) : Calcul de la part cumulée de chiffre d'affaires pour identifier les 20 % de clients générant 80 % des revenus.
« Calcule la contribution cumulée de notre portefeuille clients au chiffre d'affaires. Détermine quel pourcentage exact de clients représente 80 % du chiffre d'affaires total et décris les particularités de ce groupe. »
Corrélations et facteurs déterminants
Pour évaluer les facteurs influençant les ventes :
« Génère une matrice de corrélation entre 'Depenses_Marketing', 'Taux_Remise', 'Visites_Web' et 'Ventes_Nettes'. Précise quels facteurs présentent la plus forte corrélation positive ou négative avec les ventes nettes et commente les résultats en termes opérationnels. »
Le modèle calcule les coefficients de Pearson ou Spearman et formule des conclusions exploitables.
4. Génération et personnalisation de visualisations à partir du tableur
La mise en forme manuelle des graphiques dans les tableurs est souvent fastidieuse. ChatGPT permet de générer des visualisations élégantes directement dans le fil de discussion et de les affiner par simple dialogue.
Choix de la représentation selon l'objectif
L'analyste adapte la forme graphique au message souhaité :
- Évolution temporelle : Graphiques linéaires avec moyennes mobiles à 7 ou 30 jours pour atténuer les effets saisonniers.
- Comparaisons catégorielles : Graphiques à barres horizontales ou verticales, ordonnés selon l'importance de la valeur.
- Distribution et valeurs aberrantes : Boîtes à moustaches (box plots) ou histogrammes avec courbe de densité (KDE).
- Corrélations : Nuages de points avec droite de régression et intervalle de confiance.
- Vue matricielle : Cartes thermiques (heatmaps) pour visualiser les écarts de performance par mois et par gamme.
Consigne de mise en page graphique
Pour obtenir un visuel de qualité professionnelle :
« Crée un graphique à barres horizontales représentant le Chiffre d'Affaires Total par Catégorie de Produit. Trie les catégories par ordre décroissant. Mets en valeur la première catégorie en bleu marine foncé (#1f4e79) et colore les autres en gris clair. Ajoute les valeurs exactes au bout de chaque barre au format 'X,XM €'. Ajoute un titre et un sous-titre explicites, et supprime les bordures supérieure et droite du cadre. »
Chiffre d'Affaires par Catégorie de Produit (T3)
Logiciels Entreprise | [████████████████████████████] 4,8M € (Bleu Marine)
Stockage Cloud | [████████████████] 2,9M € (Gris Clair)
Périphériques | [██████████] 1,8M € (Gris Clair)
Services Support | [██████] 1,1M € (Gris Clair)
Ajustements itératifs et exportation haute définition
Si l'image nécessite des ajustements, nul besoin de recommencer :
- « Augmente la taille de la police des catégories à 12 pt pour faciliter la lecture sur écran de projection. »
- « Ajoute une ligne pointillée verticale rouge représentant l'objectif trimestriel de 2,5 millions d'euros. »
- « Exporte ce graphique au format image PNG haute résolution (300 DPI). »
ChatGPT modifie le script Matplotlib et produit immédiatement le visuel révisé.
5. Précautions et contrôle qualité pour l'analyste
Bien que cet outil accélère considérablement l'exécution, l'analyste doit maintenir un niveau d'exigence méthodologique élevé.
1. Toujours vérifier le code Python exécuté
Ne vous fiez pas exclusivement aux résumés textuels fournis par l'IA. Cliquez sur l'icône de code ([>_]) et examinez le script :
- Des lignes de données valides ont-elles été supprimées par inadvertance lors du traitement des valeurs manquantes ?
- Le panier moyen a-t-il été calculé comme une moyenne simple de moyennes régionales ou comme une moyenne pondérée réelle (somme des chiffres d'affaires divisée par la somme des commandes) ?
- L'ordre des jours et des mois a-t-il été respecté lors de la conversion des dates ?
2. Anticiper les limites de mémoire et les réinitialisations de session
L'environnement isolé présente une durée de session limitée. En cas d'inactivité prolongée, l'instance peut se réinitialiser, entraînant la perte des variables en mémoire. Le cas échéant, il suffit de recharger le fichier ou de relancer une consigne d'initialisation du DataFrame.
3. Respecter les règles de conformité et de confidentialité
Veillez à la sécurité des informations de l'entreprise :
- Masquez les noms des clients, les numéros de téléphone et les coordonnées bancaires avant tout chargement.
- Sur les comptes individuels Plus, désactivez l'option d'entraînement du modèle dans les paramètres de confidentialité.
- Pour les usages réguliers en équipe, privilégiez les abonnements ChatGPT Team ou Enterprise, qui offrent des garanties contractuelles de non-utilisation des données pour l'apprentissage.
4. Délimiter le rôle d'Excel et celui de ChatGPT
ChatGPT excelle dans l'analyse exploratoire des données, le nettoyage de texte volumineux, les calculs statistiques et la production automatisée de graphiques. En revanche, les modèles financiers prévisionnels complexes, où de multiples collaborateurs doivent ajuster fréquemment des paramètres cellule par cellule, ont vocation à rester directement administrés dans Excel.
Liste de contrôle opérationnelle pour l'analyste
- Standardiser avant chargement : En-tête sur la première ligne, un seul tableau par onglet et masquage préalable des données sensibles.
- Diagnostiquer d'emblée : Consulter les dimensions (
shape), les types de données et les cellules vides pour évaluer la base. - Nettoyer par étapes : Fixer des règles claires de remplacement et de conversion, puis télécharger le fichier
.xlsxnettoyé. - Vérifier les calculs métiers : Préciser les formules des KPI et contrôler dans le code Python que les calculs de moyennes sont bien pondérés.
- Ajuster les visuels en continu : Définir le type de graphique, le tri, la palette de couleurs et les étiquettes chiffrées avant l'exportation en haute résolution.