Segmentation clients par clustering
Segmente une base clients en groupes homogènes via RFM et K-means avec stratégies marketing personnalisées par segment.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Je veux segmenter ma base de [NOMBRE_CLIENTS] clients pour personnaliser mes stratégies marketing. Données disponibles par client : [VARIABLES_DISPONIBLES] (ex : historique d'achats, fréquence, montant, catégories achetées, ancienneté, interactions support).
Objectif : [OBJECTIF_SEGMENTATION] (ex : personnaliser les communications, identifier les clients à risque de churn, prioriser les actions commerciales)
Réalise une segmentation complète :
- Construis une analyse RFM (Récence, Fréquence, Montant) avec notation de 1 à 5 pour chaque dimension
- Applique un algorithme de clustering K-means avec détermination du nombre optimal de clusters (méthode du coude, silhouette score)
- Décris chaque segment obtenu avec ses caractéristiques clés et sa taille
- Nomme chaque segment de façon évocatrice (ex : "Champions", "À risque", "Dormants")
- Propose une stratégie marketing spécifique pour chaque segment
- Calcule la valeur vie client (CLV) estimée par segment
- Définis des KPIs pour mesurer l'efficacité des actions par segment
Fournis le code Python complet (pandas, scikit-learn, matplotlib).
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
Ce prompt est puissant car il combine l'approche RFM classique avec le clustering algorithmique, et va jusqu'aux implications stratégiques concrètes. La demande de code complet le rend immédiatement exécutable.
Cas d'usage
Résultat attendu
Analyse RFM, segments K-means nommés et décrits, stratégies marketing par segment, code Python complet.
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Veillez à standardiser les variables RFM (ex : StandardScaler) avant le clustering, car K-means est sensible aux échelles. Pour intégrer des données catégorielles (catégories achetées), utilisez un encodage one-hot ou une analyse des correspondances multiples (MCA) avant de les concaténer aux scores RFM.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Prompt Stable Diffusion pour analyser des données
Stable Diffusion, reconnu pour ses capacités de génération d'images, offre une approche visuelle unique pour représenter et interpréter des données complexes. Bien que ce ne soit pas un outil d'analyse statistique à proprement parler, Stable Diffusion excelle dans la création de visualisations de données percutantes : infographies, diagrammes stylisés, tableaux de bord conceptuels et représentations graphiques qui rendent les données accessibles et compréhensibles. En combinant des prompts précis avec des références visuelles, vous pouvez transformer des ensembles de données abstraits en illustrations claires et engageantes. Que vous soyez data analyst cherchant à présenter vos résultats de manière impactante, marketeur souhaitant illustrer des tendances, ou chercheur voulant communiquer visuellement vos découvertes, Stable Diffusion vous permet de créer des représentations visuelles de données qui captent l'attention et facilitent la compréhension. Ce guide vous propose des prompts optimisés pour générer des visualisations de données professionnelles, des graphiques conceptuels et des infographies qui transforment vos chiffres en récits visuels convaincants, adaptés à différents contextes professionnels et niveaux d'expertise.
Créer des contrôles de qualité des données
Valider la qualité des données dans les pipelines
Analyse des besoins ADDIE
Analyse ADDIE
Analyse des tendances du marché local
Produire des rapports de marché pour asseoir son expertise locale