Un client m'envoie un fichier Excel de 47 000 lignes. Des ventes, des dates, des codes produits dans un format que personne n'a documenté depuis 2019. Sa question : « Pourquoi nos marges s'effondrent sur le segment B ? » Avant, j'aurais passé deux jours à nettoyer les colonnes, croiser les tableaux, tester des hypothèses. Là, j'ai copié le fichier dans un outil d'IA, écrit une phrase en français, et j'ai eu une première réponse exploitable en onze minutes. Pas une réponse parfaite. Une réponse qui m'a fait gagner la journée.
C'est ça, utiliser l'intelligence artificielle pour analyser des données aujourd'hui. Pas de la magie, pas un remplacement de l'analyste. Un accélérateur brutal sur les étapes qui vous ennuient, et un filet de sécurité sur celles où vous auriez oublié un contrôle.
Je vais vous montrer comment je procède concrètement, ce qui marche, ce qui m'a fait perdre du temps, et où il faut garder la main. Parce que sur ce sujet, beaucoup d'articles vous vendent la promesse sans jamais vous donner le mode d'emploi.
Points clés à retenir
- L'IA générative écrit le code et les formules ; elle ne décide pas à votre place quel indicateur compte.
- Un fichier propre en entrée vaut mieux que dix prompts bien rédigés.
- Trois familles d'outils se distinguent : assistants de code (Claude, ChatGPT), notebooks assistés (Julius), et analyse de corpus documentaires (NotebookLM).
- La vérification d'un résultat généré n'est pas optionnelle : je refais toujours tourner le calcul à la main sur un échantillon.
- L'IA prédictive et l'IA générative ne font pas le même métier — les confondre est l'erreur la plus coûteuse.
Analyser des données avec l'IA : ce qui change vraiment dans la journée d'un analyste
La promesse du « l'IA va tout analyser pour vous » est fausse. Ce qui change, c'est la répartition de votre temps.
Où l'IA fait gagner des heures
Le nettoyage. Franchement, qui aime écrire des formules pour détecter les doublons, harmoniser des dates au format américain et européen mélangés, ou repérer les cellules où quelqu'un a tapé « N/A », « n/a » et « - » ? Personne. Et pourtant c'est 60 à 70 % du travail réel sur un jeu de données qui vient de l'extérieur.
Un exemple qui m'a marqué. Un fichier de facturation avec une colonne « pays » contenant « France », « FR », « france » et « FRA ». Trois minutes de prompt : « Normalise cette colonne pays en codes ISO à deux lettres, liste-moi les valeurs ambiguës avant de modifier quoi que ce soit. » L'IA a sorti la liste des cas douteux, j'ai tranché les quatre qui posaient problème, elle a appliqué. Sans elle, une heure de tri manuel et probablement deux erreurs laissées passer.
La traduction question → code. Vous ne vous souvenez jamais de la syntaxe exacte d'un groupby avec deux agrégations et un filtre de date ? Vous écrivez la phrase en français, vous obtenez le script. Pour quelqu'un qui touche à l'analyse sans être développeur, c'est le changement le plus tangible.
Où l'IA ne remplace personne
Le choix de l'indicateur. Aucun outil ne sait que dans votre entreprise, la marge brute se calcule après réintégration des remises volume, et que si vous l'oubliez, vos chiffres sont faux de 8 %. Cette connaissance est dans votre tête ou dans un process que personne n'a écrit.
L'interprétation. Une corrélation à 0,72 entre deux variables, c'est une information. Savoir si elle a un sens économique, c'est votre métier.
Le contrôle qualité. J'y reviens plus bas, c'est la partie que tout le monde saute et qui coûte cher.
Différence entre IA générative et IA prédictive : ne les confondez plus
On me pose la question à chaque formation, et la confusion est légitime parce que le vocabulaire est mal fichu.
| IA générative | IA prédictive | |
|---|---|---|
| Ce qu'elle fait | Produit du texte, du code, des formules à partir d'une consigne | Estime une valeur future à partir d'historique |
| Comment on l'utilise | On discute, on itère, on corrige la consigne | On l'entraîne sur des données passées, puis on l'interroge |
| Exemple concret | « Écris-moi le script qui calcule le taux de churn par cohorte » | « Quelle est la probabilité que ce client parte le mois prochain ? » |
| Ce qu'elle ne sait pas faire | Deviner une règle métier absente de vos documents | Expliquer pourquoi elle prédit cela, dans la plupart des cas |
| Risque principal | Inventer un chiffre plausible | Apprendre un biais présent dans l'historique |
Dans la pratique, les deux se combinent. Vous utilisez l'IA générative pour préparer et explorer les données, puis un modèle prédictif pour anticiper. L'une nettoie le terrain, l'autre fait la prévision. Elles ne se substituent pas.
Un exemple d'IA prédictive qui a mal tourné
Un ancien client dans la distribution voulait prédire les ruptures de stock. Le modèle était bon sur le papier. Sauf qu'il s'entraînait sur trois ans d'historique pendant lesquels deux entrepôts avaient fermé et un fournisseur principal avait changé. Résultat : il prévoyait très bien le monde d'avant. On a dû réentraîner sur dix-huit mois et intégrer une variable « fournisseur actif ». La leçon : un modèle prédictif est aussi fiable que l'historique sur lequel il repose, et l'historique contient toujours des ruptures que personne n'a documentées.
Le workflow pas-à-pas, du fichier brut à la décision
Voici la méthode que j'applique, dans l'ordre. Elle vaut pour un fichier Excel comme pour un export de base de données.
- Je décris le fichier à l'IA sans lui donner les données : nombre de lignes, nom des colonnes, ce que je cherche. Ça évite de balancer des données personnelles dans un outil cloud avant d'avoir vérifié ce qu'il en fait.
- Nettoyage guidé : je demande la liste des anomalies avant toute modification. L'IA propose, je valide.
- Première exploration : « Donne-moi les cinq tendances les plus visibles et, pour chacune, le contre-exemple qui l'infirme. » Cette deuxième partie est essentielle, j'y reviens.
- Formulation d'hypothèses métier, puis test avec le script généré.
- Contrôle manuel sur un échantillon de 30 à 50 lignes tirées au hasard.
- Visualisation, puis restitution.
L'étape 6 mérite un mot. Pour les graphiques, l'IA génère du code de visualisation correct mais souvent fade. Je génère la structure, puis je reprends les couleurs et les libellés moi-même. Le temps gagné reste considérable.
Le prompt qui change tout : demander le contre-exemple
Si vous ne retenez qu'une chose de cet article, retenez celle-là. Un modèle génératif est conçu pour vous donner une réponse fluide et confiante. Si vous demandez « quelles sont les tendances ? », il vous en trouvera toujours trois, même dans du bruit pur.
Alors je formule systématiquement en deux temps : « Voici les tendances que tu observes. Maintenant, pour chacune, quel élément du jeu de données la contredit ou la nuance ? » Cette contrainte le force à regarder ce qui ne colle pas. Sur le fichier de mon client du début, c'est exactement ce qui a fait émerger le vrai problème : ce n'était pas la marge du segment B qui baissait, c'était une hausse des retours sur deux références précises, noyée dans la moyenne.
Quels outils choisir, y compris les options gratuites
Le paysage bouge vite, et les versions gratuites suffisent pour apprendre. Voici comment je classe les outils que j'utilise ou que je recommande.
- Claude : mon choix par défaut pour l'analyse de fichiers et l'écriture de code d'analyse. Il tient bien un contexte long et pose des questions de clarification quand la consigne est floue, ce qui est rare. Version gratuite utilisable, version payante nécessaire dès que vous travaillez sur de gros fichiers.
- NotebookLM : excellent pour analyser un corpus de documents (rapports, PDF, comptes rendus) et en extraire une synthèse sourcée. Ce n'est pas un outil de calcul, ne lui demandez pas de faire tourner une régression.
- Julius : orienté analyse statistique et graphiques, avec une version gratuite limitée en nombre de messages. Bon point d'entrée si vous voulez voir à quoi ressemble un notebook assisté.
- Les assistants intégrés à Excel et aux tableurs : pratiques pour les formules et les nettoyages simples, souvent limités dès qu'il faut croiser plusieurs sources.
- Les bibliothèques Python assistées : pour tout ce qui doit être reproductible et tourner en production, l'IA écrit le code mais vous l'exécutez chez vous. C'est ce que je fais dès qu'un résultat doit être réutilisé chaque mois.
Un critère que je n'ai vu nulle part dans les comparatifs : la reproductibilité. Un outil qui vous donne une réponse dans une interface de chat sans vous laisser récupérer le code correspondant vous fait gagner une heure aujourd'hui et vous en coûtera dix dans trois mois, quand il faudra refaire l'analyse sur des données mises à jour. Pour tout ce qui est récurrent, exigez de pouvoir exporter le script.
Les limites qu'on ne vous dit pas
Trois choses que j'ai apprises à mes dépens.
Les chiffres inventés. Un modèle génératif peut produire un résultat numérique parfaitement crédible qui ne correspond à aucun calcul réel. Il ne « calcule » pas toujours, il « prédit » ce que serait un résultat plausible. C'est pour ça que je fais retomber chaque chiffre important via un script exécuté, jamais via une réponse en texte libre.
Les données confidentielles. Envoyer un fichier client dans un outil cloud sans vérifier sa politique de rétention, c'est un risque juridique, pas un détail technique. Sur les projets sensibles, je travaille en local avec des modèles ouverts, ou j'anonymise avant.
Le biais de confirmation accéléré. Quand l'IA vous confirme en trente secondes une intuition que vous aviez déjà, vous avez tendance à ne plus la tester. Or elle vous confirmera à peu près n'importe quoi si vous formulez la question dans ce sens. D'où l'étape du contre-exemple, encore elle.
Ce que je conseillerais à quelqu'un qui débute cette semaine
Prenez un fichier que vous connaissez déjà, dont vous avez déjà tiré vos conclusions à la main. Refaites l'analyse avec un assistant. Comparez. Vous verrez immédiatement où il vous fait gagner du temps et où il se trompe. C'est le seul moyen honnête de calibrer votre confiance.
Et gardez en tête que la compétence qui prend de la valeur n'est pas « savoir prompter ». C'est savoir poser la bonne question à un jeu de données, et savoir reconnaître une réponse fausse quand on en voit une. L'IA a rendu l'exécution quasi gratuite. Le jugement, lui, n'a jamais été aussi cher.
La vraie question n'est plus de savoir si vous allez utiliser ces outils. Elle est de savoir si vous saurez dire non à un résultat qui a l'air propre.
