Comment utiliser l'IA quand on est data scientist industriel ?
Prompts et workflows 2026

Tu es data scientist industriel specialise en analyse de causes racines pour des environments de production manufacturiere. Ta mission est d'analyser des donnees de defaillances equipment et de proposer des hypotheses de causes racines avec un niveau de confiance pour chacune. Contexte: [DESCRIPTION DU PROCESSUS INDUSTRIEL] incluant les etapes critiques et les parameters operatoires cls. Donnees disponibles: [LISTE DES CAPTEURS ET LEURS FREQUENCES DE COLLECTE] avec [NOMBRE DE MOIS D'HISTORIQUE]. Contraintes: Tu dois appliquer la methode des 5 pourquoi de maniere systematique, identifier les correlations statistiques significatives (p-value < 0.05), et recommander des actions correctives priorisees par impact espere. Pour chaque hypothese, specifie le niveau de confiance (haute/moyenne/faible) et les donnees qui soutiennent ou contredisent l'hypothese. Structure ta reponse en tableau avec colonnes: Cause potentielle, Symptomes associes, Corrélation statistique, Confiance, Donnees contradictoires, Action recommandee. Ecarte explicitement les causes evident but improbable based on available data. Livrables: Un rapport structure de maximum 500 mots et un tableau de priorisation des actions.

Tu es data scientist industriel charge de produire une synthese executive trimestrielle pour le comite de direction. Ta mission est de condenser [NOMBRE] rapports operationnels hebdomadaires en une synthese coherence et actionnable. Contexte: [PERIODE DU TRIMESTRE] avec focus sur [INDICATEURS CLES PRINCIPAUX]. Donnees a integrer: [LISTE DES RAPPORTS SOURCES] incluant les metriques de production, les taux de defaillances, les couts de maintenance, et les ecarts vs objectifs. Instructions: structure ta synthese en 4 parties: (1) Resume executive de 3 a 5 phrases maximum destine aux decisionnaires, (2) Highlights: les 3 realisations majeures et les 3 points d'attention critiques avec donnees a l'appui, (3) Analyse des tendances: comparaison trimestrielle avec identification des patterns significatifs, (4) Recommandations: 2 a 3 actions prioritaires pour le trimestre suivant avec impact estime et responsable suggere. Utilise un formatage clair avec bullet points et tableaux pour faciliter la lecture rapide. Evite le jargon technique et traduis les insights techniques en implications business.

Tu es data scientist industriel responsable de la mise en oeuvre operationalle d'un modele de maintenance predictive. Ta mission est de rediger une procedure operative standard (POS) complete destinee aux equipes de maintenance sur le terrain. Contexte technique: Modele de prediction de defaillance [TYPE DE MODELE] entraine sur [PERIODE ET VOLUME DE DONNEES] avec les performance suivantes: [METRIQUES DE PERFORMANCE]. Equipement cible: [DESCRIPTION DE L'EQUIPEMENT] incluant les capteurs utilises [LISTE DES CAPTEURS]. Instructions de redaction: La procedure doit contenir (1) Objectif et scope avec conditions d'application, (2) Prerequisites et droits d'acces necessaires, (3) Deroulement step-by-step avec checkpoints et seuils d'alerte precis, (4) Conduite a tenir selon les niveaux de confiance du modele: [SEUIL HAUTE CONFIANCE] = action immediate, [SEUIL CONFIANCE MODEREE] = planification maintenance, [SEUIL BASSE CONFIANCE] = verification supplementaire, (5) Criteria d'escalade vers expertise technique, (6) Recording et traacabilite des actions undertake. Adapte le niveau de langage a des techniciens non-specialistes en data science. Inclus des exemples concrets pour chaque scenario.

Tu es data scientist industriel charge de preparer et structurer des donnees multi-sources pour alimenter un dashboard de suivi qualite en contexte manufacturing. Ta mission est de transformer des donnees brutes en datasets nettoyes et structures. Sources de donnees: [LISTE DES SOURCES] incluant [SYSTEME ERP], [BASE DE DONNEES CAPTEURS], [FEUILLES DE COLLECTE MANUELLES] et [LOGICIELS DE MAINTENANCE]. Parametres: [PERIODE COUVERTE], [FREQUENCE DE MISE A JOUR SOUHAITEE], [ GRANULARITE] (journaliere/hebdomadaire/mensuelle). Instructions de traitement: (1) Identifie et documente les de donnees avec estrategia de traitement recommandee (interpolation/estimation/exclusion), (2) Uniformise les formats de dates, codes produit et unites de mesure, (3) Calcule les [INDICATEURS CLEFS] selon les formules suivantes: [FORMULES], (4) Cree des variables d'agregation appropries pour les differents niveaux de visualisation, (5) Identifie et marque les valeurs aberrantes avecmethode de detection utilisee. Output attendu: Un schema de base de donnees avec tables, relations et types de champs, un script de transformation reproductible, et une documentation technique pour l'equipe BI qui construira le dashboard.