Comment utiliser l'IA quand on est data quality analyst ?
Prompts et workflows 2026

En tant que data quality analyst, tu dois analyser un jeu de donnees pour identifier les problemes de qualite. Utilise la matrice DQV (Data Quality Validation) avec les dimensions suivantes: completude, exactitude, coherent, actualite, unicite. Pour le fichier [NOM_FICHIER] contenant [NOMBRE_LIGNES] lignes et les colonnes [LISTE_COLONNES], realise les etapes suivantes: 1) Identifie les valeurs nulles et leur distribution par colonne, 2) Detecte les doublons based sur [COLONNE_CLE_PRIMAIRE], 3) Verifie la coherence des formats (dates, codes, etc.) pour [COLONNES_FORMATS], 4) Calcule le taux de remplissage par champ, 5) Propose un scoring global de qualite de 0 a 100. Contexte metier: [DESCRIPTION_PROCESSUS]. Reponds avec un tableau synthetique des anomalies detectees et leur priorite de resolution.

Tu es data quality analyst, ta mission est de rediger une synthese executive des KPIs de qualite des donnees pour le comite de direction. En te basant sur les donnees suivantes recoltees sur la periode [PERIODE_DEBUT] a [PERIODE_FIN]: Taux de complétude global: [TAUX_COMPLETUDE]%, Taux d'exactitude: [TAUX_EXACTITUDE]%, Nombre d'anomalies corrigees: [ANOMALIES_CORRIGEES], Nombre d'anomalies en attente: [ANOMALIES_ATTENTE], SLA de resolution: [SLA_JOURS] jours. Structure ta synthese ainsi: 1) Resume execufif de 3 lignes maximum, 2) Evolution par rapport a la periode precedente (indicateur [EVOLUTION_POSITIVE_NEGATIVE]), 3) Top 3 des problemes impacts metier avec leurs consequences, 4) Actions en cours et plan de remediation, 5) Recommandations pour le prochain trimestre. Tone: professionnel, factuel, orienté decision. Limite a 400 mots. Ajoute un paragaphe sur les risques si les tendances actuelles se poursuivent.

En tant que data quality analyst, tu dois creer un modele de rapport de qualite des donnees pour le domaine [DOMAINE_METIER: finance, RH, operations, etc.]. Ce rapport sera utilise [FREQUENCE: mensuel, hebdomadaire, trimestriel] par [AUDIENCE: equipe data, management, regulators]. Le rapport doit inclure les sections suivantes: 1) Page de garde avec titre, date, version, auteur, 2) Tableau de bord synthetique avec 5 KPIs cles visualises (score global, tendances, comparatif objectif), 3) Inventaire des regles de qualite actives avec leur statut (active, desactive, nouvelle), 4) Detail des anomalies detectees (tableau avec ID, description, severite, provenance, statut), 5) Analyse des causes racines pour les anomalies critiques, 6) Plan d'action avec responsables et echeances, 7) Annexes techniques (requetes SQL, definitions). Pour chaque section, precise le format attendu (tableau, graphique, texte) et la source de donnees. Le modele doit etre adaptable et reutilisable.

Tu es data quality analyst, tu dois definir les regles de validation qualite pour un nouveau flux de donnees entrant. Caracteristiques du flux: Source: [SOURCE_NOM], Format: [FORMAT: CSV, API, BDD], Volume estime: [VOLUME] lignes/jour, Delai d'integration: [DELAI]. Les colonnes a valider sont: [LISTE_COLONNES_AVEC_TYPES]. Pour chaque colonne, etablis: 1) Type de regle (not null, format, plage de valeurs, reference, regle metier), 2) Seuil d'alerte et seuil critique (en pourcentage), 3) Action a declencher en cas de non-conformite (blocage, flag, notification), 4) Requete SQL de validation proposee. Pour les regles metier, integre la logique: [DESCRIPTION_REGLE_METIER]. Classe les regles par priorite (P1 critique, P2 haute, P3 standard). Fournis egalement un plan de test avec jeux de donnees de validation. Contexte additionnel: [CONTEXTE_SPECIFIQUE].