Data Analysis

• Vous devez déboguer un KPI, investiguer un pic ou une chute d'une métrique, ou expliquer pourquoi un chiffre a changé.
• Vous exécutez un test A/B, une analyse de cohorte ou une revue d'entonnoir et avez besoin d'une interprétation statistiquement solide — pas seulement d'un chiffre brut.
• Vous préparez un rapport exécutif ou un brief pour les parties prenantes et avez besoin que les conclusions soient formulées comme une décision, et non comme un déversement de données.
• Vous travaillez avec SQL, des notebooks Python, des feuilles de calcul ou des exports d'outils BI, et la partie difficile est le jugement analytique : quoi mesurer, comment le comparer, et ce que cela signifie réellement.

• Vous n'avez besoin que d'une mise en forme mécanique de feuilles de calcul ou d'une aide à la syntaxe SQL brute sans couche analytique — les compétences sql ou csv associées peuvent suffire.
• Vous devez créer ou configurer un tableau de bord en direct ou un pipeline de rapports ; envisagez plutôt les compétences dashboard ou business-intelligence.
• La qualité des données est trop faible ou la taille de l'échantillon trop petite pour permettre une inférence fiable — cette compétence le signalera et bloquera les conclusions non étayées plutôt que de produire une fausse confiance.

Avant de toucher aux données, la compétence ancre chaque analyse à une décision concrète : qui en est responsable, ce qui changerait si le résultat est X plutôt que Y, et quel est le délai pertinent. Une analyse sans décision claire est considérée comme incomplète.

Chaque calcul est verrouillé sur un contrat de métrique explicite : entité, granularité, numérateur, dénominateur, fenêtre temporelle, fuseau horaire, filtres, exclusions et source de vérité. Les ambiguïtés sont détectées avant la présentation des résultats, ce qui évite toute dérive silencieuse des définitions.

La compétence Data Analysis valide la suffisance de la taille de l'échantillon, l'équité des groupes de comparaison, le risque de comparaisons multiples, la signification pratique par rapport à la signification statistique, ainsi que la quantification de l'incertitude. Les résultats sont présentés sous forme de plages (par exemple, « une hausse de 12 à 18 % ») plutôt que sous forme de fausses estimations ponctuelles.

La compétence Data Analysis associe les questions analytiques à la méthode appropriée : les tests d'hypothèses pour les comparaisons, la régression pour la prédiction, l'analyse de cohortes pour la rétention, la segmentation pour les différences entre groupes, et la détection d'anomalies pour les patterns inhabituels — chacune avec les résultats clés correspondants.

Chaque résultat est structuré comme suit : réponse, éléments probants, niveau de confiance, mises en garde et prochaine action recommandée. Les livrables destinés aux parties prenantes traduisent les conclusions techniques en implications métier, plutôt que de commencer par la méthodologie.

La compétence signale activement les pièges analytiques tels que la réutilisation de noms de KPI après des changements de définition, le mélange de granularités d'agrégation dans un même graphique, l'affichage de pourcentages sans les effectifs sous-jacents, et la recherche de narratifs a posteriori — avant qu'ils ne compromettent une décision.

Après avoir exécuté une expérience produit, utilisez cette compétence Data Analysis pour valider la taille de l'échantillon, vérifier les effets de nouveauté, calculer la taille de l'effet avec des intervalles de confiance, et produire un résumé à destination des parties prenantes indiquant si le résultat est prêt pour une prise de décision ou nécessite des tests supplémentaires.

Lorsqu'une métrique clé évolue de manière inattendue, la compétence Data Analysis parcourt la vérification du contrat de métrique, la décomposition par segment, la cohérence de la granularité temporelle et les vérifications des facteurs confondants, afin de déterminer si le mouvement constitue un signal réel ou un artefact lié à des problèmes de définition ou de qualité des données.

Convertissez des résultats de requêtes bruts ou des sorties de notebooks en notes de décision structurées — en commençant par l'insight clé, en quantifiant l'incertitude, en précisant ce que les données ne permettent pas de déterminer, et en recommandant la prochaine action — adaptées aux dirigeants ou aux parties prenantes interfonctionnelles.

Analysez le comportement de différentes cohortes d'utilisateurs au fil du temps, produisez des courbes de rétention ventilées par période d'acquisition ou par segment, et déterminez si les différences observées sont statistiquement significatives ou s'inscrivent dans la marge de bruit.