# Banque de prompts F08 - Data Literacy et Culture Data

## 1. Audit qualité d'un CSV
Agis comme un analyste data senior. Analyse uniquement le fichier fourni. Commence par décrire les colonnes et leurs types. Contrôle les valeurs manquantes, doublons, formats invalides, incohérences de dates, valeurs extrêmes et clés non uniques. Produis un tableau : anomalie, règle violée, volume concerné, impact possible, correction proposée. N'effectue aucune correction silencieuse.

## 2. Analyse descriptive vérifiable
Calcule pour chaque variable pertinente : nombre d'observations, moyenne, médiane, minimum, maximum, quartiles et écart-type. Pour les catégories, donne effectifs et proportions. Indique les filtres appliqués et fournis les formules ou étapes permettant de reproduire les résultats.

## 3. Choix de visualisations
Pour chaque question métier ci-dessous, recommande un graphique. Justifie le choix, précise les axes, unités, filtres et risques d'interprétation. Refuse les graphiques 3D et signale toute échelle susceptible d'exagérer les écarts.

## 4. Recherche d'anomalies
Identifie les observations atypiques sans les déclarer automatiquement erronées. Distingue anomalie statistique, erreur de saisie probable et événement métier plausible. Propose un contrôle auprès du propriétaire de la donnée.

## 5. Storytelling data
À partir des résultats validés, rédige une note structurée : contexte, question, trois constats chiffrés, limites, deux hypothèses à tester, trois décisions possibles, indicateurs de suivi. Ne transforme aucune corrélation en causalité.

## 6. Dictionnaire de données
Construis un dictionnaire avec : nom du champ, définition métier, type, format, unité, source, propriétaire, fréquence, niveau de sensibilité, règle de qualité et exemple valide.

## 7. Gouvernance
À partir du domaine de données décrit, propose une matrice RACI, cinq règles de qualité, une fréquence de contrôle, un processus de correction et un registre minimal des accès.

## 8. Vérification contradictoire
Reprends l'analyse précédente comme un auditeur critique. Cherche erreurs de calcul, filtres non documentés, sélection biaisée, confusion corrélation-causalité, échantillon insuffisant et recommandations non soutenues.