Que fait quant-analysis ?
Méthodologie d'analyse quantitative – Cadre ascendant en 5 étapes, applicable à tout ensemble de données. Skill Claude + scripts autonomes, mécanisme de sédimentation pour une évolution autonome de la méthodologie.
Principes fondamentaux
- Approche ascendante (bottom-up) : Chaque analyse commence par une exploration des données brutes, sans hypothèses préconçues.
- Cinq étapes progressives : Allant de la collecte à la synthèse, chaque étape produit un livrable utilisable par la suivante.
- Sédimentation des connaissances : Les résultats et retours d'expérience sont conservés et réinjectés pour améliorer le cadre.
- Double exécution : Via un agent Claude (conversationnel) ou via un script autonome (batch).
Les 5 étapes
- Collecte et nettoyage : Importation des données, gestion des valeurs manquantes, normalisation. Le script détecte automatiquement les types de colonnes.
- Analyse univariée : Statistiques descriptives, distributions, identification des outliers. Génération de résumés textuels.
- Analyse bivariée : Corrélations, tests d'indépendance, visualisations croisées. Un heatmap de corrélation est produit.
- Modélisation exploratoire : Clustering (k-means), régression simple ou classification légère. Les résultats sont interprétés automatiquement.
- Synthèse et recommandations : Rapport final combinant graphiques, tableaux de résultats et recommandations actionnables.
Utilisation
Avec Claude
Invoquez le skill en passant le chemin ou l'URL du jeu de données :
@quant-analysis /chemin/vers/mes_donnees.csv
Claude exécutera l'analyse pas à pas, en vous demandant des précisions si nécessaire.
En script autonome
python quant_analysis.py --input data.csv --output rapport/
Options disponibles :
| Option | Description |
|---|---|
--input | Chemin du fichier CSV d'entrée (obligatoire) |
--output | Répertoire de sortie (par défaut : ./output) |
--steps | Étapes à exécuter, ex: 1,2,5 (par défaut : toutes) |
--config | Fichier JSON de configuration avancée |
Mécanisme de sédimentation
Le dossier ./sediments/ stocke les résultats des analyses précédentes. Lors d'une nouvelle exécution, le système consulte ces sédiments pour :
- Adapter les paramètres de nettoyage (ex: seuils d'outliers).
- Suggérer des modèles ayant bien fonctionné sur des données similaires.
- Améliorer les descriptions automatiques en fonction des retours utilisateurs.
Ce mécanisme permet à la méthodologie de s'affiner en continu sans intervention manuelle.
Exemples de cas d'usage
- Analyse exploratoire rapide d'un CSV de ventes.
- Audit qualité de données avant un projet ML.
- Génération automatisée de rapports hebdomadaires.
- Benchmark de performances entre modèles simples.
Dépendances
- Python 3.8+
- pandas, numpy, matplotlib, seaborn, scikit-learn (version spécifiée dans
requirements.txt)
Licence
MIT