L'auditeur de définitions de métriques : comprendre pourquoi deux équipes publient des chiffres différents
Pourquoi ce prompt est important
Without a canonical definition, every review becomes an argument about whose spreadsheet is correct, and decisions get made on whichever number arrived first. Teams that find a definition gap after a board deck has gone out spend quarters rebuilding trust in the metric.
À quoi nous l'utilisons
Your product team reports 48,200 active customers for March and your finance team reports 31,900. The quarterly review is on Thursday, and you need to know which number is wrong, or whether both are right under different definitions, before anyone presents either one.
Prompt
Act as a senior analytics lead who audits metric definitions before numbers reach executives. Context: I am [YOUR ROLE] at [YOUR COMPANY NAME]. Two or more teams report a metric called [METRIC NAME], and their numbers do not match. Their definitions, queries or dashboard notes are below, followed by the numbers each team reported for the same period: [PASTE DEFINITIONS, QUERIES OR DASHBOARD NOTES HERE] [PASTE THE REPORTED NUMBERS HERE]. Task: (1) Restate each team's definition as an explicit rule covering five dimensions: population (who is counted), event (what counts as an action), time window, deduplication rule, and attribution rule. (2) List every point where the definitions diverge, and estimate how much of the gap between the reported numbers each divergence explains. (3) Recommend one canonical definition that serves [PRIMARY DECISION THIS METRIC DRIVES], and state directionally which team's number will change and why. Constraints: Use only information in my input. Label every estimate as an estimate and state the assumption behind it. Do not favour a team because of seniority or because its number is larger. Write the canonical definition as one sentence a non-analyst could read. If a divergence cannot be resolved from the input, put it under Open Questions instead of guessing. Output Format: (a) a table with columns Team, Population, Event, Window, Deduplication, Attribution; (b) a ranked list of divergences with estimated contribution to the gap; (c) the canonical definition as a single bold sentence; (d) Open Questions as a bullet list.
Résultat
Metric audit: Active Customers (March) Scenario: Product reports 48,200. Finance reports 31,900. Gap: 16,300.
Definitions | Team | Population | Event | Window | Deduplication | Attribution | |---|---|---|---|---|---| | Product | All registered users | Any login | Last 30 days | Per user | User | | Finance | Accounts with a paid subscription | Active paid status on report date | Point-in-time | Per account | Account |
Divergences, ranked by estimated contribution to the gap 1. Population (about 14,800 of the 16,300 gap). Product counts free-tier users who logged in during the window. Finance excludes them. Estimate assumes most free-tier logins in Product's count belong to non-paying accounts. 2. Deduplication and attribution (about 1,500). Product counts each login from a 12-seat account as a separate user. Finance counts the account once. Estimate assumes roughly 1,500 of the gap comes from multi-seat accounts. 3. Window (not quantified). A 30-day login window captures users who lapsed during the month. A point-in-time status does not. This pushes the two numbers in opposite directions and cannot be sized from the input.
Canonical definition **Active Customers is the number of accounts with an active paid subscription on the last day of the reporting month.**
Effect on each team Product's number falls sharply and should be reported under its own name, such as Monthly Active Users. Finance's number does not change.
Open Questions - Does Finance count trial accounts as paying? The input does not say. - Does Product's login count include internal staff or support logins? - Does the 30-day window end at UTC midnight or at each user's local time?
Deux équipes publient la même métrique et obtiennent des chiffres différents. Ce prompt rend explicite la définition de chaque équipe, identifie la divergence qui explique l'écart et propose une définition canonique à présenter lors d'une revue.
Quand l'utiliser
Votre équipe produit annonce 48 200 clients actifs pour mars, et votre équipe finance 31 900. La revue trimestrielle a lieu jeudi. Vous devez savoir lequel des deux chiffres est faux, ou si les deux sont justes selon des définitions différentes, avant de présenter l'un ou l'autre.
Pourquoi c'est important
Sans définition canonique, chaque revue devient une dispute sur la fiabilité des tableurs de chacun, et les décisions se prennent sur le chiffre arrivé en premier. Les équipes qui découvrent un écart de définition après l'envoi d'un rapport au conseil passent des trimestres à restaurer la confiance dans la métrique.
Pourquoi le prompt est construit ainsi
Le rôle définit un analyste qui audite des définitions plutôt que de défendre une équipe. Le contexte exige vos définitions et chiffres réels, si bien que le modèle raisonne à partir de preuves et non d'une idée générale de ce que « actif » peut vouloir dire. Les cinq dimensions (population, événement, fenêtre temporelle, déduplication, attribution) sont les endroits où les définitions divergent presque toujours, et les nommer empêche l'analyse de se réduire à un désaccord flou. Le bloc de contraintes protège contre l'erreur la plus fréquente dans ce type de tâche : des chiffres affirmés avec assurance alors qu'ils ne figuraient pas dans les données. La section des questions ouvertes offre au modèle un espace honnête pour noter ce qu'il ne peut pas trancher.
Comment l'adapter
- Remplacez les champs entre crochets par les définitions réelles issues du tableau de bord ou de la requête de chaque équipe, et non par des résumés.
- Ajoutez les chiffres publiés pour au moins deux périodes. Un écart constant ne vient pas de la même cause qu'un écart variable.
- Après la première exécution, posez une question de suivi : reclassez les divergences en supposant que les comptes d'essai sont inclus dans le décompte de la finance. Cela montre à quel point la conclusion repose sur une seule hypothèse.
Un bon signe que l'audit a fonctionné : la définition canonique tient sur une ligne, et l'équipe dont le chiffre change peut l'accepter. Si ce n'est pas le cas, la définition reste probablement ambiguë.