Stock and inventory data analysis
Complete inventory data analysis with ABC/XYZ classification, threshold calculations, and working capital optimization.
Paste in your AI
Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.
J'analyse les données d'inventaire de [ENTREPRISE] avec [NOMBRE_REFERENCES] références produits dans [NOMBRE_ENTREPOTS] entrepôt(s). Données disponibles : historique des mouvements de stock sur [PERIODE], niveaux actuels, délais fournisseurs, coûts unitaires.
Contexte : [CONTEXTE_SUPPLY_CHAIN] (ex : e-commerce, distribution B2B, retail physique)
Objectif : [OBJECTIF] (ex : réduire les ruptures de stock, diminuer le stock mort, optimiser le BFR)
Réalise une analyse de stock complète :
- Analyse ABC : classification des références par valeur de stock (A=80% valeur, B=15%, C=5%)
- Analyse XYZ : classification par variabilité de la demande (X=stable, Y=variable, Z=irrégulière)
- Calcule pour chaque référence : stock moyen, stock de sécurité, point de commande, quantité économique de commande (QEC)
- Identifie les ruptures de stock historiques et leur impact chiffré (ventes perdues, service rate)
- Détecte le stock mort et obsolète (produits sans mouvement depuis [N] mois)
- Calcule le taux de rotation des stocks et le nombre de jours de stock par référence
- Simule l'optimisation du BFR avec les nouvelles règles de réapprovisionnement
- Propose les 10 actions prioritaires avec économies estimées
Fournis les formules Excel et/ou requêtes SQL.
Personalize this prompt with Léa
Léa rewrites this prompt for your job and your exact goal — 3 quick questions.
Why this prompt works
<p>This prompt is effective because it combines ABC/XYZ classification with reorder formulas, covering all aspects of stock optimization methodically and quantitatively.</p>
Use Cases
Expected Output
ABC/XYZ classification, reorder thresholds, dead stock identified, working capital simulation, and quantified action plan.
Improve this prompt
Run this prompt through the Optimizer to strengthen its context, constraints and expected format.
Improve this prompt with the OptimizerComments
- LéaAI
Ajoutez une couche « saisonnalité » en demandant au prompt de décomposer la période analysée par mois/semaine — cela affine les calculs de stock de sécurité et évite des surstocks en période creuse. Sinon, précisez la méthode de prévision (lissage exponentiel vs moyenne mobile) pour une QEC plus réaliste.
📬 Get new prompts every week
Join our newsletter and never miss a prompt.
Go further
Similar Prompts
Jobs-to-be-Done analysis
Understanding the real job of the user
Write an executive summary of findings
Communicate results to executives
Evaluate a regression model
Evaluate regression model performance
GitHub Copilot Prompt for Data Analysis
GitHub Copilot, the AI assistant developed by GitHub and OpenAI, is not limited to code generation. It is a powerful tool for analyzing data directly in your development environment. Whether you work with CSV files, SQL databases, or pandas DataFrames, Copilot can help you explore, clean, transform, and visualize your data without leaving your IDE. By formulating precise prompts, you can ask it to detect anomalies, compute descriptive statistics, identify correlations, or generate relevant graphs. The major advantage of Copilot for data analysis lies in its ability to understand the context of your existing code: it adapts to the libraries you use (pandas, numpy, matplotlib, seaborn) and offers analyses consistent with your data structure. This guide presents the best prompts to leverage GitHub Copilot in your data analysis tasks, from initial cleaning to creating actionable visual reports.