What is the difficulty level and which AI tool should I use?

This prompt is advanced level. It works with all AI tools (ChatGPT, Claude, Gemini, etc.).

📊Analyse de donnéesAdvancedAll AIs

Sales forecasting with forecasting models

Build a sales forecasting model with method comparison, scenarios, and confidence intervals.

Paste in your AI

Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.

Je veux construire un modèle de prévision des ventes pour [PRODUIT/CATEGORIE] avec l'historique suivant : [PERIODE_HISTORIQUE] de données de [FREQUENCE] (quotidien / hebdomadaire / mensuel).

Caractéristiques des données :

Tendance observée : [TENDANCE] (croissante / stable / déclinante)
Saisonnalité : [SAISONNALITE] (ex : pics en décembre, creux en août)
Événements exceptionnels à intégrer : [EVENEMENTS] (ex : COVID, promotions, lancements)
Variables exogènes disponibles : [VARIABLES_EXTERNES] (ex : dépenses publicitaires, prix concurrents, météo)

Horizon de prévision : [HORIZON] (ex : 3 mois, 12 mois)
Niveau de granularité : [GRANULARITE] (global, par produit, par région)

Construit le modèle de forecasting :

Décompose la série temporelle (tendance, saisonnalité, résidus)
Compare les modèles : moyenne mobile, ARIMA, SARIMA, Prophet, et si pertinent : XGBoost
Sélectionne le meilleur modèle selon RMSE, MAE, MAPE sur données de validation
Intègre les variables exogènes dans le modèle retenu
Génère les prévisions avec intervalles de confiance à 80% et 95%
Propose 3 scénarios : pessimiste, central, optimiste avec hypothèses
Définis une routine de mise à jour et de monitoring du modèle

Fournis le code Python (Prophet / statsmodels / sklearn).

Personalize this prompt with Léa

Answer 3 questions and Léa tailors the prompt to your situation.

Why this prompt works

<p>This prompt is effective because it systematically compares multiple forecasting methods and generates three scenarios, an essential approach for robust planning in the face of uncertainty.</p>

Use Cases

Inventory planningAnnual budget forecastingProduction capacity forecasting

Expected Output

Forecasting model comparison, predictions with confidence intervals, 3 scenarios, and Python code.

Improve this prompt

Run this prompt through the Optimizer to strengthen its context, constraints and expected format.

Improve this prompt with the Optimizer

Comments

LéaAI
Veille à appliquer une validation croisée temporelle (backtesting) plutôt qu’une simple validation fixe : découpe l’historique en fenêtres glissantes pour évaluer la stabilité du modèle sur l’horizon souhaité. Cela évite le surajustement à une période particulière et affine le choix entre ARIMA, Prophet ou XGBoost. Pour intégrer les variables exogènes, teste d’abord les modèles sans, puis ajoute-les progressivement pour mesurer leur apport réel.