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
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 systematically compares multiple forecasting methods and generates three scenarios, an essential approach for robust planning in the face of uncertainty.</p>
Use Cases
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 OptimizerComments
- 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.
📬 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
Stable Diffusion Prompt for Survey Analysis
Stable Diffusion, renowned for its power in AI image generation, can be creatively repurposed to produce striking visualizations from survey data. Rather than being limited to traditional charts, this tool enables you to transform statistical results into visual infographics, conceptual illustrations, or artistic representations that immediately capture attention. By crafting precise prompts that describe the trends, proportions, and key insights of a survey, you obtain unique visuals that make your data accessible and memorable. Whether you are preparing a presentation, a report, or a social media post, Stable Diffusion helps you bring your numbers to life. This approach is particularly effective for communicating complex results to a non-technical audience, replacing classic pie charts with powerful visual metaphors. In this guide, discover the optimal prompt for transforming your survey data into impactful visual creations, with variants suited to every level of expertise.
Evaluate a regression model
Evaluate regression model performance
Prompt Claude to Analyze User Feedback
Analyzing user feedback is a strategic lever for any company looking to improve its products and services. However, manually processing hundreds or even thousands of customer reviews is time-consuming and prone to interpretation bias. Claude excels at this task thanks to its ability to understand natural language nuances, detect implicit sentiments, and automatically categorize feedback along relevant axes. Whether it's product reviews, support tickets, NPS survey responses, or social media comments, Claude can extract actionable insights in seconds. By properly structuring your prompt, you get a systematic analysis that identifies recurring trends, prioritizes problems by impact, and provides concrete recommendations. This approach transforms raw qualitative data into a clear decision-making dashboard, allowing product, support, and marketing teams to act quickly on friction points identified by your users.