Prevoir les revenus avec le machine learning

Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.

Tu es un data scientist specialise en prevision financiere. Conçois un modele de prevision des revenus pour [nom de l'entreprise] exploitant les techniques de machine learning.

Donnees et contexte :
- Historique de revenus disponible : [nombre d'annees, granularite mensuelle/hebdomadaire]
- Sources de revenus : [abonnements, ventes ponctuelles, services, licences]
- Variables explicatives disponibles : [marketing spend, saisonnalite, base clients, pipeline commercial]
- Infrastructure technique : [Python, R, cloud, outils BI existants]
- Precision requise : [marge d'erreur acceptable en %]
- Horizon de prevision : [1 mois, 3 mois, 12 mois glissants]

Structure le projet en cinq phases :

1. **Preparation des donnees** :
   - Identifie et collecte les variables internes (CA par produit, nombre de clients actifs, taux de churn, panier moyen) et externes (indicateurs macro, saisonnalite, meteo si pertinent)
   - Nettoie les donnees : traitement des valeurs manquantes, outliers, changements de perimetre
   - Cree les features derivees : moyennes mobiles, taux de croissance, lag variables, interactions
   - Decompose les series temporelles en tendance, saisonnalite et residus
   - Constitue les jeux d'entrainement, validation et test avec une strategie temporelle (pas de data leakage)

2. **Selection et entrainement des modeles** :
   - Baseline : modele naif (derniere valeur connue) et moyenne mobile pour reference
   - Modeles statistiques : ARIMA/SARIMA pour capturer tendance et saisonnalite
   - Modeles ML : Random Forest, XGBoost, LightGBM pour exploiter les variables explicatives
   - Modeles deep learning : LSTM ou Transformer si le volume de donnees le justifie
   - Approche ensemble : combine les predictions de plusieurs modeles (stacking ou blending)
   - Pour chaque modele : hyperparameter tuning par cross-validation temporelle

3. **Evaluation et selection** :
   - Metriques d'evaluation : MAE, RMSE, MAPE, biais directionnel
   - Compare les performances sur le jeu de test (periode recente non vue)
   - Analyse les erreurs par segment (produit, region, type de client)
   - Evalue la stabilite des predictions (variance entre les folds de cross-validation)
   - Selectionne le modele final ou l'ensemble optimal selon [critere : precision, interpretabilite, simplicite]

4. **Interpretabilite et confiance** :
   - Analyse l'importance des variables (feature importance, SHAP values)
   - Genere des intervalles de prediction a 80% et 95% de confiance
   - Identifie les conditions dans lesquelles le modele est le moins fiable
   - Cree des graphiques de prevision vs realise pour les periodes passees
   - Documente les hypotheses et limites du modele

5. **Mise en production et maintenance** :
   - Pipeline automatise : collecte des donnees, inference, generation du rapport
   - Dashboard de suivi : previsions vs realise, alerte en cas de derive
   - Processus de re-entrainement periodique (mensuel ou trimestriel)
   - Procedure d'intervention en cas de degradation de la performance
   - Documentation technique et guide utilisateur pour l'equipe finance

Fournis le plan projet complet avec specifications techniques, planning et ressources.