Template per Modello di Forecasting della Domanda
Per analyst, demand planner e revenue ops che devono costruire una previsione difendibile e non un numero tirato a caso: questo prompt progetta il modello di forecasting — quale metodo scegliere dato il profilo della serie, quali driver includere, come definire gli scenari, con quali metriche misurare l'accuratezza e come fare backtesting prima di fidarsi.
Esempio di output
## 1. Profilo della serie - Granularità: settimanale; storico: 130 settimane - Stagionalità: annuale (picchi pre-festività) + intra-settimanale debole - Trend: crescente moderato; outlier: 2 promo straordinarie ## 2. Metodo consigliato (con alternative) | Metodo | Quando | Pro | Contro | |---|---|---|---| | Smoothing con stagionalità | storico >=2 cicli, pochi driver | semplice, robusto | ignora driver esterni | | Modello con regressori | driver noti (prezzo, promo) | cattura cause | richiede dati puliti | | A giudizio + baseline | storico < 1 ciclo | usabile subito | soggettivo | Scelta: modello con regressori; baseline di controllo: smoothing stagionale. ## 3. Feature e regressori - Calendario: settimana dell'anno, festività, periodo promo - Driver: prezzo medio, spesa media, stockout - Trasformazioni: log su domanda, dummy promo ## 4. Scenari | Scenario | Assunzioni | Uso | |---|---|---| | Base | trend e stagionalità storici | pianificazione standard | | Ottimistico | +X% domanda da promo | capacità max | | Conservativo | -Y% per rischio macro | gestione scorte | ## 5. Metriche e accettazione | Metrica | Cosa misura | Soglia indicativa (da calibrare) | |---|---|---| | MAPE | errore % medio | < 15% | | Bias | sovra/sotto-stima | |bias| < 5% | ## 6. Backtesting 1. Hold-out ultime 13 settimane. 2. Validazione a finestra mobile (rolling origin). 3. Confronto vs baseline; accetta solo se batte la baseline. 4. Monitoraggio errore in produzione e ri-allenamento periodico.
Domande frequenti
No, e di proposito: senza i tuoi dati storici qualsiasi numero sarebbe inventato. Progetta il metodo, le feature, gli scenari e il protocollo di validazione, così tu (o il tuo team dati) implementi una previsione solida e verificabile. Se fornisci dati, li usa per esemplificare la logica, non per spacciare un risultato.
Parte dal profilo della serie che descrivi: lunghezza dello storico, stagionalità, trend, presenza di driver esterni, granularità. In base a questo motiva la scelta tra approcci (media mobile/smoothing per serie semplici, modelli con stagionalità, modelli con regressori esterni, approcci a giudizio per pochi dati) spiegando i trade-off, invece di imporre un solo metodo.
Un protocollo per misurare quanto il modello avrebbe sbagliato sul passato: si nasconde l'ultima parte dello storico, si prevede e si confronta con il reale usando metriche come MAPE/MAE/bias, idealmente con validazione a finestra mobile. Il prompt definisce passi, metriche e soglie di accettazione (da calibrare sul tuo contesto).
Vuoi un template su misura?
Costruiscine uno in poche domande — con la struttura corretta per il tuo standard.