.png)
Quelle est la véritable efficacité des prévisions de ventes basées sur l’IA dans la restauration collective – non pas sur papier, mais dans la réalité quotidienne des établissements ? C’est précisément cette question qu’ GoNina et le SV Group, l’un des principaux groupes de restauration en Suisse, ont cherché à élucider dans le cadre d’un projet pilote commun. Pendant deux mois, les prévisions d’ GoNina ont été testées dans la pratique sur dix sites de restauration collective, allant des restaurants d’entreprise aux établissements d’enseignement en passant par les établissements publics.
Cet article explique comment le pilote a été conçu et quels en ont été les résultats.
La structure : deux phases, une référence claire
Phase 1 – Laboratoire. Au cours du premier mois, les prévisions basées sur l'IA ont été établies en parallèle des activités quotidiennes, sans interférer avec la planification : pour chaque site et chaque jour, les prévisions d'GoNina concernant les volumes de vente réels ont été comparées aux prévisions établies par les responsables de restaurant expérimentés. Cela a permis d'obtenir une comparaison objective dans des conditions réelles, sans aucun risque pour l'exploitation.
Phase 2 - En production. Au cours du deuxième mois, les prévisions ont été mises à la disposition des équipes dans le cadre de la planification quotidienne de la production. Parallèlement, les modèles ont été perfectionnés en continu : chaque jour de vente supplémentaire a été intégré comme nouvelle donnée d'apprentissage.
Le critère a été délibérément choisi pour être exigeant : il ne s'agit pas d'une simple règle empirique, mais de la réalité quotidienne de la planification vécue par des professionnels qui connaissent leurs entreprises depuis des années.
Les résultats : très précis, avec une courbe d'apprentissage rapide
Principal résultat du projet pilote : les prévisions basées sur l'IA se sont révélées très précises sur l'ensemble des sites, du restaurant d'entreprise à la cantine, malgré des profils de demande, des rythmes hebdomadaires et des profils de clientèle totalement différents.
Le développement était tout aussi important que le niveau : les modèles ont été améliorés en continu tout au long du projet pilote et ont gagné considérablement en précision au fil du temps. C’est précisément là que réside la force de l’apprentissage automatique dans la pratique : alors que les connaissances empiriques s’accumulent au fil des années, un modèle s’améliore en quelques semaines, et ce pour chaque site individuellement.
Remarque importante : l'objectif de ces prévisions n'est pas de se substituer à l'expérience des équipes de restauration, mais de les soulager. La machine analyse les tendances sur l'ensemble des établissements et des gammes de menus, tandis que les professionnels se concentrent sur ce qui ne ressort pas des données.
Ce que le projet pilote révèle sur la restauration collective
Ces fluctuations peuvent être analysées. Les rythmes du télétravail, les vacances, la météo et les profils des établissements peuvent sembler chaotiques, mais ils obéissent à des schémas bien précis — et c’est précisément ces schémas que le modèle a appris à partir des données de ventes, par établissement et par gamme de menus.
C'est la courbe d'apprentissage qui fait la différence. Un modèle de prévision est le moins performant le premier jour et s'améliore de semaine en semaine : ceux qui évaluent ses performances au niveau de départ sous-estiment systématiquement le niveau atteint par le système après quelques semaines.
L'humain reste au cœur du processus. Les prévisions ne sont qu'une suggestion, pas un automatisme : les équipes des restaurants ont le dernier mot et tiennent compte de ce que les données ne reflètent pas, qu'il s'agisse d'un grand événement ou d'un chantier devant leur porte.
Foire aux questions
Est-il possible de mener un tel projet pilote dans des entreprises de plus petite taille ?
Oui : le principe consistant à comparer les résultats en laboratoire puis à les mettre en œuvre en conditions réelles fonctionne dès qu’il y a un seul site : les prévisions fonctionnent d’abord en parallèle de la planification existante et font leurs preuves sur les données de l’entreprise avant d’être intégrées au quotidien.
Quelles données sont nécessaires pour démarrer ?
Les données de ventes ou de caisse enregistrées par l'établissement : elles constituent la base de l'apprentissage. À cela s'ajoutent les menus prévus et les plats proposés. L'équipe d'GoNina se charge de configurer l'intégration lors de la phase d'onboarding.
Conclusion
Le projet pilote mené avec SV Group montre ce que les prévisions basées sur l'IA peuvent apporter à la restauration collective : des prévisions précises en conditions réelles, avec une courbe d'apprentissage qui se dessine au fil des semaines – validées sur dix sites au cours de deux mois d'exploitation pratique. Pour un secteur qui produit chaque jour en fonction de la demande, cela constitue la base pour réduire les excédents et faciliter la planification – en soutien aux équipes, et non en remplacement de celles-ci.
Pour découvrir comment fonctionnent globalement les prévisions de ventes basées sur l'IA dans le secteur de la restauration, consultez notre guide complet dédié à ce secteur.
