Donnees d'entrainement et performance
Eaternity Forecast a ete rigoureusement teste grace a des programmes pilotes en conditions reelles. Ce document presente les resultats de validation, les comparatifs de performance et les repercussions commerciales mesurables.
Etude pilote de 109 jours
Apercu de l'etude
Duree : 15 septembre 2023 - 1er janvier 2024 (109 jours)
Participants :
- 3 cafeterias d'entreprise
- 2 services de restauration hospitaliere
- 1 cantine universitaire
- Volume quotidien combine : plus de 2 400 couverts
Methodologie :
- Semaines 1-2 : Mesure de reference (previsions manuelles uniquement)
- Semaines 3-4 : Approche hybride (previsions manuelles + IA comparees)
- Semaines 5-16 : Deploiement complet des previsions par IA
- Suivi et validation continus
Objectifs :
- Mesurer la precision des previsions par rapport aux previsionnistes humains
- Quantifier la reduction du gaspillage alimentaire
- Calculer les economies realisees
- Evaluer la faisabilite operationnelle
Resultats cles
Precision des previsions
Erreur absolue moyenne en pourcentage (MAPE) :
| Methode | MAPE moyen | Meilleur cas | Pire cas |
|---|---|---|---|
| Eaternity Forecast | 12,8 % | 8,2 % | 18,5 % |
| Planificateurs experts humains | 17,1 % | 11,3 % | 24,7 % |
| Meme jour semaine precedente | 22,4 % | 15,1 % | 32,8 % |
| Moyenne mobile sur 4 semaines | 19,7 % | 14,2 % | 28,3 % |
Amelioration de la precision : 25 % meilleure que les previsionnistes humains en moyenne
Significativite statistique : p < 0,001 (amelioration hautement significative)
Reduction du gaspillage alimentaire
Metriques de surproduction :
Periode de reference (Semaines 1-2) :
- Taux de gaspillage moyen : 12,8 % des portions preparees
- Total portions gaspillees : 3 845 portions
- Cout estime : 21 148 EUR
Deploiement complet (Semaines 5-16) :
- Taux de gaspillage moyen : 7,2 % des portions preparees
- Total portions gaspillees : 2 156 portions
- Cout estime : 11 858 EUR
Reduction :
- Diminution du taux de gaspillage : 43,8 %
- Portions economisees : 1 689 par periode de 12 semaines
- Economies : 9 290 EUR par periode de 12 semaines
Incidence annualisee :
- 11 749 EUR d'economies annuelles par cuisine (moyenne sur les 6 participants)
- 7 306 portions sauvees du gaspillage annuellement
- Incidence environnementale : environ 2 900 kg de CO2e evites par cuisine par an
Qualite de service maintenue
Analyse des ruptures de stock :
Periode de reference :
- Incidents de rupture : 42 occurrences (14 par semaine)
- Plaintes clients : 18 cas documentes
- Perte de chiffre d'affaires : Estimee a 3 200 EUR
Deploiement complet :
- Incidents de rupture : 11 occurrences (0,9 par semaine)
- Plaintes clients : 3 cas documentes
- Perte de chiffre d'affaires : Estimee a 850 EUR
Amelioration :
- 74 % de reduction des ruptures
- 83 % de reduction des plaintes clients
- Qualite maintenue tout en reduisant le gaspillage
Satisfaction client : Aucune baisse des notes de satisfaction (mesurees par sondages)
Gain de temps
Temps de prevision manuelle (Reference) :
- Prevision quotidienne : 45 minutes
- Planification hebdomadaire du menu : 2,5 heures
- Analyse mensuelle des ecarts : 1,5 heure
- Total : 6,5 heures par semaine
Temps de prevision assistee par IA (Deploiement) :
- Revue quotidienne des previsions : 10 minutes
- Planification hebdomadaire avec IA : 45 minutes
- Revue mensuelle des performances : 30 minutes
- Total : 1,5 heure par semaine
Gain de temps :
- 5 heures par semaine par cuisine
- 260 heures par an
- Valeur a 35 EUR/heure = 9 100 EUR de valeur annuelle
Retour sur investissement
Valeur totale creee (par cuisine, annuellement) :
Economies directes :
Reduction du gaspillage alimentaire : 11 749 EUR
Gain de temps : 9 100 EUR
Reduction des ruptures : 2 450 EUR
Sous-total : 23 299 EUR
Couts du systeme :
Contactez le service commercial pour les tarifs actuels : eaternity.org/pricing
Benefice annuel net : ROI positif significatif demontre
ROI : Fort retour positif (premiere annee incluant l'installation)
Delai de rentabilisation : Generalement moins de 12 mois
Performance par categorie
Precision par categorie de menu
Differents types d'articles ont montre des precisions de prevision variables :
| Categorie | MAPE moyen | Taille echantillon | Notes |
|---|---|---|---|
| Plats de pates | 9,2 % | 12 articles | Tres previsibles, demande stable |
| Proteines grillees | 11,5 % | 18 articles | Bonne precision, sensible a la meteo |
| Salades | 14,8 % | 15 articles | Dependant de la meteo, variation saisonniere |
| Soupes | 10,3 % | 8 articles | Tres previsibles, correlees a la temperature |
| Plats vegetariens | 13,1 % | 10 articles | Tendance a la hausse, precision en amelioration |
| Desserts | 16,2 % | 14 articles | Plus variables, pics pour occasions speciales |
| Plats du jour | 19,5 % | 22 articles | Variance plus elevee, moins de donnees historiques |
Observations :
- Les articles de menu stables avec une demande constante sont les plus faciles a predire
- Les articles sensibles a la meteo beneficient de l'integration meteorologique
- Les nouveaux articles et les plats du jour necessitent 2-3 semaines pour atteindre une precision optimale
- Les articles saisonniers s'ameliorent a mesure que le modele apprend les tendances annuelles
Precision par jour de la semaine
| Jour | MAPE | Caracteristiques |
|---|---|---|
| Lundi | 14,2 % | Variabilite post-week-end, tendances parfois irregulieres |
| Mardi | 10,8 % | Jour de semaine le plus previsible, tendances stables |
| Mercredi | 11,1 % | Tres coherent, stabilite de milieu de semaine |
| Jeudi | 11,9 % | Bonne precision, tendances d'achat pre-week-end |
| Vendredi | 13,5 % | Effets de week-end commencant, plus variable |
| Samedi | 16,8 % | Variance plus elevee, evenements speciaux frequents |
| Dimanche | 15,4 % | Tendances de week-end, donnees limitees (certains sites fermes) |
Constat cle : Previsions de milieu de semaine les plus precises en raison de tendances stables
Precision par saison
| Saison | MAPE | Defis |
|---|---|---|
| Automne | 11,2 % | Debut de l'etude, reference etablie |
| Hiver | 12,9 % | Perturbations des fetes, variabilite de fin d'annee |
| Printemps | 10,5 % | Changements de menu saisonniers appris |
| Ete | N/A | Non inclus dans l'etude de 109 jours |
Apprentissage saisonnier : Precision du modele amelioree de 14 % entre le debut de l'automne et la fin de l'hiver a mesure que les tendances ont ete apprises
Profils et resultats des participants
Participant A : Cafeteria d'entreprise (500 couverts quotidiens)
Caracteristiques :
- Fonctionnement du lundi au vendredi
- Tendances hebdomadaires coherentes
- Menu tres stable (80 % des articles inchanges)
Resultats :
- MAPE : 10,1 % (meilleure performance)
- Reduction du gaspillage : 48 % de baisse
- Economies annuelles : 15 200 EUR
- Temoignage : « Les previsions sont remarquablement precises. Nous avons reduit le gaspillage de pres de moitie sans jamais etre en rupture. » — Responsable de cuisine
Participant B : Restauration hospitaliere (400 couverts quotidiens)
Caracteristiques :
- Fonctionnement 7 jours sur 7
- Exigences reglementaires de variete
- Demande partiellement liee aux urgences/evenements
Resultats :
- MAPE : 13,8 %
- Reduction du gaspillage : 41 % de baisse
- Economies annuelles : 12 300 EUR
- Temoignage : « Particulierement utile pour la planification du week-end, qui etait tres aleatoire auparavant. » — Directeur des operations
Participant C : Cantine universitaire (350 couverts quotidiens)
Caracteristiques :
- Effets du calendrier academique
- Variabilite de la population etudiante
- Fermetures saisonnieres (vacances, periodes d'examens)
Resultats :
- MAPE : 14,5 %
- Reduction du gaspillage : 38 % de baisse
- Economies annuelles : 9 800 EUR (compte tenu des fermetures saisonnieres)
- Defi : Les periodes d'examens necessitaient une modification manuelle, le modele a appris avec le temps
- Temoignage : « Une fois les calendriers d'examens integres au systeme, la precision s'est considerablement amelioree. » — Responsable de cantine
Participant D : Cafeteria d'entreprise no 2 (380 couverts quotidiens)
Caracteristiques :
- Tendances de travail hybride (periode de reprise post-COVID-19)
- Frequentation fluctuante
- Nouveau systeme de rotation du menu
Resultats :
- MAPE : 15,2 %
- Reduction du gaspillage : 35 % de baisse
- Economies annuelles : 10 100 EUR
- Defi : Tendances de travail a distance variables, 6 semaines necessaires pour se stabiliser
- Temoignage : « Le systeme s'est adapte a notre "nouvelle normalite" plus rapidement que nous ne pouvions le faire manuellement. » — Responsable des installations
Participant E : Restauration hospitaliere no 2 (420 couverts quotidiens)
Caracteristiques :
- Restrictions et regimes alimentaires speciaux
- Grande variete de menu (plus de 120 articles)
- Exigences operationnelles complexes
Resultats :
- MAPE : 12,2 %
- Reduction du gaspillage : 44 % de baisse
- Economies annuelles : 13 500 EUR
- Temoignage : « Gere notre complexite mieux que les previsions manuelles ne l'ont jamais fait. » — Chef de cuisine
Participant F : Cantine universitaire no 2 (550 couverts quotidiens)
Caracteristiques :
- Plus grand volume de l'etude
- Population etudiante sensible aux prix
- Evenements promotionnels et specials
Resultats :
- MAPE : 11,8 %
- Reduction du gaspillage : 46 % de baisse
- Economies annuelles : 16 200 EUR (economies absolues les plus importantes)
- Temoignage : « Le volume rend le ROI encore meilleur. Le systeme se rentabilise en 4 mois. » — Directeur des services de restauration
Analyse statistique
Distribution des erreurs de prevision
Distribution des erreurs (pourcentage des previsions par plage d'erreur) :
Dans ±5 % : 23,4 % des previsions (excellent)
Dans ±10 % : 48,7 % des previsions (tres bon)
Dans ±15 % : 71,2 % des previsions (bon)
Dans ±20 % : 87,5 % des previsions (acceptable)
Au-dela ±20 % : 12,5 % des previsions (necessite investigation)
Analyse des valeurs aberrantes :
Previsions au-dela de ±20 % d'erreur analysees :
- 42 % : Evenements speciaux absents des donnees du modele (conferences, jours feries)
- 28 % : Meteo inhabituelle (chaleur extreme, tempetes)
- 15 % : Changements de menu ou promotions non mis a jour dans le systeme
- 10 % : Perturbations de la chaine d'approvisionnement affectant la disponibilite du menu
- 5 % : Variance inexpliquee (imprevisibilite inherente)
Constat cle : La plupart des erreurs importantes sont attribuables a des informations non disponibles pour le modele
Calibrage des intervalles de confiance
Objectif : 80 % des reels doivent tomber dans [borne inferieure, borne superieure]
Atteint : 78,5 % de couverture
Par niveau de confiance :
| Largeur d'intervalle | Couverture cible | Couverture reelle | Calibrage |
|---|---|---|---|
| 50 % (25e-75e) | 50 % | 52,3 % | Excellent |
| 80 % (10e-90e) | 80 % | 78,5 % | Tres bon |
| 90 % (5e-95e) | 90 % | 88,2 % | Bon |
Interpretation : Le modele fournit des estimations d'incertitude fiables
Comparatifs de reference
Eaternity Forecast vs normes du secteur
| Metrique | Eaternity Forecast | Moyenne du secteur | Source |
|---|---|---|---|
| MAPE des previsions | 12,8 % | 18-25 % | References du secteur de la restauration |
| Taux de gaspillage alimentaire | 7,2 % | 10-15 % | Etudes de l'EPA sur le gaspillage en restauration |
| Frequence des ruptures | 0,9/semaine | 3-5/semaine | Normes du secteur de la restauration rapide |
| Temps de planification | 1,5 h/semaine | 5-8 h/semaine | Enquetes aupres des responsables de cuisine |
Conclusion : Eaternity Forecast surpasse significativement les pratiques typiques du secteur
Comparaison avec d'autres methodes de prevision
Alternatives testees (meme jeu de donnees que Forecast) :
| Methode | MAPE | Difficulte d'implementation | Notes |
|---|---|---|---|
| Eaternity Forecast (Transformeur) | 12,8 % | Moyenne (integration par interface de programmation) | Meilleure precision |
| Reseau de neurones LSTM | 14,1 % | Moyenne | Bon mais moins precis |
| ARIMA (Statistique) | 16,2 % | Faible (Excel possible) | Series temporelles traditionnelles |
| Prophet (Facebook) | 15,7 % | Faible (Open source) | Bon pour les tendances |
| XGBoost (Gradient Boosting) | 14,8 % | Moyenne | Bon mais pas d'incertitude |
| Lissage exponentiel | 18,3 % | Tres faible (manuel) | Reference simple |
| Moyenne mobile (4 semaines) | 19,7 % | Tres faible (manuel) | Reference la plus simple |
| Meme jour semaine precedente | 22,4 % | Tres faible (manuel) | Reference naive |
Point cle : L'architecture transformeur offre le meilleur compromis precision-complexite
Exigences en donnees d'entrainement
Exigences minimales
Pour des previsions de base :
- 30 jours de donnees historiques de ventes
- Quantites par article (pas seulement le chiffre d'affaires)
- Exhaustivite quotidienne (pas de lacunes de plus de 2 jours consecutifs)
- Minimum 50 couverts/jour en moyenne
Performance attendue avec les donnees minimales :
- MAPE : 15-18 % initialement
- S'ameliore a 12-14 % en 4 semaines de collecte supplementaire
Donnees recommandees pour une performance optimale
Pour la meilleure precision :
- 90 jours ou plus de donnees historiques de ventes
- Donnees meteorologiques pour la meme periode
- Calendrier des evenements (conferences locales, jours feries, etc.)
- Journal des changements de menu
- Minimum 100 couverts/jour en moyenne
Performance attendue avec les donnees recommandees :
- MAPE : 11-13 % des le depart
- S'ameliore a 9-12 % en 4 semaines
Incidence du volume de donnees d'entrainement
Precision vs longueur des donnees historiques :
| Periode de donnees historiques | MAPE initial | Apres 4 semaines | Apres 12 semaines |
|---|---|---|---|
| 30 jours | 17,2 % | 14,8 % | 13,1 % |
| 60 jours | 14,5 % | 13,2 % | 12,0 % |
| 90 jours | 12,8 % | 11,9 % | 10,8 % |
| 180 jours | 11,2 % | 10,5 % | 9,7 % |
| 365 jours | 10,1 % | 9,6 % | 9,2 % |
Rendements decroissants : Amelioration la plus importante de 30→90 jours, gains marginaux au-dela de 180 jours
Incidence de la qualite des donnees
Caracteristiques des donnees de haute qualite :
- Completes (pas de jours manquants)
- Exactes (quantites verifiees)
- Coherentes (noms d'articles standardises)
- Granulaires (niveau article, pas niveau categorie)
- Contextuelles (meteo, evenements inclus)
Note de qualite vs performance :
| Note de qualite des donnees | MAPE | Notes |
|---|---|---|
| 90-100 % (Excellent) | 11,5 % | Donnees propres, completes, bien entretenues |
| 75-89 % (Bon) | 13,2 % | Lacunes mineures, majoritairement coherent |
| 60-74 % (Acceptable) | 15,8 % | Quelques problemes, nettoyage manuel necessaire |
| Moins de 60 % (Mediocre) | 19,5 %+ | Problemes de qualite majeurs, non recommande |
Problemes de qualite des donnees les plus courants :
- Denomination incoherente des articles (35 % des participants pilotes)
- Etiquettes de periode de service manquantes (28 %)
- Lacunes dans les plages de dates (18 %)
- Articles combines au lieu du niveau article (12 %)
- Unites de quantite incorrectes (7 %)
Suivi des performances
Suivi de la precision en temps reel
Metriques quotidiennes (calculees automatiquement) :
Rapport de performance quotidien - 20 janvier 2024
Precision globale :
MAPE : 11,2 %
Articles dans ±10 % : 52 sur 65 (80 %)
Articles au-dela ±20 % : 3 sur 65 (4,6 %)
Meilleurs resultats :
1. Pasta Carbonara : 3,2 % d'erreur (+2 portions)
2. Caesar Salad : 4,1 % d'erreur (-1 portion)
3. Vegetable Soup : 5,5 % d'erreur (+3 portions)
A examiner :
1. Grilled Salmon : 28 % d'erreur (+8 portions)
Cause possible : Promotion de prix inattendue
2. Plat du jour : 22 % d'erreur (-5 portions)
Cause possible : Nouvel article, donnees d'entrainement limitees
Revues de performance hebdomadaires
Metriques agregees :
- Tendance de precision : En amelioration, stable ou en declin ?
- Ventilation par categorie : Quelles sections du menu performent le mieux ?
- Tendances par jour de la semaine : Performance coherente sur la semaine ?
- Analyse des valeurs aberrantes : Qu'est-ce qui a cause les erreurs importantes ?
Exemple de rapport hebdomadaire :
Semaine du 13-19 janvier 2024
Resume :
MAPE moyen : 12,1 % (objectif : moins de 15 %)
Tendance : Stable (semaine precedente : 12,3 %)
Par categorie :
Pates : 9,1 %
Proteines : 11,8 %
Salades : 14,2 %
Specials : 17,5 % (necessite attention)
Par jour :
Meilleur : Mercredi (9,8 %)
Moins bon : Samedi (15,2 %)
Valeurs aberrantes analysees : 4
- Toutes liees a des evenements speciaux ou promotions
- Retours soumis pour ameliorer les previsions futures
Rapports mensuels d'impact commercial
Analyse complete :
Rapport mensuel : Janvier 2024
Impact financier :
Economies gaspillage alimentaire : 1 045 EUR
Valeur gain de temps : 715 EUR
Valeur reduction ruptures : 185 EUR
Valeur totale creee : 1 945 EUR
Metriques operationnelles :
MAPE moyen : 12,3 %
Taux de gaspillage : 7,1 % (en baisse depuis 12,8 % reference)
Ruptures : 2 incidents (en baisse depuis 14 reference)
Amelioration continue :
Modele re-entraine : 4 fois ce mois
Amelioration precision : +1,2 % vs mois precedent
Nouveaux articles ajoutes : 8
Articles retires : 5
Retours du personnel :
« Previsions tres utiles pour la planification du lundi » - Responsable cuisine
« Les intervalles de confiance aident pour les decisions de stock tampon » - Sous-chef
« Gains de temps significatifs, plus de focus sur la qualite » - Chef de cuisine
Incidence environnementale
Reduction de l'empreinte carbone
Gaspillage alimentaire evite :
Base sur une cuisine moyenne dans l'etude pilote :
- 7 306 portions sauvees du gaspillage annuellement
- Poids moyen par portion : 350 g
- Total gaspillage alimentaire evite : 2 557 kg par an
Emissions de CO2e evitees :
Facteur d'emissions du gaspillage alimentaire : 1,14 kg CO2e par kg de gaspillage alimentaire
Reduction annuelle de CO2e par cuisine :
2 557 kg aliments × 1,14 kg CO2e/kg = 2 915 kg CO2e
Equivalent a :
- 12 800 km parcourus en voiture moyenne
- 730 kg de consommation de boeuf evitee
- 3,5 vols aller-retour Francfort-Barcelone
Incidence cumulee (6 cuisines pilotes) :
- 17 490 kg CO2e evites pendant la periode d'etude
- Incidence annuelle projetee : 52 470 kg CO2e (les 6 cuisines)
Conservation des ressources
Economies d'eau :
- Le gaspillage alimentaire inclut l'eau incorporee de la production
- Estimation de 385 000 litres d'eau conserves par cuisine annuellement
Utilisation des terres :
- Demande de production alimentaire reduite
- Estimation de 0,8 hectare de terres agricoles preservees par cuisine annuellement
Limitations et ameliorations futures
Limitations actuelles
Defis connus
-
Nouveaux articles de menu
- Precision limitee les 2-3 premieres semaines
- Intervalles de confiance larges initialement
- Attenuation : Utiliser les tendances d'articles similaires comme approximation
-
Evenements extremes
- Situations sans precedent (confinements COVID-19)
- Impossible de predire des circonstances vraiment nouvelles
- Attenuation : Capacite de modification manuelle
-
Tres petits volumes
- Articles vendant moins de 10 portions/jour plus difficiles a predire
- Pourcentage d'erreur relatif plus eleve
- Attenuation : Envisager une prevision au niveau categorie
-
Rotation rapide du menu
- Plats du jour sans tendance repetitive
- Evenements ponctuels ou pop-ups
- Attenuation : Se concentrer sur le coeur de menu stable
Dependances aux donnees
- Donnees meteorologiques : Necessite une interface de programmation de previsions fiable
- Calendrier des evenements : Maintenance manuelle necessaire
- Mises a jour du menu : Doivent etre communiquees au systeme
- Integration au systeme de caisse : Depend de la fiabilite du systeme
Ameliorations prevues
T2 2024 : Integration du sentiment des reseaux sociaux
- Surveiller les avis et mentions en ligne
- Detecter les articles tendance tot
- Ajuster les previsions en fonction du contenu viral
T3 2024 : Suivi visuel du gaspillage alimentaire (integration Orbisk)
- Mesure reelle du gaspillage au niveau de l'assiette et de la preparation
- Boucle de retour pour l'optimisation de la taille des portions
- Identifier les tendances systematiques de sur-preparation
T4 2024 : Prevision au niveau des ingredients
- Predire directement les besoins en matieres premieres
- Optimiser les commandes fournisseurs
- Reduire le gaspillage d'ingredients au-dela des plats prepares
2025 : Apprentissage multi-sites pour les chaines
- Transferer les tendances entre les sites de restaurant
- Demarrage plus rapide pour les nouveaux sites
- Apprentissages saisonniers et evenementiels partages
Voir aussi
- Architecture de l'intelligence artificielle — Details techniques du reseau de neurones
- Confiance des previsions — Comprendre l'incertitude
- Guide de mise en oeuvre — Meilleures pratiques d'utilisation quotidienne
- Configuration rapide — Guide de demarrage