Données d'entrainement et performance
Eaternity Forecast a été rigoureusement teste grâce à des programmes pilotes en conditions réelles. Ce document presente les résultats de validation, les comparatifs de performance et les repercussions commerciales mesurables.
Étude pilote de 109 jours
Aperçu de l'étude
Durée : 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
Méthodologie :
- Semaines 1-2 : Mesure de référence (prévisions manuelles uniquement)
- Semaines 3-4 : Approche hybride (prévisions manuelles + IA comparées)
- Semaines 5-16 : Déploiement complet des prévisions par IA
- Suivi et validation continus
Objectifs :
- Mesurer la précision des prévisions par rapport aux previsionnistes humains
- Quantifier la réduction du gaspillage alimentaire
- Calculer les économies réalisées
- Évaluer la faisabilité opérationnelle
Résultats clés
Précision des prévisions
Erreur absolue moyenne en pourcentage (MAPE) :
| Méthode | MAPE moyen | Meilleur cas | Pire cas |
|---|---|---|---|
| Eaternity Forecast | 12,8 % | 8,2 % | 18,5 % |
| Planificateurs experts humains | 17,1 % | 11,3 % | 24,7 % |
| Même jour semaine précédente | 22,4 % | 15,1 % | 32,8 % |
| Moyenne mobile sur 4 semaines | 19,7 % | 14,2 % | 28,3 % |
Amélioration de la précision : 25 % meilleure que les previsionnistes humains en moyenne
Significativite statistique : p < 0,001 (amélioration hautement significative)
Réduction du gaspillage alimentaire
Métriques 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'économies 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
Qualité 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 (mesurées par sondages)
Gain de temps
Temps de prévision manuelle (Référence) :
- Prévision quotidienne : 45 minutes
- Planification hebdomadaire du menu : 2,5 heures
- Analyse mensuelle des écarts : 1,5 heure
- Total : 6,5 heures par semaine
Temps de prévision assistée par IA (Déploiement) :
- Revue quotidienne des prévisions : 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 à 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 catégorie
Précision par catégorie de menu
Différents types d'articles ont montré des precisions de prévision variables :
| Catégorie | MAPE moyen | Taille echantillon | Notes |
|---|---|---|---|
| Plats de pâtes | 9,2 % | 12 articles | Très prévisibles, demandé stable |
| Protéines grillees | 11,5 % | 18 articles | Bonne précision, sensible à la météo |
| Salades | 14,8 % | 15 articles | Dependant de la météo, variation saisonnière |
| Soupes | 10,3 % | 8 articles | Très prévisibles, correlees à la température |
| Plats vegetariens | 13,1 % | 10 articles | Tendance à la hausse, précision en amélioration |
| Desserts | 16,2 % | 14 articles | Plus variables, pics pour occasions spéciales |
| Plats du jour | 19,5 % | 22 articles | Variance plus élevée, moins de données historiques |
Observations :
- Les articles de menu stables avec une demande constante sont les plus faciles à prédire
- Les articles sensibles à la météo bénéficient de l'intégration meteorologique
- Les nouveaux articles et les plats du jour nécessitent 2-3 semaines pour atteindre une précision optimale
- Les articles saisonniers s'améliorent à mesure que le modèle apprend les tendances annuelles
Précision par jour de la semaine
| Jour | MAPE | Caractéristiques |
|---|---|---|
| Lundi | 14,2 % | Variabilité post-week-end, tendances parfois irregulieres |
| Mardi | 10,8 % | Jour de semaine le plus previsible, tendances stables |
| Mercredi | 11,1 % | Très coherent, stabilite de milieu de semaine |
| Jeudi | 11,9 % | Bonne précision, tendances d'achat pre-week-end |
| Vendredi | 13,5 % | Effets de week-end commençant, plus variable |
| Samedi | 16,8 % | Variance plus élevée, événements spéciaux frequents |
| Dimanche | 15,4 % | Tendances de week-end, données limitées (certains sites fermes) |
Constat clé : Prévisions de milieu de semaine les plus précises en raison de tendances stables
Précision par saison
| Saison | MAPE | Défis |
|---|---|---|
| Automne | 11,2 % | Début de l'étude, référence établie |
| Hiver | 12,9 % | Perturbations des fêtes, variabilité de fin d'année |
| Printemps | 10,5 % | Changements de menu saisonniers appris |
| Été | N/A | Non inclus dans l'étude de 109 jours |
Apprentissage saisonnier : Précision du modèle améliorée de 14 % entre le début de l'automne et la fin de l'hiver à mesure que les tendances ont été apprises
Profils et résultats des participants
Participant A : Cafétéria d'entreprise (500 couverts quotidiens)
Caractéristiques :
- Fonctionnement du lundi au vendredi
- Tendances hebdomadaires cohérentes
- Menu très stable (80 % des articles inchanges)
Résultats :
- MAPE : 10,1 % (meilleure performance)
- Réduction du gaspillage : 48 % de baisse
- Économies annuelles : 15 200 EUR
- Temoignage : « Les prévisions sont remarquablement précises. Nous avons réduit le gaspillage de près de moitie sans jamais être en rupture. » — Responsable de cuisine
Participant B : Restauration hospitaliere (400 couverts quotidiens)
Caractéristiques :
- Fonctionnement 7 jours sur 7
- Exigences reglementaires de variete
- Demande partiellement liée aux urgences/événements
Résultats :
- MAPE : 13,8 %
- Réduction du gaspillage : 41 % de baisse
- Économies annuelles : 12 300 EUR
- Temoignage : « Particulierement utile pour la planification du week-end, qui etait très aleatoire auparavant. » — Directeur des opérations
Participant C : Cantine universitaire (350 couverts quotidiens)
Caractéristiques :
- Effets du calendrier académique
- Variabilité de la population etudiante
- Fermetures saisonnières (vacances, périodes d'examens)
Résultats :
- MAPE : 14,5 %
- Réduction du gaspillage : 38 % de baisse
- Économies annuelles : 9 800 EUR (compte tenu des fermetures saisonnières)
- Défi : Les périodes d'examens necessitaient une modification manuelle, le modèle à appris avec le temps
- Temoignage : « Une fois les calendriers d'examens intégrés au système, la précision s'est considerablement améliorée. » — Responsable de cantine
Participant D : Cafétéria d'entreprise no 2 (380 couverts quotidiens)
Caractéristiques :
- Tendances de travail hybride (période de reprise post-COVID-19)
- Frequentation fluctuante
- Nouveau système de rotation du menu
Résultats :
- MAPE : 15,2 %
- Réduction du gaspillage : 35 % de baisse
- Économies annuelles : 10 100 EUR
- Défi : Tendances de travail à distance variables, 6 semaines nécessaires pour se stabiliser
- Temoignage : « Le système s'est adapté à notre "nouvelle normalite" plus rapidement que nous ne pouvions le faire manuellement. » — Responsable des installations
Participant E : Restauration hospitaliere no 2 (420 couverts quotidiens)
Caractéristiques :
- Restrictions et regimes alimentaires spéciaux
- Grande variete de menu (plus de 120 articles)
- Exigences opérationnelles complexes
Résultats :
- MAPE : 12,2 %
- Réduction du gaspillage : 44 % de baisse
- Économies annuelles : 13 500 EUR
- Temoignage : « Gère notre complexité mieux que les prévisions manuelles ne l'ont jamais fait. » — Chef de cuisine
Participant F : Cantine universitaire no 2 (550 couverts quotidiens)
Caractéristiques :
- Plus grand volume de l'étude
- Population etudiante sensible aux prix
- Événements promotionnels et specials
Résultats :
- MAPE : 11,8 %
- Réduction du gaspillage : 46 % de baisse
- Économies annuelles : 16 200 EUR (économies absolues les plus importantes)
- Temoignage : « Le volume rend le ROI encore meilleur. Le système se rentabilise en 4 mois. » — Directeur des services de restauration
Analyse statistique
Distribution des erreurs de prévision
Distribution des erreurs (pourcentage des prévisions 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 :
Prévisions au-delà de ±20 % d'erreur analysées :
- 42 % : Événements spéciaux absents des données du modèle (conférences, jours fériés)
- 28 % : Météo inhabituelle (chaleur extreme, tempetes)
- 15 % : Changements de menu ou promotions non mis à jour dans le système
- 10 % : Perturbations de la chaîne d'approvisionnement affectant la disponibilité du menu
- 5 % : Variance inexpliquee (imprevisibilite inhérente)
Constat clé : La plupart des erreurs importantes sont attribuables à des informations non disponibles pour le modèle
Calibrage des intervalles de confiance
Objectif : 80 % des reels doivent tomber dans [borné inférieure, borné supérieure]
Atteint : 78,5 % de couverture
Par niveau de confiance :
| Largeur d'intervalle | Couverture cible | Couverture réelle | Calibrage |
|---|---|---|---|
| 50 % (25e-75e) | 50 % | 52,3 % | Excellent |
| 80 % (10e-90e) | 80 % | 78,5 % | Très bon |
| 90 % (5e-95e) | 90 % | 88,2 % | Bon |
Interprétation : Le modèle fournit des estimations d'incertitude fiables
Comparatifs de référence
Eaternity Forecast vs normes du secteur
| Métrique | Eaternity Forecast | Moyenne du secteur | Source |
|---|---|---|---|
| MAPE des prévisions | 12,8 % | 18-25 % | Références du secteur de la restauration |
| Taux de gaspillage alimentaire | 7,2 % | 10-15 % | Études de l'EPA sur le gaspillage en restauration |
| Fréquence 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 | Enquêtes auprès des responsables de cuisine |
Conclusion : Eaternity Forecast surpasse significativement les pratiques typiques du secteur
Comparaison avec d'autres méthodes de prévision
Alternatives testées (même jeu de données que Forecast) :
| Méthode | MAPE | Difficulte d'implémentation | Notes |
|---|---|---|---|
| Eaternity Forecast (Transformeur) | 12,8 % | Moyenne (intégration par interface de programmation) | Meilleure précision |
| Réseau de neurones LSTM | 14,1 % | Moyenne | Bon mais moins précis |
| 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 % | Très faible (manuel) | Référence simple |
| Moyenne mobile (4 semaines) | 19,7 % | Très faible (manuel) | Référence la plus simple |
| Même jour semaine précédente | 22,4 % | Très faible (manuel) | Référence naive |
Point clé : L'architecture transformeur offre le meilleur compromis précision-complexité
Exigences en données d'entrainement
Exigences minimales
Pour des prévisions de base :
- 30 jours de données historiques de ventes
- Quantités 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 données minimales :
- MAPE : 15-18 % initialement
- S'améliore à 12-14 % en 4 semaines de collecte supplémentaire
Données recommandées pour une performance optimale
Pour la meilleure précision :
- 90 jours ou plus de données historiques de ventes
- Données météorologiques pour la même période
- Calendrier des événements (conférences locales, jours fériés, etc.)
- Journal des changements de menu
- Minimum 100 couverts/jour en moyenne
Performance attendue avec les données recommandées :
- MAPE : 11-13 % des le départ
- S'améliore à 9-12 % en 4 semaines
Incidence du volume de données d'entrainement
Précision vs longueur des données historiques :
| Période de données historiques | MAPE initial | Après 4 semaines | Après 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 : Amélioration la plus importante de 30→90 jours, gains marginaux au-delà de 180 jours
Incidence de la qualité des données
Caractéristiques des données de haute qualité :
- Complètes (pas de jours manquants)
- Exactes (quantités vérifiées)
- Cohérentes (noms d'articles standardisés)
- Granulaires (niveau article, pas niveau catégorie)
- Contextuelles (météo, événements inclus)
Note de qualité vs performance :
| Note de qualité des données | MAPE | Notes |
|---|---|---|
| 90-100 % (Excellent) | 11,5 % | Données propres, complètes, bien entretenues |
| 75-89 % (Bon) | 13,2 % | Lacunes mineures, majoritairement coherent |
| 60-74 % (Acceptable) | 15,8 % | Quelques problèmes, nettoyage manuel nécessaire |
| Moins de 60 % (Médiocre) | 19,5 %+ | Problèmes de qualité majeurs, non recommandé |
Problèmes de qualité des données les plus courants :
- Denomination incoherente des articles (35 % des participants pilotes)
- Étiquettes de période de service manquantes (28 %)
- Lacunes dans les plages de dates (18 %)
- Articles combinés au lieu du niveau article (12 %)
- Unités de quantité incorrectes (7 %)
Suivi des performances
Suivi de la précision en temps réel
Métriques quotidiennes (calculées 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
Métriques agrégées :
- Tendance de précision : En amélioration, stable ou en déclin ?
- Ventilation par catégorie : Quelles sections du menu performent le mieux ?
- Tendances par jour de la semaine : Performance cohérente 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 complète :
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
Réduction de l'empreinte carbone
Gaspillage alimentaire évite :
Base sur une cuisine moyenne dans l'étude pilote :
- 7 306 portions sauvees du gaspillage annuellement
- Poids moyen par portion : 350 g
- Total gaspillage alimentaire évite : 2 557 kg par an
Émissions 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 période d'étude
- Incidence annuelle projetee : 52 470 kg CO2e (les 6 cuisines)
Conservation des ressources
Économies 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 réduite
- Estimation de 0,8 hectare de terres agricoles preservees par cuisine annuellement
Limitations et améliorations futures
Limitations actuelles
Défis connus
-
Nouveaux articles de menu
- Précision limitée les 2-3 premières semaines
- Intervalles de confiance larges initialement
- Attenuation : Utiliser les tendances d'articles similaires comme approximation
-
Événements extremes
- Situations sans precedent (confinements COVID-19)
- Impossible de prédire des circonstances vraiment nouvelles
- Attenuation : Capacité de modification manuelle
-
Très petits volumes
- Articles vendant moins de 10 portions/jour plus difficiles a prédire
- Pourcentage d'erreur relatif plus eleve
- Attenuation : Envisager une prévision au niveau catégorie
-
Rotation rapide du menu
- Plats du jour sans tendance repetitive
- Événements ponctuels ou pop-ups
- Attenuation : Se concentrer sur le coeur de menu stable
Dépendances aux données
- Données météorologiques : Nécessite une interface de programmation de prévisions fiable
- Calendrier des événements : Maintenance manuelle nécessaire
- Mises a jour du menu : Doivent être communiquées au système
- Intégration au système de caisse : Dépend de la fiabilité du système
Améliorations prévues
T2 2024 : Intégration du sentiment des réseaux sociaux
- Surveiller les avis et mentions en ligne
- Détecter les articles tendance tôt
- Ajuster les prévisions en fonction du contenu viral
T3 2024 : Suivi visuel du gaspillage alimentaire (intégration Orbisk)
- Mesure réelle du gaspillage au niveau de l'assiette et de la préparation
- Boucle de retour pour l'optimisation de la taille des portions
- Identifier les tendances systematiques de sur-préparation
T4 2024 : Prévision au niveau des ingrédients
- Prédire directement les besoins en matières premières
- Optimiser les commandes fournisseurs
- Réduire le gaspillage d'ingrédients au-delà des plats préparés
2025 : Apprentissage multi-sites pour les chaînes
- Transferer les tendances entre les sites de restaurant
- Démarrage plus rapide pour les nouveaux sites
- Apprentissages saisonniers et evenementiels partages
Voir aussi
- Architecture de l'intelligence artificielle — Détails techniques du réseau de neurones
- Confiance des prévisions — Comprendre l'incertitude
- Guide de mise en oeuvre — Meilleures pratiques d'utilisation quotidienne
- Configuration rapide — Guide de démarrage