IA et opérations en restauration
L’IA pour les restaurants : pourquoi vos données comptent plus que vos prompts
Les questions d’IA les plus utiles en restauration relient les ventes, les effectifs, les achats et les conditions d’exploitation. Pour y répondre, tout commence par l’organisation de vos données.
« Quels services ont trop de personnel ? »
« Pourquoi un restaurant utilise-t-il plus de saumon que les autres ? »
« Cet établissement est-il moins performant, ou comparons-nous deux semaines très différentes ? »
Les réponses se trouvent rarement dans un seul système. Les ventes peuvent être dans le système de caisse, les heures travaillées dans une application de gestion du personnel et les achats dans un outil d’approvisionnement. Les informations sur la météo et les vacances ajoutent une autre dimension.
L’IA peut aider à explorer rapidement ces liens. Mais un meilleur prompt ne peut pas compenser des informations manquantes ou des données déconnectées. Une analyse utile nécessite une base de données commune et un moyen de coordonner le travail autour de celle-ci.
Relier les ventes et les effectifs pour comprendre la productivité
Prenons cette question :
« Compare les ventes par heure aux heures travaillées par le personnel. Quels services devrions-nous examiner pour repérer un éventuel sureffectif ou sous-effectif ? »
Un total de ventes quotidien peut masquer un après-midi calme avec trop de personnel et un pic d’activité en soirée avec trop peu. Comparer les ventes et les effectifs heure par heure permet de repérer plus facilement ce décalage.
Un indicateur utile est le chiffre d’affaires par heure de travail : le chiffre d’affaires divisé par le total des heures travaillées par l’équipe.
Dans un exemple illustratif, deux services comparables génèrent chacun 600 €. L’un mobilise 12 heures de travail, l’autre 18. Leur chiffre d’affaires par heure de travail est respectivement de 50 € et d’environ 33 €.
Cet écart donne au responsable un point précis à examiner. La préparation, le nettoyage et les exigences de service restent à prendre en compte pour décider s’il faut ajuster les effectifs.
Les données du calendrier et de la météo rendent la comparaison plus utile. Un vendredi pluvieux dans un restaurant doté d’une grande terrasse peut être très différent d’un vendredi ensoleillé. Les vacances peuvent également modifier les habitudes d’activité.
Une question complémentaire pourrait donc être :
« Cet écart de productivité est-il persistant, ou apparaît-il surtout les jours de pluie et pendant les vacances ? »
L’IA peut aider à examiner ces tendances lorsque les ventes, les heures travaillées et le contexte pertinent sont disponibles ensemble. Le responsable peut ensuite revoir les services qui méritent son attention.
Un exemple concret : les portions de saumon du chef
L’un de nos clients nous a demandé :
« Comment la consommation de saumon se compare-t-elle entre mes restaurants ? »
La question portait sur le saumon utilisé dans la préparation des recettes. L’analyse a mis en évidence un restaurant dont la consommation méritait attention, et le client a constaté que le chef était trop généreux avec les portions.
Il a alors pu aborder le sujet avec l’équipe en cuisine.
La comparaison utile va au-delà du nombre total de kilos. Un restaurant plus fréquenté, ou qui vend davantage de plats au saumon, devrait naturellement en utiliser plus. Relier la consommation à l’activité et aux quantités prévues dans les recettes aide à repérer les écarts à examiner.
Il faut aussi distinguer les achats de la consommation : une livraison importante peut augmenter les stocks sans refléter ce que la cuisine a utilisé cette semaine-là.
La valeur de l’analyse était concrète : elle a aidé le client à savoir où regarder et à agir.
La centralisation des données et l’orchestration rendent l’analyse possible
Ces exemples demandent plus que de donner à un assistant IA l’accès à plusieurs applications.
Les informations doivent correspondre : le même restaurant, des périodes comparables et des définitions cohérentes. Sinon, une réponse peut sembler convaincante tout en comparant des chiffres qui ne devraient pas être rapprochés.
Centraliser et harmoniser les données crée une base commune. Les ventes, les effectifs, les achats, les stocks et les recettes peuvent alors être analysés avec les informations du calendrier et de la météo.
Une couche d’orchestration coordonne l’étape suivante. Elle relie une question métier aux outils d’analyse pertinents, rassemble leurs résultats et fournit à l’IA le contexte nécessaire pour expliquer les conclusions.
Pour la productivité, cela peut signifier combiner le chiffre d’affaires horaire, les heures travaillées et des journées d’activité comparables. Pour la consommation d’ingrédients, il peut s’agir de relier les données de consommation, les recettes et les ventes.
Cela permet de poser des questions plus larges :
« Examine les performances de la semaine dernière en matière de ventes, de personnel et d’achats. Quels écarts devrions-nous examiner en priorité ? »
MCP — Model Context Protocol — est un standard ouvert qui permet aux applications d’IA d’interagir avec des outils et des données externes. Il peut rendre les outils d’analyse accessibles via des assistants comme ChatGPT ou Claude. La préparation et l’orchestration derrière ces outils donnent à l’analyse sa pertinence métier.
Commencer par une décision opérationnelle
Choisissez une décision récurrente que vous souhaitez améliorer : ajuster les services, examiner la consommation d’ingrédients ou évaluer les performances d’un restaurant.
Identifiez les données nécessaires, vérifiez que les sources peuvent être comparées et définissez les indicateurs qui comptent. Utilisez ensuite l’IA pour explorer les résultats et poser des questions complémentaires.
Le bénéfice est un chemin plus court entre une question métier et des éléments concrets sur lesquels votre équipe peut agir.
Chez TucoData, nous travaillons sur ce lien entre les données de restauration et les décisions opérationnelles. Si vous souhaitez explorer ce que vos données actuelles pourraient vous apporter, nous serons ravis d’en discuter.