Comment rebooster une Pizzeria avec l’IA

On me demande souvent comment l’intelligence artificielle peut aider une petite ou moyenne entreprise (PME).
Pour apporter une réponse concrète, prenons l’exemple d’une pizzeria d’une ville en région parisienne. Son propriétaire, que nous appellerons « Mario » pour préserver son anonymat, se trouve confronté à une baisse de son chiffre d’affaires depuis quelques mois.
Face à cette situation, j’ai décidé d’explorer comment l’IA avec du deep learning pourrait offrir des solutions innovantes pour diagnostiquer les problèmes opérationnels et stimuler la croissance et l’innovation dans son entreprise.

Cet exemple permet de comprendre la démarche réalisée et l’intérêt pour un chef d’entreprise d’avoir recours aux outils qu’offre l’IA pour son business. Avec cet article vous verrez comment j’ai pu identifier des pistes pour que Mario rebooste sa pizzeria.

L’importance de l’entretien avec le dirigeant de la PME

Mario m’a communiqué les chiffres mensuels de sa pizzeria, un excellent point de départ pour notre analyse. En possession du nombre de livraisons de pizzas, nous avons pu identifier des tendances claires. L’impact de la période de confinement se fait nettement sentir en 2020 ainsi que des variations saisonnières qui méritent une étude approfondie.

Lors de mon entretien, Mario m’a également évoqué l’influence de la diffusion des matchs de foot à la télévision et de la météo sur le nombre de pizzas commandées. Ce sont donc des données que je vais utiliser dans mon analyse. J’ajouterai également les jours fériés et périodes de vacances scolaires, ainsi que les dates importantes des évènements sportifs.

En combinant ces différents facteurs de manière holistique, j’espère pouvoir comprendre les habitudes de commande des clients de la pizzeria.
A ce stade, pour aller plus loin, j’ai besoin d’un peu plus d’informations.

Rentrons plus profondément dans la pizzeria

Afin d’affiner mon analyse, j’ai demandé à Mario de me fournir les résultats quotidiens de sa caisse. Bien que nous n’ayons pas accès aux heures exactes des commandes ou des livraisons, le nombre quotidien de pizzas livrées reste une donnée fondamentale pour notre étude.

Ces données quotidiennes sont essentielles pour construire une compréhension plus nuancée de la dynamique de l’entreprise. Elles offrent une vision plus précise des périodes de forte demande et peuvent aider à identifier ou confirmer le comportement des consommateurs ou des influences externes sur les ventes.

Mesurons l’impact des évènements sur les commandes

Pour cela nous allons commencer par réaliser une matrice de corrélation :

Nous constatons que certaines de nos hypothèses semblent se confirmer, les commandes de pizzas sont nettement corrélées à la hausse (rouge) avec les données que nous analysons. Nous voyons que le jour de la semaine, la pluie ou les matchs de foot, particulièrement ceux du PSG, méritent une plus grande attention. Mais nous voyons également que les vacances ou la saint Valentin pourraient influencer à la baisse les commandes.
Par ailleurs, les températures ont une corrélation inversée (en bleu), ce qui signifie que plus la température extérieure est froide, plus les clients ont tendance à se faire livrer des pizzas.
A l’inverse certains évènements ne semblent pas liés comme, par exemple, les matchs de rugby ou de tennis.

Je vous ajoute ici quelques analyses supplémentaires dont le but est de confirmer nos constats précédents :

Identification de la perte du chiffre d’affaire de l’entreprise

Reprenons notre analyse. Il est clair que la période de COVID-19 est particulière, aussi, pour la suite de mon analyse j’exclurai toutes les données antérieures à mars 2021. Les autres années suivent une tendance commune ce qui sera très intéressant pour la suite. Par contre, on voit bien que la courbe bleue est en dessous des autres dès juin 2023. Étant donné que je souhaite en savoir plus sur cette partie atypique, je l’exclurai aussi pour la phase d’entrainement qui va suivre. Nous y reviendrons plus tard.

Entrainement de notre réseau de neurones

Après avoir soigneusement sélectionné et préparé nos données, l’étape suivante consiste à utiliser un réseau de neurones pour l’entrainement de notre modèle. Le choix de cette technologie s’inscrit dans notre volonté d’exploiter le potentiel du deep learning afin de créer un modèle capable de prédire les ventes de pizzas en fonctions des évènements du calendrier. Pour en savoir plus sur le modèle technique utilisé, l’entrainement et son évaluation, je vous invite à lire l’article suivant : Réseau de neurones avec modèle d’attention.

Une fois le modèle entrainé, nous le validons sur une période et constatons que le modèle arrive à estimer le nombre de pizzas qui seront à livrer pour une période. Évidement ce n’est pas parfait, mais les grandes tendances sont respectées.

Quelle est la cause de la perte du chiffre d’affaire de l’entreprise ?

Pour identifier plus précisément l’origine du changement dans les habitudes de commande, je vais utiliser notre modèle pré-entrainé sur la période de perte de chiffre d’affaire. Cette phase s’appelle l’inférence.

Sur les périodes récentes, je constate que les prévisions de notre modèle ne fonctionnent plus, l’écart devient significatif, et chose surprenante, seulement les mardis et les jeudis !

Je vais devoir confirmer cette déviation, pour cela je vais utiliser une carte de chaleur calendaire ( heatmap calendar).

En examinant cette cartographie, une tendance claire émerge : à partir de mai 2023, il y a une modification notable dans le profil des commandes, en particulier les mardis et jeudis. Cette constatation est cruciale car elle montre que le changement de comportement des clients n’est pas seulement une fluctuation temporaire, mais plutôt une évolution durable qui commence à ce moment précis. J’en alerte Mario, le propriétaire du restaurant !

Retour sur le terrain pour comprendre la cause.

Cette évolution suggère que certains facteurs, peut-être inattendus ou nouveaux, ont commencé à influencer les commandes. Ces facteurs pourraient inclure des changements dans la concurrence locale, des modifications des habitudes des consommateurs.

Lors d’une enquête auprès des clients de la pizzeria et l’analyse de la concurrence : une pizzeria concurrente, située dans une ville voisine, a mis en place une stratégie de réduction des prix spécifiquement les mardis et jeudis !

Cette découverte est particulièrement révélatrice. Elle explique non seulement la baisse des commandes les mardis et jeudis chez Mario, mais souligne aussi l’importance d’une veille concurrentielle active.

Les constats

Nous avons constaté et confirmé que :

• les pertes du nombre de commandes ont lieu les mardis et jeudis en raison d’une promotion chez un concurrent
• les passionnés de Football et particulièrement les supporters du PSG et de l’équipe de France commandent lors des matchs
• les autres sports ont une influence marginale sur le nombre de commandes
• les veilles de jours fériés et jours fériés et weekend sont des moments privilégiés pour les commandes
• les saisons et la météo influencent le nombre de commandes

Et en prime, nous avons maintenant un modèle capable de prédire le nombre de pizzas qui seront à livrer !

Solutions pour Booster les ventes et optimiser les dépenses du restaurant

Plan d’actions entreprises pour réagir face à cette nouvelle donne.

1. Programme de fidélisation et promotions ciblées : Répondant à la promotion de ses concurrents, Mario lance un programme de fidélité attractif, offrant des avantages les mardis et jeudis. Il capitalise également sur la passion de ses clients pour le football en distribuant des flyers les jours de matchs du PSG et de l’équipe de France.
2. Optimisation de l’équipe de livraison : En se basant sur les prédictions, Mario réorganise son équipe de livraison pour assurer une couverture optimale, réduisant l’attente des clients et les frais de livraison.
3. Gestion efficace des stocks : Les prédictions permettent à Mario d’acheter la quantité exacte de produits nécessaires, réduisant les pertes et le gaspillage alimentaire et économisant des coûts.
4. Préparation suffisante pour les pics de commandes : Les soirs de forte demande, Mario s’assure d’avoir suffisamment de pâtes à pizza et ingrédients pour éviter toute rupture de stock.

Mario, le restaurateur gagne sur tous les tableaux :

1. Récupération des parts de marché : Le programme de fidélité et la stratégie de marketing ciblée devraient aider Mario à regagner des parts de marché perdues face à la concurrence.
2. Communication plus efficace : En distribuant des flyers uniquement les jours de match ou avant les jours fériés, Mario optimise ses dépenses de communication.
3. Amélioration des marges et croissance potentielle : Les gains anticipés de ces stratégies devraient non seulement sécuriser l’avenir de la pizzeria, mais aussi potentiellement permettre l’embauche de nouveaux livreurs les soirs de match.

Cerise sur le gâteau :

Planification des Congés : Le modèle prédictif offre la possibilité d’anticiper les besoins en personnel, permettant aux livreurs et cuisiniers de planifier leurs congés plus efficacement, améliorant ainsi le moral de l’équipe !

En exploitant les capacités prédictives de l’IA, la pizzeria de Mario se transforme en une entreprise plus réactive, efficiente et adaptée aux fluctuations du marché. Ces améliorations opérationnelles ne se traduisent pas seulement par une réduction des coûts, mais aussi par une meilleure expérience client, ce qui est essentiel pour la croissance et la pérennité de l’entreprise.

Et maintenant ?

L’expérience a également été une révélation pour Mario quant à la valeur de l’analyse de données dans la gestion de son entreprise.

Fort de ce nouvel élan, nous envisageons d’explorer d’autres pistes. Notre prochaine étape consistera à analyser les préférences et les habitudes des clients. L’objectif sera d’adapter la carte de la pizzeria pour mieux répondre aux goûts et besoins de sa clientèle pour les périodes estivales.

Nous allons également créer un outil qui ira, chaque jour, vérifier automatiquement sur internet les nouvelles promotions chez la concurrence: Pizzerias mais également tous les restaurants du secteur.

Cette aventure dans le monde de l’analyse de données et du deep learning ouvre un champ de possibilités pour la pizzeria de Mario. En se basant sur des données concrètes et des analyses prédictives, Mario est bien armé pour faire face aux défis du marché et saisir les opportunités de croissance.