Accueil/Blog/Prévision ventes restaurant
Pilotage16 minMai 2026

Prévision des ventes restaurant : forecast couverts, méthodes et IA

Combien de couverts vendredi prochain ? Si la réponse est "ça dépend", vous perdez de l'argent chaque semaine. Méthodes, outils, cas concret 4 semaines de data.

RM
La rédaction RestauMargin
16 min de lecture
Formules essentielles

Les 4 équations du forecast couverts

1.Moyenne mobile = Somme (N derniers jours équivalents) / N
2.Moyenne pondérée = Sigma (poids_i x valeur_i) / Sigma (poids_i)
3.Forecast multi-facteurs = Base x C_météo x C_saison x C_événement
4.MAPE = (1/N) x Sigma |Réel - Prévu| / Réel x 100

Objectif standard : MAPE inférieur à 10 pourcent (bon), inférieur à 20 pourcent (acceptable). Les chaînes avec ML atteignent 5 pourcent.

Section 1

Définition et utilité : pourquoi prévoir ses ventes

La prévision des ventes en restauration est l'exercice qui consiste à estimer le chiffre d'affaires et le nombre de couverts d'une période future (jour, semaine, mois), à partir de l'historique et des variables externes connues. On parle aussi de forecast couverts quand l'unité est le nombre de clients servis plutôt que les euros.

Cette pratique n'a rien d'ésotérique : c'est la base opérationnelle de toute restauration professionnelle. Pourtant, selon une étude GIRA Conseil 2025, seulement 38 pourcent des restaurants indépendants français pratiquent une prévision structurée hebdomadaire. Les 62 pourcent restants improvisent leurs commandes et leur planning RH, avec les conséquences que l'on imagine.

Une bonne prévision des ventes restaurant impacte directement trois leviers clés :

Commandes matières

Une prévision précise réduit les pertes alimentaires de 4 à 8 pourcent du food cost. Sur 180 000 EUR d'achats annuels, cela représente entre 7 200 et 14 400 EUR économisés.

Planning RH

Un extra appelé pour 50 couverts au lieu de 80 = 110 EUR jetés. Sur 1 erreur de staffing par semaine, c'est plus de 5 500 EUR par an de masse salariale gaspillée.

Cash flow

Un stock qui dort 10 jours immobilise du cash. La rotation des stocks (ratio CA / stock moyen) doit être supérieure à 26 fois par an, soit moins de 14 jours de stock.

Le saviez-vous ? Pour un restaurant de 50 couverts réalisant 580 000 EUR de CA, gagner 5 points de précision sur ses prévisions représente entre 8 000 et 14 000 EUR de marge brute récupérée par an, simplement en ajustant les commandes et le staffing.
Section 2

Les 5 méthodes de prévision des ventes restaurant

Il existe cinq grandes familles de méthodes pour établir une prévision des ventes en restauration, de la plus simple à la plus sophistiquée. Le choix dépend de votre volume d'historique, du temps disponible, et du niveau de précision recherché.

1

Moyenne mobile (Simple Moving Average)

Vous calculez la moyenne des N dernières occurrences du même jour de la semaine. Méthode la plus simple, idéale pour démarrer avec moins de 6 mois d'historique.

Prévision vendredi = (CA 4 derniers vendredis) / 4

Exemple : CA des 4 derniers vendredis = 3 800 / 4 100 / 3 950 / 4 250 EUR. Prévision vendredi prochain = (3 800 + 4 100 + 3 950 + 4 250) / 4 = 4 025 EUR.

Avantages

Simple, rapide, transparent, marche dès 3 mois d'historique.

Limites

Ne capture ni saisonnalité annuelle, ni météo, ni événements. MAPE typique 15-22 pourcent.

2

Moyenne pondérée (Weighted Moving Average)

Variante de la moyenne mobile où les jours les plus récents pèsent plus lourd. Utile car les tendances récentes reflètent mieux l'état actuel (nouvelle carte, nouveau concurrent, évolution de la zone).

Prévision = (4 x J-1 + 3 x J-2 + 2 x J-3 + 1 x J-4) / 10

Exemple : CA J-1 = 4 250, J-2 = 3 950, J-3 = 4 100, J-4 = 3 800. Prévision = (4 x 4250 + 3 x 3950 + 2 x 4100 + 1 x 3800) / 10 = (17000 + 11850 + 8200 + 3800) / 10 = 4 085 EUR.

Avantages

Capte mieux les tendances récentes, réactivité accrue, MAPE 12-18 pourcent.

Limites

Toujours pas de saisonnalité ni de météo. Choix des poids arbitraire.

3

Régression multi-facteurs

Vous appliquez des coefficients multiplicatifs sur une base, pour chaque facteur identifié : météo, saisonnalité, événement, jour férié, vacances. Méthode puissante dès 12 mois d'historique.

CA prévu = CA base x C_météo x C_saison x C_événement x C_marketing

Exemple : base 3 800 EUR x 1.15 (soleil 23 degrés) x 1.05 (mai) x 1.08 (concert local) = 4 957 EUR.

Avantages

Intègre tous les facteurs explicatifs, MAPE 8-14 pourcent, pédagogique.

Limites

Nécessite calibration initiale (3-5 jours de travail), 12 mois d'historique mini.

4

Décomposition saisonnière (Holt-Winters)

Vous décomposez la série en 3 composantes : tendance (croissance/décroissance long terme), saisonnalité (cycles hebdomadaires et annuels), résidu (aléa). Méthode statistique classique utilisée dans Excel via le module Analysis ToolPak.

Prévision = Tendance x Saisonnalité + Erreur lissée

Exemple : tendance +2 pourcent/an, saisonnalité mai = 1.08, hebdomadaire vendredi = 1.32. Base année = 3 600. Prévision = 3 600 x 1.02 x 1.08 x 1.32 = 5 235 EUR.

Avantages

Capture automatiquement tendance + saisons, robuste statistiquement, MAPE 7-12 pourcent.

Limites

Nécessite 24 mois minimum, ne capture pas les facteurs externes (météo, événements).

5

Machine Learning (Prophet, ARIMA, XGBoost)

Avancé

Algorithmes auto-apprenants capables de capturer toutes les interactions complexes (météo x événement x saison x tendance). Prophet (Facebook/Meta) est le plus accessible. XGBoost et ARIMA sont les standards académiques.

from prophet import Prophet
model = Prophet(seasonality_mode='multiplicative')
model.add_regressor('temperature')
model.add_regressor('is_event')
model.fit(df_historique)
forecast = model.predict(df_futur)

Résultat : sur 24+ mois d'historique avec variables externes, MAPE de 4 à 8 pourcent. Détection automatique des changepoints et des outliers.

Avantages

Précision maximale, auto-apprentissage, capture interactions complexes.

Limites

Nécessite compétences Python/data, 24+ mois de données, infrastructure cloud.

Section 3

Tableau comparatif des méthodes

Pour choisir la méthode adaptée à votre contexte, voici un tableau de synthèse qui croise complexité, historique requis, précision attendue et type d'établissement recommandé.

MéthodeHistorique miniMAPE typiqueComplexitéProfil cible
Moyenne mobile3 mois15-22 %Très faibleRestaurant qui ouvre
Moyenne pondérée3 mois12-18 %FaibleIndépendant solo
Régression multi-facteurs12 mois8-14 %MoyenneBistrot / brasserie
Holt-Winters24 mois7-12 %MoyenneRestaurant mature
ML (Prophet, ARIMA)24 mois4-8 %ÉlevéeChaîne des établissements
Recommandation : commencez par la moyenne pondérée à la main dans un tableur. Après 6 mois de pratique, passez à la régression multi-facteurs. Le ML n'est rentable qu'au-delà de 1.5 million EUR de CA ou pour les chaînes.
Section 4

Variables externes : météo, événements, saisonnalité

La force d'une prévision de ventes restaurant ne tient pas à la sophistication de l'algorithme, mais à la qualité des variables externes intégrées. Voici les 7 facteurs externes les plus impactants, classés par ordre d'effet décroissant.

Jour de la semaine

-50 % à +60 %

Le facteur n°1. Variation énorme entre lundi (souvent fermé ou -50 pourcent) et samedi soir (+60 pourcent). Doit toujours être traité par jour de semaine séparément.

Météo (terrasse ou centre-ville)

-25 % à +20 %

Soleil + 22-26 degrés = +18 pourcent pour une terrasse. Pluie forte = -22 pourcent. Vent fort = -10 à -15 pourcent. Récupérez les prévisions Météo France ou Open-Météo à 4-5 jours.

Vacances scolaires

-30 % à +25 %

Effet inverse selon zone : +15-25 pourcent en zone touristique (Annecy, Côte d'Azur), -10 à -30 pourcent en zone bureau (La Défense, Lyon Part-Dieu).

Jours fériés

-40 % à +35 %

Fête des mères = +35 pourcent service du midi. 1er mai = -40 pourcent (commerce fermé). 14 juillet veille = +25 pourcent. Vérifiez aussi le pont qui suit.

Événements locaux

+10 % à +50 %

Concert salle voisine = +15-25 pourcent. Match football stade proche = +30-50 pourcent. Marché du dimanche matin = +10-15 pourcent. Consultez l'agenda mairie + Facebook events.

Grèves transport

-30 % zone bureau

Grève SNCF ou métro = -30 pourcent en zone bureau (clientèle télétravail). Inverse en zone résidentielle : -5 pourcent seulement.

Marketing et concurrence

+5 % à +20 % / -10 % à -15 %

Campagne Instagram +5-10 pourcent. Promo plat du jour +15-20 pourcent. Ouverture concurrent direct dans un rayon de 500 m = -10 à -15 pourcent les 3 premiers mois.

Erreur classique : se fier uniquement aux réservations. Sur un restaurant moyen, elles représentent 40-60 pourcent des couverts. Le reste est en walk-in et dépend entièrement des facteurs externes ci-dessus.
Section 5

Outils : Excel, RestauMargin, Lightspeed, Square

Le choix de l'outil doit être proportionné à votre maturité analytique et à votre budget. Voici un panorama des solutions du marché, de la plus accessible à la plus avancée.

Excel / Google Sheets

Gratuit / 6 EUR/mois

+ Universel, flexible, formules visibles, partage facile, Analysis ToolPak inclus.

- Manuel, erreurs fréquentes, pas de mise à jour temps réel, pas de météo automatique.

Pour : Démarrage, restaurants de moins de 500 K EUR de CA.

RestauMargin

19 EUR/mois

+ Forecast intégré + commandes + marges, alertes écarts, mix-vente auto, météo intégrée, IA Claude.

- Pas (encore) de ML avancé type Prophet. Roadmap Q4 2026 : module forecast IA.

Pour : Indépendants 500 K - 2 M EUR de CA cherchant l'all-in-one.

Lightspeed Restaurant

69 EUR/mois

+ Module forecast natif, intégration caisse parfaite, KPI dashboard, multi-établissements.

- Cher, courbe d'apprentissage, forecast moins fin que solutions spécialisées.

Pour : Brasseries et chaînes 1-10 établissements.

Square for Restaurants

60 EUR/mois

+ Reports saisonnalité, intégration paiement, ouvert API, app mobile.

- Forecast basique (moyenne mobile uniquement), peu de variables externes.

Pour : Coffee shops, food trucks, fast-casual.

Prophet (Meta) + Python

Gratuit

+ Open source, ML state-of-the-art, régresseurs externes, détection changepoints auto.

- Nécessite compétences Python/data, infrastructure cloud, pas d'UI.

Pour : Chaînes des établissements avec équipe data.

AWS Forecast / Vertex AI

50-500 EUR/mois

+ Cloud managed, ML automatique, scalable, intégration ERP, MAPE 3-6 pourcent.

- Coût variable, configuration complexe, vendor lock-in.

Pour : Grandes chaînes des établissements.

Section 6

Précision attendue : MAPE et benchmarks

L'indicateur standard de précision d'une prévision est le MAPE (Mean Absolute Percentage Error), qui mesure l'écart moyen entre prévu et réalisé, en pourcentage. Plus le MAPE est bas, plus la prévision est fiable.

Formule MAPE

MAPE = (1 / N) x Sigma | Réel_i - Prévu_i | / Réel_i x 100

Exemple : sur 7 jours, écarts en valeur absolue = 8 %, 12 %, 5 %, 18 %, 3 %, 9 %, 15 %. MAPE = (8 + 12 + 5 + 18 + 3 + 9 + 15) / 7 = 10 pourcent. Résultat : bonne précision.

< 10 %

Bonne précision

Restaurant mature avec méthode robuste. Permet un staffing fin et des commandes justes.

10-20 %

Acceptable

Niveau de démarrage. Suffisant pour éviter les ruptures majeures, perfectible.

> 20 %

À améliorer

Méthode trop simpliste ou variables manquantes. Revoyez votre approche.

Objectifs réalistes par ancienneté

  • Mois 1-3 : MAPE de 18-22 pourcent. Vous apprenez vos patterns.
  • Mois 4-6 : MAPE de 12-15 pourcent. Vous intégrez la météo et les événements.
  • Mois 7-12 : MAPE de 9-12 pourcent. Vous avez vu un cycle complet.
  • An 2 : MAPE de 6-9 pourcent. Coefficients calibrés, automatismes installés.
  • An 3+ : MAPE de 4-7 pourcent si vous ajoutez du ML. Plateau atteint sans ML : 8 pourcent.
Section 7

Exemple illustratif : 4 semaines de data, forecast complet

Mettons en pratique tout ce que nous avons vu sur un exemple fictif, construit pour l'illustration : un bistrot de 50 couverts, ouvert du mardi au dimanche, terrasse 20 places, ticket moyen 32 EUR HT. Voici 4 semaines de data (un mois d'avril) puis le forecast pour la semaine suivante.

Historique 4 semaines (avril 2026)

JourS1 (1-7)S2 (8-14)S3 (15-21)S4 (22-28)Moy. pond.
Mardi midi3842354541
Mardi soir5258486257
Mercredi midi4548525049
Mercredi soir6568707270
Jeudi midi5558626060
Jeudi soir7882758883
Vendredi midi6872757071
Vendredi soir9510288110102
Samedi midi7275708076
Samedi soir118125110132124
Dimanche midi8590789588

Calcul moyenne pondérée semaine 5

Pour chaque jour, on applique : Prévision = (4 x S4 + 3 x S3 + 2 x S2 + 1 x S1) / 10. Exemple vendredi soir : (4 x 110 + 3 x 88 + 2 x 102 + 1 x 95) / 10 = (440 + 264 + 204 + 95) / 10 = 100 couverts.

ServiceBase pondéréeCoef météoCoef événementPrévision finale
Mardi midi410.95 (pluie)1.0039
Mardi soir570.951.0054
Mercredi midi491.10 (soleil)1.0054
Mercredi soir701.151.0081
Jeudi midi601.151.05 (férié veille)72
Jeudi soir831.20 (terrasse)1.10110
Vendredi midi (férié)711.100.70 (1er mai)55
Vendredi soir1001.151.05121
Samedi midi761.201.0091
Samedi soir1241.181.15 (concert)168
Dimanche midi (fête mères)881.101.35131
TOTAL semaine819976 couverts

Conversion en CA : 976 couverts x 32 EUR ticket moyen = 31 232 EUR de CA HT prévu.
Commandes matières : 976 couverts x food cost cible 30 pourcent x 32 EUR = 9 370 EUR d'achats matières pour la semaine.
Staffing : avec un ratio de 1 cuisinier + 1 commis pour 50 couverts/service et 1 serveur pour 25 couverts/service.

Leçon de l'exemple : sans les coefficients météo + événements, la prévision aurait été de 819 couverts (base pondérée). Avec, on monte à 976. L'écart de 157 couverts représenterait 5 024 EUR de CA non anticipé et probablement 30-40 ruptures ou clients perdus.
Section 8

IA et machine learning : Prophet, ARIMA, XGBoost

Le machine learning a transformé la prévision dans la restauration ces 5 dernières années. Les chaînes (McDonald's, Starbucks, Burger King) utilisent depuis longtemps des modèles ML pour optimiser le staffing au quart d'heure près. Pour un indépendant, l'IA devient pertinente au-delà de 1.5 million EUR de CA ou pour les groupes multi-établissements. Pour aller plus loin sur l'usage de l'intelligence artificielle en restauration, consultez notre dossierIA restauration.

Prophet (Meta)

Le plus accessible. Open source Python/R. Gère automatiquement saisonnalité, jours fériés, régresseurs externes. MAPE typique 5-8 pourcent.

+ Facile à installer, doc abondante

- Moins flexible que XGBoost

ARIMA / SARIMA

Le standard statistique académique. Capture autoregression + moyenne mobile + saisonnalité. Adapté aux séries stationnaires. MAPE 6-10 pourcent.

+ Théoriquement robuste, interpretable

- Manuel sur identification ordres

XGBoost / LightGBM

Gradient boosting tree-based. Champion des compétitions Kaggle. Excellent avec beaucoup de features. MAPE 4-7 pourcent.

+ Précision maximale, feature engineering riche

- Boîte noire, plus difficile à debugger

Quand l'IA devient rentable ?

Le ROI du machine learning dépend de votre volume et de votre variabilité. Voici les seuils observés en pratique :

  • Moins de 500 K EUR de CA : ML non rentable, méthode pondérée suffit.
  • 500 K - 1.5 M EUR de CA : Régression multi-facteurs Excel sufisante.
  • 1.5 - 5 M EUR de CA : Prophet recommandé, ROI rapide (-2-3 points MAPE).
  • 5 M+ EUR de CA ou chaînes : XGBoost ou plateforme cloud (AWS Forecast, Vertex AI).
Section 9

Les 6 erreurs qui ruinent votre forecast couverts

1

Confondre prévision et réservations

Les réservations représentent 40-60 pourcent des couverts d'un restaurant moyen. Si vous prévoyez uniquement sur la base des resas, vous sous-estimez systématiquement de 40-50 pourcent. Toujours appliquer un ratio resa/total issu de votre historique.

2

Ignorer la météo à 4-5 jours

Pour un restaurant avec terrasse, ne pas intégrer la météo vous fait perdre 15-20 pourcent de précision en moyenne sur la saison chaude. Configurez une alerte Open-Météo gratuite et appliquez vos coefficients météo systématiquement.

3

Refaire la prévision à la main chaque semaine

Si chaque dimanche soir vous passez 2h sur Excel à refaire manuellement le calcul, vous tiendrez 3 mois maximum avant d'abandonner. Automatisez avec des formules ou un outil comme RestauMargin. L'objectif : 15 minutes maximum par semaine.

4

Oublier le post-mortem des écarts

Sans analyse hebdomadaire des écarts prévision/réalisé (le MAPE), votre modèle ne s'améliore jamais. Documentez chaque écart supérieur à 15 pourcent dans un journal avec hypothèse de cause. Cette boucle d'apprentissage est ce qui fait baisser le MAPE année après année.

5

Sous-estimer les événements locaux

Un concert à 500 m peut vous amener +30 pourcent de couverts ou -20 pourcent si vos clients y vont. Sans veille active sur l'agenda local (mairie, Facebook events, Songkick, salle de sport, église), vous ratez 60 pourcent des événements impactants.

6

Vouloir trop de précision trop tôt

Au mois 3, viser un MAPE de 5 pourcent est irréaliste et démotivant. Acceptez 18-22 pourcent au démarrage et focalisez-vous sur la régularité (faire la prévision chaque semaine sans exception). La précision viendra naturellement avec l'historique.

Impact cumulé : ces 6 erreurs combinées représentent souvent 10-15 points de MAPE supplémentaires. Sur un restaurant à 600 000 EUR de CA, cela équivaut à 8-15 K EUR de marge brute perdue par an (commandes excédentaires + staffing mal calibré + clients perdus).
Section 10

Workflow hebdomadaire : checklist du dimanche soir

Pour transformer la théorie en pratique, voici le rituel hebdomadaire d'un restaurateur qui pratique la prévision depuis 2 ans. Durée totale : 30-45 minutes le dimanche soir.

  1. 1

    Extraire les ventes de la semaine écoulée (5 min)

    Exportez le rapport ventes depuis votre caisse (Lightspeed, Square, Tiller, Zelty). Filtrez par service midi/soir et par jour.

  2. 2

    Calculer le MAPE de la semaine (5 min)

    Pour chaque service, calculez |Réel - Prévu| / Réel x 100. Faites la moyenne. Reportez dans votre journal de bord.

  3. 3

    Documenter les écarts > 15 % (10 min)

    Pour chaque service avec écart important, notez la cause hypothétique : météo ratée, événement non vu, problème opérationnel, etc.

  4. 4

    Récupérer la météo à 5 jours (3 min)

    Consultez Météo France ou Open-Météo. Notez température et type de ciel pour chaque jour de la semaine suivante.

  5. 5

    Vérifier l'agenda local (5 min)

    Site mairie, Facebook events, salle de concert voisine, stade, écoles (fêtes). Identifiez tout événement dans un rayon de 1 km.

  6. 6

    Calculer la prévision semaine suivante (10 min)

    Pour chaque service : base pondérée x coef météo x coef événement x coef saison. Reportez dans le tableau hebdomadaire.

  7. 7

    Déduire commandes matières et planning RH (10 min)

    Multipliez le forecast couverts par le mix-vente pour les quantités par plat. Calez le planning sur les ratios cibles (1 cuisinier / 50 couverts).

Astuce : créez un template Notion ou Excel réutilisable chaque semaine. Après 3 semaines, vous tiendrez le rythme en 20 minutes au lieu de 45. C'est l'investissement hebdomadaire le plus rentable de votre gestion.
Section 11

Questions fréquentes

Combien d'historique faut-il pour des prévisions de ventes fiables en restaurant ?

Comptez 3 mois minimum pour démarrer avec une moyenne mobile, 12 mois pour intégrer la saisonnalité annuelle (vacances, jours fériés, saisons), et 24 mois pour calibrer un modèle de régression précis ou un algorithme de machine learning. Sans 12 mois de données, votre forecast couverts ne capturera ni le pic de la fête des mères, ni le creux d'août, ni l'effet rentrée de septembre.

Quelle est la différence entre prévision des ventes et forecast couverts ?

La prévision des ventes restaurant calcule le chiffre d'affaires futur en euros. Le forecast couverts prédit le nombre de clients servis. Les deux sont liés par le ticket moyen : Prévision CA = Forecast couverts x Ticket moyen. On pilote la prévision CA pour la trésorerie et le forecast couverts pour le staffing et les commandes matières.

Quelle précision attendre d'une prévision de ventes restaurant ?

Une précision de plus ou moins 10 % est considérée comme bonne, plus ou moins 20 % comme acceptable au démarrage. Les chaînes avec algorithmes ML atteignent plus ou moins 5 %. L'indicateur de mesure standard est le MAPE (Mean Absolute Percentage Error). Visez 15 % au mois 3, 10 % au mois 12, 8 % après 24 mois de pratique régulière.

Quels outils utiliser pour prévoir les ventes d'un restaurant ?

Pour démarrer : Excel ou Google Sheets avec une moyenne mobile. Au-delà : RestauMargin intègre forecast + commandes + marges, Lightspeed Restaurant fournit un module prévisions natif, Square for Restaurants propose des reports avec saisonnalité. Pour le ML avancé : Prophet (Facebook), scikit-learn, ou les plateformes cloud (AWS Forecast, Google Vertex AI).

Quels facteurs externes influencent le plus les ventes d'un restaurant ?

Par ordre d'impact décroissant : jour de la semaine (variation de -50 à +60 pourcent), météo si terrasse (-25 à +20 pourcent), vacances scolaires (-30 à +25 pourcent selon zone), jours fériés (-40 à +35 pourcent), événements locaux concert ou match (+10 à +50 pourcent), grèves transport (-30 pourcent en zone bureau), campagnes marketing (+5 à +20 pourcent), concurrence ouverture proche (-10 à -15 pourcent les 3 premiers mois).

Comment intégrer la météo dans une prévision de ventes restaurant ?

Récupérez les prévisions Météo France ou Open-Météo à 4-5 jours d'horizon. Calculez un coefficient météo à partir de l'historique : pour chaque tranche de température et type de ciel, mesurez l'écart moyen vs jour normal. Exemple : terrasse + soleil + 22 à 26 degrés = +18 pourcent. Pluie forte = -22 pourcent. Stockez ces coefficients dans un tableur et appliquez-les à votre forecast de base.

Faut-il prévoir par plat ou par couvert ?

Les deux, à des niveaux différents. Au niveau global, prévoyez en couverts pour piloter la salle et le staffing. Au niveau commandes matières, déduisez la prévision par plat via le mix-vente moyen des 4 dernières semaines équivalentes. Exemple : 200 couverts prévus, mix entrecôte 18 pourcent = 36 entrecôtes à commander, mix pizza margherita 12 pourcent = 24 pizzas, etc.

Quelle est la meilleure méthode de prévision pour un restaurant qui ouvre ?

Sans historique, utilisez 3 approches combinées : 1) Ratios sectoriels INSEE et GIRA Conseil pour votre format et zone, 2) Étude de concurrence (compter les couverts chez vos voisins sur 2-3 semaines), 3) Réservations + walk-in estimé. À partir de 4 semaines de données, basculez en moyennes mobiles pondérées. À 12 semaines, vos propres patterns suffisent.

Le machine learning vaut-il vraiment le coup pour un restaurant indépendant ?

En dessous de 2 ans de données ou 1 million d'euros de CA, le ML apporte rarement plus de 2-3 points de précision vs une bonne moyenne pondérée. Au-delà, les modèles type Prophet, ARIMA ou XGBoost peuvent gagner 5-8 points de MAPE en captant les interactions complexes (météo x événement x saison). Les chaînes avec des restaurants tirent le plus grand bénéfice du ML grâce au mutualisation des données.

Comment expliquer un écart prévision/réalisé important ?

Tout écart supérieur à 15 pourcent doit être analysé en post-mortem. Checklist : 1) Événement non pris en compte (manifestation, match, concert) ? 2) Météo mal lue ou changement de dernière minute ? 3) Problème opérationnel (rupture, service lent, équipe réduite) ? 4) Concurrence (ouverture, promotion) ? 5) Saisonnalité atypique (pont, ramadan, championnat) ? Documentez chaque écart dans un journal pour enrichir le modèle.

Articles connexes

Automatisez vos prévisions de ventes

RestauMargin intègre forecast couverts, commandes matières, marges et alertes écarts dans un seul outil. Assistant IA intégré.

Sans CB, sans engagement. 7 jours d'essai complet.