La demande, vue avant qu'elle n'arrive.
Une plateforme de prévision par machine learning qui ingère l'historique des ventes, la saisonnalité et des signaux en direct pour prédire la demande — afin que les équipes planifient stocks, effectifs et dépenses avec confiance plutôt qu'au jugé.
Le frais ne pardonne aucune approximation.
Une opération de repas frais vit ou meurt sur le chiffre de demain : cuisinez trop et la marge part à la poubelle, cuisinez trop peu et les frigos restent vides à midi. La planification reposait sur l'expérience et les tableurs — de bons instincts, aucune mémoire, et aucun moyen de passer à l'échelle sur un réseau de frigos en croissance.
Nous avons construit la plateforme qui se souvient de tout : deux ans d'historique de ventes, la saisonnalité, la météo et les signaux en direct de la flotte de frigos, distillés en prévisions de demande par site et par plat. Stocks, effectifs et dépenses se planifient désormais sur un chiffre qui a mérité sa confiance — 98% de précision en production.
En production, le modèle planifie la journée avant que la cuisine ne la commence : 98% de précision de prévision, 58% de ruptures en moins et 41% de surstock en moins — avec surveillance de dérive et réentraînements programmés pour rester fiable quand la demande bouge.
L'instinct ne passe pas à l'échelle.
De bons planificateurs pilotaient l'opération à l'expérience — qui ne se copie pas sur les dix sites suivants.
Le chiffre de demain était une supposition.
Le frais punit les deux sens de l'erreur, chaque jour, sans exception.
- La surproduction — de la marge littéralement jetée à la poubelle chaque fin de journée.
- Les ruptures — des frigos vides à midi, c'est du revenu et de la confiance perdus.
- Une mémoire de tableur — la planification n'avait aucun rappel systématique de la saisonnalité.
- Un instinct local — l'expertise restait chez un planificateur, sur un site.
Un chiffre qui a mérité sa confiance.
Des prévisions de demande par site et par plat, distillées de l'historique, de la saisonnalité et des signaux de flotte en direct.
- 98% de précision — de qualité production, mesurée en continu.
- Des signaux en entrée — historique des ventes, météo, saisonnalité et télémétrie des frigos.
- Des vues de planification en sortie — stocks, effectifs et dépenses alignés sur un seul chiffre.
- Auto-correcteur — le réentraînement automatisé garde le modèle honnête à mesure que le réseau grandit.
Des signaux à un plan.
La boucle complète — ingestion, prédiction, vues de planification et le réentraînement qui garde le tout honnête.
Ingestion des signaux
Historique des ventes, saisonnalité, effets de calendrier et télémétrie de flotte en direct, à travers des pipelines soignés.
Modèles de prévision de la demande
Des prédictions par site et par plat, réglées sur l'horizon auquel les planificateurs achètent vraiment.
Vues de planification des stocks
Des prévisions traduites en quantités de commande et plans de production — pas des courbes brutes.
Planification effectifs & dépenses
La même courbe de demande pilote les plannings d'équipe et les budgets d'achat.
Surveillance de la dérive
La précision suivie en continu contre la réalité, avec des alertes quand le monde bouge.
Réentraînement planifié
Les modèles se réentraînent automatiquement sur des données fraîches — la précision survit au trimestre prochain, et au suivant.
Gagner la confiance des planificateurs.
Quatre phases — dont des mois à tourner en silence à côté des humains.
Conceptualisation
Cadrage de la fonction de coût avec les opérateurs : un repas jeté contre un frigo vide.
Design
Des vues de planification qui disent quoi cuisiner — pas des tableaux de bord qui répondent « ça dépend ».
Développement
L'ingestion, le pipeline de features, les modèles et la boucle de réentraînement automatisé.
Déploiement
Essai en mode shadow face aux plans humains, puis bascule site par site.
Ce qui nous a tenus éveillés la nuit.
Les problèmes qui décidaient si le produit fonctionnait, tout court.
La confiance avant l'automatisation
Les planificateurs ignorent une boîte noire. Le modèle a tourné en mode shadow face aux plans humains jusqu'à ce que son palmarès — pas ses maths — gagne le débat.
Des sites qui partent de zéro
Les nouveaux sites n'ont pas d'historique. Le transfert depuis des sites similaires donne des prévisions dès le premier jour, qui convergent à mesure que les données locales arrivent.
La dérive dans un réseau qui change
Les menus tournent, des sites ouvrent, les saisons changent. Réentraînement automatisé et surveillance de la précision gardent les 98% honnêtes dans la durée.
La stack technique.
Une boucle d'apprentissage sur tout le réseau de frigos.
Les chiffres que les propriétaires suivent.
La plateforme s'est remboursée dès le premier trimestre — puis a été étendue à la planification de la demande.
Un chiffre de production, mesuré contre ce qui s'est réellement vendu — pas une vantardise de jeu de test.
Les moments de frigo vide se sont effondrés ; le déjeuner est là quand le client l'est.
Moins de frais cuisiné pour la poubelle — marge et durabilité, même levier.
“La plateforme de prévision s'est remboursée dès le premier trimestre. Six mois plus tard, nous avons demandé à CODT d'appliquer la même approche à la planification de la demande — ils traitent les deux comme un seul produit.”
Continuez à explorer.
Chaque projet présenté ici est en production, payé, et génère des revenus pour ses propriétaires.
Un problème qui mérite d'être
bien résolu ?
Parlez-nous de votre produit, de votre calendrier et de vos contraintes. Nous répondons sous un jour ouvré avec un avis honnête sur l'adéquation, le périmètre et la bonne équipe.