Prévision d'affluence : météo, vacances et jours fériés, avec une fiabilité mesurée

Prévoir l'affluence sert à décider deux choses : combien de personnes planifier, et quoi préparer. La prévision d'Arpelin ne cherche pas à impressionner par sa complexité. Elle cherche à ne jamais afficher un chiffre dont elle ne peut pas mesurer la fiabilité.

Les données qu'elle utilise

• Votre historique : les tickets des 13 derniers mois, paniers annulés exclus, comme dans les statistiques de ventes.
• La météo : observée et prévue à l'adresse de l'établissement (celle des informations générales), via le service ouvert Open-Meteo, sans clé à créer.
• Les vacances scolaires : déduites du code postal (zone A, B, C ou Corse), à partir des calendriers publiés par l'Éducation nationale. Les départements d'outre-mer ont un calendrier différent et ne sont pas gérés.
• Les jours fériés : calculés localement, Pâques et ses dérivés compris, pour la France.

La méthode, en quatre temps

1. Chaque jour passé est comparé à la norme de son jour de la semaine, sur les six semaines autour. Une régression pénalisée (ridge) apprend, sur votre propre historique, l'effet de la pluie, de la température, des vacances (été, autres) et des jours fériés.
2. Le profil par heure de chaque jour de la semaine est calculé sur des jours « neutralisés » de ces effets, avec une pondération qui privilégie les semaines récentes (demi-vie de six semaines). Les effets du jour à prévoir sont ensuite réappliqués.
3. Pour aujourd'hui, la prévision se corrige en direct selon l'écart entre les commandes réelles et attendues.
4. Un test à blanc mesure la fiabilité : le modèle rejoue les six dernières semaines jour après jour, sans voir l'avenir. Un facteur (météo, vacances, fériés, tendance) n'est conservé que s'il ne dégrade pas l'erreur mesurée, et l'erreur observée sert à tracer les fourchettes affichées.

Quand elle se tait

En dessous de 14 jours d'ouverture dans l'historique, aucune prévision n'est affichée. Si la précision mesurée est trop faible, elle est masquée aussi. Un outil qui annonce 120 commandes sans fourchette ni fiabilité incite à planifier sur du vent ; celui-ci préfère dire qu'il ne sait pas.

Ce que la recherche apprend sur la météo et les ventes

Peu d'études publiées isolent l'effet de la météo sur un restaurant. Bujisic, Bogicevic et Parsa (2017) relient les conditions météorologiques aux ventes d'un restaurant d'hôtel en Floride et observent des effets qui varient selon le repas et le plat : la chaleur freine surtout le déjeuner et certains plats riches. C'est un terrain limité, un seul établissement, qui ne se transpose pas tel quel à une autre région. Lasek, Cercone et Saunders (2016) ont de leur côté classé les méthodes de prévision de ventes de restaurants proposées dans la littérature. C'est la raison pour laquelle Arpelin apprend les effets de la météo sur chaque commerce plutôt que d'en supposer.

Ce qu'elle déclenche

Au delà de l'affichage, la prévision alimente les alertes (écart entre commandes réelles et attendues sur les heures terminées), l'estimation du chiffre d'affaires du jour (commandes attendues multipliées par le panier moyen du jour de la semaine) et les besoins en composants du stock.

Références

1. Bujisic, M., Bogicevic, V., & Parsa, H. G. (2017). The effect of weather factors on restaurant sales. Journal of Foodservice Business Research, 20(3), 350-370. https://doi.org/10.1080/15378020.2016.1209723
2. Lasek, A., Cercone, N., & Saunders, J. (2016). Restaurant sales and customer demand forecasting: Literature survey and categorization of methods. Dans Smart City 360° (p. 479-491). Springer. https://doi.org/10.1007/978-3-319-33681-7_40