Accueil › Études de cas › Dark kitchens et foodtech
Études de cas

Algorithme des applis de livraison : comment une dark kitchen a enrayé les annulations et a ramené au positif le EBITDA du canal en 90 jours grâce au Générateur de Recettes Standard

Diego F. Parra Par Diego F. Parra · Mis à jour · Dark kitchens et foodtech

Mise à jour le 28 oct. 2026 : 10 chiffres nouveaux avec leur source, 5 nouvelles questions fréquentes et 8 nouvelles sections.

Algorithme des applis de livraison : comment une dark kitchen a enrayé les annulations et ramené au positif le EBITDA du canal en 90 jours grâce au Générateur de Recettes Standard — Masterestaurant
Verdict express

Verdict : L'algorithme des applis de livraison classe les restaurants selon la probabilité que la commande arrive correctement : il pèse l'acceptation, les annulations imputables au restaurant, la note récente, le temps réel par rapport au temps annoncé et la conversion de la fiche, tandis que la publicité achète de la visibilité, et non une position.

Dans ce cas illustratif, une dark kitchen de trois marques qui croyait être pénalisée pour ne pas payer de publicité a découvert que le problème se trouvait au passe et dans le grammage du sushi, et l'a résolu dans cet ORDRE : d'abord la cuisine, ensuite la fiche, en dernier lieu la publicité avec un plafond calculé sur la marge de contribution.

📈 Étude de casCas d'affaires détaillé : diagnostic, décisions datées et résultats mesurés· 23 min de lecture· 2026-10-28

Il s'agit d'un cas illustratif (composite) que nous avons élaboré chez Masterestaurant à partir de schémas de la méthode de Diego F. Parra. La thèse précède la fiche : l'algorithme des applications de livraison ne récompense pas celui qui paie le plus, mais celui qui tient ses promesses. Or cette cuisine vendait bien, mais l'argent s'évaporait en production, bien avant d'arriver sur l'écran du client.

La fiche du cas est brève : cuisine fantôme de trois marques (sushi, bowls et burgers) dans une ville intermédiaire d'Amérique latine, neuf personnes réparties sur deux services, sans tables ni salle, ouverte en 2024, avec un ticket individuel de gamme moyenne, presque toute la vente passant par les applications et un chiffre d'affaires annuel compris entre un demi-million et un million de dollars.

Le coût d'une erreur sur ce canal n'est pas négligeable. Selon Wharton Magazine (2025), les plateformes facturent aux restaurants des États-Unis une commission typique de 15 à 30 % par commande. Chaque commande que la cuisine annule est donc payée deux fois : dans la nourriture jetée et dans la place perdue pour les commandes suivantes.

Et la demande en jeu est considérable : la National Restaurant Association (2025) chiffre à 37 % les adultes américains qui commandent en livraison au moins une fois par semaine, une habitude qui, dans les villes latino-américaines équipées de cuisines virtuelles, tend de plus en plus à se généraliser.

Les associées sont arrivées avec un diagnostic personnel qui était FAUX : elles pensaient que l'application les avait coulées parce qu'elles n'achetaient pas de publicité. Les données du panel disaient autre chose. La baisse de visibilité coïncidait avec les week-ends où les refus se multipliaient, et avec la semaine où la marque de sushi a commencé à annuler faute de saumon. Or aucune publicité ne règle cela.

Comparaison côte à côte

Comparatif côte à côte : algorithme des applis de livraison

AVANT (référence de départ)APRÈS (mois 3)
Acceptation des commandes en heure de pointe✕Refus accumulés le vendredi et le samedi soir ; la tablette restait au passe sans responsable✓Une personne fixe par service répond à la tablette ; on ne refuse qu'en cas de rupture déjà déclarée
Annulations imputables au restaurant✕Presque toutes de la marque de sushi, pour des ruptures de saumon jamais signalées dans l'application✓La rupture est signalée dans l'application avant l'ouverture du service ; annulations isolées
Temps réel face au temps promis✕Temps promis calé sur la recette idéale ; les commandes combinées de deux marques arrivaient en retard✓Temps configuré d'après le chronométrage réel par poste et par combinaison de marques
Écart entre coût théorique et coût réel (sushi)✕Food cost au-dessus du plafond de 32 % de la méthode, portions au jugé✓Dans le plafond de 32 %, grammage fixé avec le Générateur de Recettes Standard
Note de la fenêtre récente✕Les avis sur les commandes tardives ou incomplètes plombaient la fenêtre récente✓Fenêtre récente propre ; chaque avis négatif reçoit une réponse le jour même
Conversion de la fiche✕Photos anciennes, noms de plats cryptiques, formules assemblées sans calcul de marge✓Photos du plat réel, noms clairs, formules avec marge de contribution calculée
Labor cost et plannings✕Plannings établis par habitude, avec du personnel en trop en milieu d'après-midi✓Plannings déplacés sur les vrais pics, sans embaucher personne
EBITDA du canal livraison✕Négatif après commissions, alors que les ventes progressaient✓Positif et stable ; résultat consolidé au 3e mois et nouvelle mesure au 6e mois

Que mesure réellement l'algorithme des applications de livraison ?

L'algorithme des applications de livraison mesure si la commande arrivera bien, et la publicité ne fait qu'acheter une vitrine que l'exploitation doit ensuite tenir.

Les plateformes classent les restaurants à partir de signaux de fiabilité : le nombre de commandes que vous acceptez, le nombre que vous annulez pour une raison qui vous est imputable, la note des dernières semaines, l'écart entre le délai réel et le délai annoncé, et la part des visites de la fiche qui aboutissent à une commande.

Cette vitrine pèse d'autant plus là où une seule application concentre le marché : selon Sensor Tower (2024), iFood réunissait 89 % des utilisateurs actifs mensuels de livraison au Brésil, si bien que perdre sa place dans son classement revient à disparaître de presque toute la demande du canal.

Chez Masterestaurant, nous l'expliquons avec une image de cuisine : l'application est un chef de passe qui ne goûte pas les plats ; il vérifie seulement que la commande sort à l'heure, complète et sans retour, et il sanctionne celui qui échoue deux soirs de suite.

Point de départ : une dark kitchen qui perdait sa position sans en comprendre la cause

La cuisine de ce cas a perdu en visibilité à cause de défaillances de production, et non faute de publicité, un diagnostic qui a bouleversé tout le plan de travail. Il s'agit d'une dark kitchen de trois marques, sushi, bowls et burgers, qui, dans ce cas illustratif composé, vendait presque tout via les applications et voyait ses fiches reculer dans le classement les week-ends.

Les associées avaient déjà demandé des devis de campagnes payantes, convaincues que l'algorithme pénalise celui qui n'investit pas. Le tableau de bord de la plateforme racontait une autre histoire : la baisse coïncidait avec les soirs où les refus étaient les plus nombreux et avec la semaine où la marque de sushi a commencé à annuler faute de saumon.

Acheter des annonces à ce moment-là aurait consisté à envoyer davantage de clients vers une cuisine qui ne pouvait plus les servir, et chaque commande ratée aurait fait chuter la fiche un peu plus. On remet d'abord la cuisine en ordre, puis on achète de la visibilité : cet ORDRE est la thèse du cas.

Pourquoi une tablette sans responsable fait-elle chuter le taux d'acceptation ?

Une tablette de commandes sans responsable désigné par service fait chuter l'acceptation justement aux heures qui comptent le plus, car personne ne la surveille quand la cuisine est pleine.

Dans cette cuisine, l'appareil était posé sur la passe et s'en occupait, en théorie, la même personne qui dressait les assiettes ; les refus et les commandes expirées s'accumulaient donc pendant les deux soirs les plus chargés. Pour l'algorithme, chaque commande qui expire sans réponse signifie que l'établissement n'est pas disponible, et la fiche recule pour tous les clients de la zone, et pas seulement pour celui qui attendait.

La correction relevait de l'organisation et non de la technologie : un responsable nommé pour la tablette à chaque service, une consigne écrite pour le coup de feu et une règle simple, mettre en pause une marque plutôt que laisser expirer ses commandes. La pause coûte sur les ventes de cette heure-là. Le refus coûte sur la position de toute la semaine, et cette facture arrive plus tard, sans prévenir.

Le saumon en cause : des annulations pour des commandes déjà payées par le client

Les annulations de ce cas portaient le nom d'un ingrédient, le saumon, et elles ont cessé lorsque l'inventaire a commencé à se synchroniser avec l'application. La rupture n'était jamais signalée sur la plateforme : le client commandait des sushis, la cuisine découvrait le manque en montant la commande et annulait alors que le paiement était déjà encaissé, la pire combinaison possible pour la note comme pour le classement.

Le saumon en cause : des annulations de commandes déjà réglées par le client — en pratique

C'est là qu'intervient l'outil de calcul des coûts de recettes de la méthode de Masterestaurant : à partir de la fiche technique de chaque rouleau, nous avons calculé la quantité de saumon consommée par les ventes prévues sur chaque créneau, fixé un seuil de réapprovisionnement et défini qui signale le produit comme épuisé dans l'application avant l'ouverture du service. Ne rien faire coûte cher.

Au Mexique, le président de la CANIRAC a estimé que les applications de livraison prélèvent entre 15 % et 35 % des ventes (El Universal San Luis, 2026) ; avec un tel poids de commission, chaque commande annulée représente une marge perdue et une réputation qui disparaît sans contrepartie.

Délai annoncé et délai réel sur les commandes de deux marques

Le temps de préparation renseigné dans l'application correspondait à la recette idéale, alors que l'algorithme pénalise chaque minute d'écart entre le délai annoncé et le délai réel. L'écart augmentait sur les commandes combinées, car les bowls et les burgers sortaient de postes différents et personne ne coordonnait la fermeture du sac : le livreur attendait, le plat arrivait tiède et l'avis le relatait.

Diego F. Parra défend un ordre qui paraît contre-intuitif : relever le délai annoncé à ce que la cuisine tient réellement au coup de feu, puis seulement le réduire méthodiquement.

Délai annoncé et délai réel des commandes pour deux marques — en pratique

Un délai plus long fait perdre quelques clics ; une promesse non tenue fait perdre des notes, et la note fait bouger le classement pendant des semaines. La solution opérationnelle a été de désigner un responsable de dressage pour les commandes de deux marques, avec un tableau de bons de commande indiquant quel poste termine en dernier. Que serait-il arrivé si l'on avait réduit le délai pour rester compétitif ?

Davantage de retards, de moins bonnes notes, moins de visibilité, et un cercle vicieux qui s'entretient de lui-même.

Résultat : la fiche est remontée avant tout investissement publicitaire

La position s'est redressée une fois la cuisine remise en ordre, et avant d'avoir dépensé le moindre euro en publicité, ce qui est le résultat le plus dérangeant pour qui vend des campagnes. Dans ce cas illustratif, dès le troisième mois, le taux d'acceptation s'approchait du total des commandes reçues, les annulations imputables à l'établissement étaient devenues exceptionnelles et le canal livraison ne pesait plus négativement sur le compte de résultat.

Résultat : la fiche remonte avant tout investissement publicitaire — en pratique

Ce n'est qu'à ce moment-là que l'on a travaillé la conversion de la fiche, avec de vraies photos de chaque bowl, des noms de plats que le client recherche réellement et une offre combinée de deux marques à un prix qui ne cannibalise pas les autres.

Le prix compte, car le client compare le total affiché à l'écran ; or, selon le rapport d'Intouch Insight (2025), les frais des plateformes tierces aux États-Unis ont baissé de 1,10 USD en moyenne entre 2024 et 2025. Une fois la publicité ajoutée à une exploitation qui tient ses engagements, chaque visite achetée a enfin une probabilité raisonnable d'aboutir à une commande bien livrée.

Enseignements transférables par tranche de chiffre d'affaires annuel

La leçon s'applique dans le même ordre quelle que soit la taille : d'abord l'exploitation que l'algorithme mesure, ensuite la visibilité que l'on achète. Avec moins de 500 000 USD de chiffre d'affaires par an, la première étape de cette semaine consiste à désigner un responsable de la tablette par service et à rédiger sa consigne de relève.

Entre 500 000 et 1 million, la tranche de ce cas, il faut calculer le coût de l'ingrédient qui annule le plus et fixer son seuil de réapprovisionnement.

Enseignements transférables par tranche de chiffre d'affaires annuel — en pratique

Au-delà d'1 million, chaque marque a besoin d'un délai annoncé mesuré au coup de feu, et non celui de la fiche technique. Au-delà de 5 millions, comme pour un concept thématique de grande taille ou la marque d'un chef médiatique, l'étape consiste à auditer quelle application domine chaque ville, car au Mexique, DiDi Food détenait 38 % des utilisateurs actifs mensuels de la livraison (Sensor Tower, 2024).

Enfin, un groupe de plus de 10 millions doit unifier le suivi des annulations de tous ses établissements avant de négocier les commissions.

Limites de ce cas

Ce résultat ne se reproduirait pas à l'identique sur tous les marchés, et il convient de le préciser avant de copier la méthode. Là où une seule application concentre presque toute la demande, comme en Argentine, où PedidosYa représentait 61 % des utilisateurs actifs mensuels de la livraison selon le même suivi de Sensor Tower en 2024, la cuisine dépend d'un algorithme unique, et tout changement de règles pèse davantage que l'amélioration opérationnelle.

On ne s'attendrait pas non plus au même résultat là où le paysage des plateformes évolue : Uber Eats est passée de 33 % en 2020 à 7 % des utilisateurs latino-américains en 2024 après s'être retirée du Brésil, et une fiche bien positionnée peut se retrouver piégée sur une application qui perd ses clients.

Un restaurant avec salle, pour qui la livraison est un complément, se heurte à une autre limite : une cuisine partagée entre la salle et les sacs, où la tablette entre en concurrence avec les tables. Là, le premier travail consiste à séparer les postes, et non à retoucher la fiche.

Diagnostic de cause racine, enseignements transférables et limites du cas

Derrière chaque symptôme, il y avait une cause qui n'était pas de l'ordre du marketing. Le faible taux d'acceptation ne venait pas de la négligence : la tablette des commandes était restée au passe, sans responsable, et la donnée qui a révélé le problème était que les refus se concentraient sur les deux soirs les plus chargés, précisément quand la personne du passe dressait les assiettes.

Les annulations avaient un coupable au nom d'ingrédient, le saumon, dont les ruptures n'étaient jamais signalées dans l'application. Le client commandait donc des sushis, la cuisine découvrait le manque et annulait alors que la commande était déjà encaissée.

Le temps réel qui dépassait le temps annoncé avait une autre racine : le temps de préparation avait été paramétré sur la recette idéale, et l'écart augmentait sur les commandes combinant deux marques, car les bowls et les burgers sortaient de postes différents et personne ne coordonnait la fermeture du sac.

Diagnostic de cause racine, enseignements transférables et limites du cas — en pratique

Et en caisse apparaissait le symptôme le plus coûteux : l'écart entre le coût théorique et le coût réel des sushis, avec des portions servies à l'œil qui faisaient grimper le food cost au-dessus du plafond de 32 % que la méthode Masterestaurant fixe comme MAXIMUM, et non comme objectif.

Je me suis trompé pendant des années, et je le dis parce que l'erreur que je vois encore et encore vient de la même source : moi aussi, je recommandais de travailler d'abord la fiche et les annonces, parce que c'est ce qui se voit, alors qu'au fond l'algorithme des applications de livraison est un comptable des promesses tenues, qui ne croit pas à une belle photo si la cuisine échoue.

Que serait-il arrivé si ces associées avaient acheté de la publicité dès la semaine 1 ? Davantage de commandes seraient tombées sur la même tablette sans responsable, les refus et les annulations auraient augmenté, le classement organique aurait encore baissé, et elles auraient payé deux fois, en publicité et en commission, pour des clients qui ne revenaient pas.

Diagnostic de cause racine, enseignements transférables et limites du cas — clés et chiffres

La tension avec ce canal est réelle, et il faut la résoudre sans romantisme : la même application qui prélève la commission est celle qui amène les clients, et la solution n'est ni de la détester ni de s'y soumettre, c'est de la traiter comme une acquisition payante avec un plafond.

Au Mexique, le président de la CANIRAC situe la commission des applications de livraison entre 15 % et 35 % des ventes (El Universal San Luis, 2026), une fourchette valable au moment de la consultation de la source, qu'il convient de vérifier sur le lien officiel car elle évolue ; avec une telle charge, un menu sans marge de contribution calculée fait monter le volume et fait chuter le EBITDA.

La concentration du marché aggrave la dépendance : en Amérique latine, l'application leader réunissait 40 % des utilisateurs actifs mensuels de livraison jusqu'à la mi-2024, selon Sensor Tower, et une autre plateforme qui détenait 33 % de la part régionale en 2020 est tombée à 7 % en 2024 après son retrait du Brésil.

Diagnostic de cause racine, enseignements transférables et limites du cas — exemples et chiffres

Pour un exploitant, la lecture est simple : la carte change sans demander l'avis de personne, donc la fiche technique standard, le chronomètre et la base de clients propres ont de la valeur sur n'importe quelle application, alors que la position acquise sur une seule ne constitue pas un actif, c'est une location. Les enseignements se déclinent différemment selon la taille.

Si vous facturez moins d'un demi-million de dollars par an, votre premier pas est de désigner dès cette semaine un responsable de la tablette par service, sans nouveau logiciel. Entre un demi-million et un million, comme dans ce cas, le premier pas est de fixer le grammage

Diagnostic de cause racine, enseignements transférables et limites du cas — la suite

et le temps réel de la marque qui annule le plus. Au-delà d'un million, le premier pas est un tableau de bord unique des cinq signaux par marque et par site, avec un responsable qui le revoit chaque lundi.

Dans les groupes de plus de cinq ou de plus de dix millions, y compris le restaurant de chef médiatique à grande capacité et le restaurant à thème d'expérience, la livraison pèse différemment : la marque personnelle et la scénographie ne voyagent pas dans un sac, et les redevances d'image ainsi que l'entretien de la mise en scène se reportent sur le seuil de rentabilité, jamais sur l'assiette.

Diagnostic de cause racine, enseignements transférables et limites du cas — en pratique (5)

Malgré tout, le canal progresse ; dans la restauration à service complet aux États-Unis, la part de trafic hors salle a atteint 30 % en 2024, contre 19 % en 2019, selon la National Restaurant Association. C'est pourquoi le premier pas, là-bas, est une carte livraison courte, conçue pour voyager, qui ne compromet pas l'expérience en salle. Et les limites du cas, pour ne pas tomber dans le biais de survie.

Je n'attendrais pas le même résultat dans un marché où une seule application concentre presque tout, comme au Brésil, avec 89 % des utilisateurs actifs mensuels sur l'application leader (Sensor Tower, 2024), ou en Argentine, avec 61 % : là, la négociation et la visibilité pèsent davantage que l'exploitation.

Pas non plus dans une cuisine dont le problème est l'emplacement, trop loin de sa demande, ni dans un concept dont le plat ne supporte pas le trajet, car aucun grammage ne corrige une friture qui arrive molle.

Point par point

Idées reçues et réalité de l'algorithme des applications de livraison

Publicité payante
A · AVANT (référence de départ)Idée reçue : payer des annonces fait monter le restaurant dans l'application.
B · MasterestaurantRéalité : c'est une vitrine achetée tant que dure le budget ; si la cuisine refuse ou annule, vous multipliez les défaillances que l'algorithme sanctionne.
Verdict : Annonces en dernier recours, avec un plafond lié à la marge sur coûts variables.
Note
A · AVANT (référence de départ)Idée reçue : une bonne note historique protège la position.
B · MasterestaurantRéalité : c'est la fenêtre récente qui compte, et quelques mauvaises soirées la font chuter, même si la moyenne sur plusieurs années reste élevée.
Verdict : Piloter la fenêtre récente chaque semaine.
Annulations
A · AVANT (référence de départ)Idée reçue : une annulation isolée ne se remarque pas.
B · MasterestaurantRéalité : chacune imputable au restaurant fait perdre la confiance, coûte de la nourriture, de la commission et le client qui ne reviendra pas.
Verdict : Signaler les ruptures avant d'ouvrir le service.
Prix et frais
A · AVANT (référence de départ)Idée reçue : le client ne regarde que le prix, donc baisser le prix permet de grimper dans le classement.
B · MasterestaurantRéalité : les frais des plateformes tierces ont déjà baissé de 1,10 USD en moyenne aux États-Unis entre 2024 et 2025, selon le rapport de client mystère d'Intouch Insight, et une commande livrée en retard fait perdre le client quel que soit le prix.
Verdict : Rivaliser sur l'exécution avant de rivaliser sur la remise.
Délai annoncé
A · AVANT (référence de départ)Idée reçue : annoncer moins de minutes attire davantage de commandes.
B · MasterestaurantRéalité : l'algorithme compare le délai annoncé au délai réel, et une promesse non tenue fait baisser le classement de toutes les commandes suivantes.
Verdict : Annoncer ce que indique le chronomètre.
Davantage de marques virtuelles
A · AVANT (référence de départ)Idée reçue : ajouter des marques dans la même cuisine multiplie la visibilité.
B · MasterestaurantRéalité : sans fiche technique standardisée, chaque nouvelle marque multiplie les écarts de coût et de temps sur les mêmes postes.
Verdict : Une nouvelle marque uniquement avec son grammage et son temps de préparation fixés.
Comparaison côte à côte

Ce qui faisait chuter la position (avant)

  • Croire que la publicité achète la position.
  • Une tablette de commandes au passe, sans responsable pendant le pic, qui refusait par épuisement ce que la cuisine pouvait assurer et signalait à l'application, commande après commande, que ce restaurant n'était pas fiable.
  • Saumon sans rupture déclarée.
  • Délais promis copiés de la recette idéale, et non du chronomètre.

Ce qui l'a remontée (après)

  • Un responsable de la tablette par service.
  • Grammage et pré-portionnement du sushi avec le Générateur de Recettes Standard, qui a réduit l'écart entre coût théorique et coût réel et, au passage, rendu prévisible le temps de montage, ce que l'algorithme mesurait sans que personne ne le sache.
  • Photos réelles et noms compréhensibles.
  • Publicité seulement lorsque l'exploitation tenait déjà ses engagements, avec un plafond de dépenses lié à la marge de contribution de chaque formule.
Les chiffres qui comptent

Chiffres du secteur qui encadrent le cas

30%
Plafond de la commission type par commande des plateformes de livraison pour les restaurants aux États-Unis (fourchette de 15 à 30 %, 2025)
35%
Borne supérieure de la fourchette de commission des applications de livraison au Mexique sur les ventes (15 % à 35 %, selon le président de la CANIRAC)
37%
Adultes américains commandant en livraison au moins une fois par semaine (2025)
30%
Part du trafic hors salle dans les restaurants à service complet aux États-Unis en 2024 (19 % en 2019)
1.1USD
Baisse moyenne des tarifs des applications de livraison tierces aux États-Unis entre 2024 et 2025 (commandes de clients mystère)
40%
Utilisateurs actifs mensuels des applications de livraison en Amérique latine concentrés sur l'application leader (2024, jusqu'à la mi-année)
89%
Utilisateurs actifs mensuels des applications de livraison au Brésil concentrés sur l'application leader (2024)
61%
Utilisateurs actifs mensuels des applications de livraison en Argentine concentrés sur l'application leader (2024)
38%
Part de DiDi Food parmi les utilisateurs actifs mensuels des applications de livraison au Mexique, le marché où s'affrontent les algorithmes des applications de livraison (2024)
7%
Part de Uber Eats parmi les utilisateurs actifs mensuels des applications de livraison en Amérique latine après son retrait du Brésil, exemple de la façon dont la carte change là où opèrent les algorithmes des applications de livraison (2024)
38%
Part de DiDi Food parmi les utilisateurs actifs mensuels des applications de livraison au Mexique en 2024, marché dont l'algorithme détermine la visibilité du restaurant
Visualisation
Les chiffres en images
Les chiffres en images30% Plafond de la commission type par commande des plateformes de livraison…; 35% Borne supérieure de la fourchette de commission des applications…; 37% Adultes américains commandant en livraison au moins une fois…; 30% Part du trafic hors salle dans les restaurants à service complet…; 1.1 USD Baisse moyenne des tarifs des applications de livraison tierces; 40% Utilisateurs actifs mensuels des applications de livraison…Plafond de la commission type par commande des plateformes de livraison pour les restaurants aux États-…30%Borne supérieure de la fourchette de commission des applications de livraison au Mexique sur les ventes…35%Adultes américains commandant en livraison au moins une fois par semaine (2025)37%Part du trafic hors salle dans les restaurants à service complet aux États-Unis en 2024 (19 % en 2019)30%Baisse moyenne des tarifs des applications de livraison tierces aux États-Unis entre 2024 et 2025 (comm…1.1USDUtilisateurs actifs mensuels des applications de livraison en Amérique latine concentrés sur l'applicat…40%
Sources : Wharton Magazine (2025) · El Universal San Luis, CANIRAC (2026) · National Restaurant Association (2025) · Intouch Insight (2025) · Sensor Tower (2024)Graphique créé par masterestaurant.com
Cas illustratif (composite)

“Pendant deux ans, nous avons cru que l'application nous pénalisait parce que nous ne payions pas de publicité, et il s'est avéré que la tablette sans responsable refusait des commandes chaque vendredi et que les sushis manquaient de saumon sans prévenir ; à la semaine 6, avec une personne fixe au passe et un grammage verrouillé, nous avons cessé de disparaître de la première page.”

— Associée exploitante d'une dark kitchen de trois marques dans une ville moyenne d'Amérique latine, dont le chiffre d'affaires se situe entre un demi-million et un million de dollars par an (cas illustratif)

Cas composite à titre illustratif : les noms et les chiffres du cas ne décrivent pas une entreprise réelle et ne constituent pas des données sectorielles.

Comment l'appliquer dans votre restaurant

Déroulé chronologique : 90 jours en quatre phases

Semaines 1-2 : diagnostic avec le Restaurant Model Canvas
Nous avons séparé les cinq signaux du classement et attribué à chacun le poste de cuisine qui le produit, car un signal sans responsable ne bouge pas. Nous avons décidé de ne toucher ni à la publicité ni à la fiche durant cette phase : le Canvas a montré que le canal perdait de l'argent en production et que toute commande supplémentaire tomberait sur le même goulot d'étranglement, celui du passe.
Semaines 3-5 : Générateur de Recettes Standard sur la marque de sushi
Nous avons fixé le grammage, la perte et le temps de dressage de chaque pièce, et la rupture de saumon a commencé à être signalée dans l'application avant l'ouverture du service. Les frictions sont apparues vite : le grammage exact a allongé le dressage et les délais se sont dégradés pendant deux semaines, jusqu'à ce que nous déplacions le portionnage dans la mise en place du matin et que le passe retrouve son rythme.
Semaines 6-9 : responsable de la tablette et délai annoncé réel
Une personne par service a été chargée d'accepter les commandes et de coordonner la fermeture des sacs combinés, sans embauche, en déplaçant des heures de la fin d'après-midi creuse vers le pic signalé par le Radar de la demande. Nous avons relevé le temps annoncé à celui affiché par le chronomètre ; la conversion de la fiche a baissé pendant quelques jours et la décision a été maintenue, car arriver avant le délai annoncé pèse plus que promettre peu.
Dernière étape du cas : une fiche qui convertit et une publicité plafonnée.
Une fois l'exploitation au point, nous avons refait les photos avec le plat réel, des noms compréhensibles et des menus dotés d'une marge de contribution calculée, dans le plafond de food cost de la méthode. Ce n'est qu'alors que nous avons testé la publicité payante, avec un plafond de dépenses lié à cette marge, et nous l'avons coupée sur le menu qui se vendait le plus mais rapportait le moins.
✦ Intelligence artificielle appliquée

Et avec l'intelligence artificielle ?

Optimisez canaux, pricing et unit economics de votre dark kitchen. Diego F. Parra est expert en IA appliquée à la restauration.

Outils et méthode Masterestaurant

Outils de l'écosystème Masterestaurant utilisés dans le cas

Diego F. Parra construit ces traitements à partir de produits finis de l'écosystème Masterestaurant, rien de sur mesure, car le problème de l'algorithme des applications de livraison n'a presque jamais rien d'exotique : il se répète dans les cuisines cachées de toutes tailles et se corrige avec le même ordre de travail.

Dans ce cas, le Restaurant Model Canvas a structuré le diagnostic, le Générateur de recettes standard a comblé l'écart de coût et de temps sur la marque de sushis, et le Radar de la demande a indiqué où positionner les équipes ; les programmes de croissance interviennent ensuite, lorsque l'exploitation tient ses engagements.

Diego F. Parra

Diego F. Parra — Consultant international expert en création et développement de restaurants et en IA appliquée aux restaurants, à la foodtech et au HORECA. Méthodologie appliquée dans +8 400 restaurants dans 43 pays · Expert en intelligence artificielle appliquée aux restaurants, à l'hôtellerie-restauration et aux entreprises gastronomiques · +20 ans d'expérience dans la restauration, le catering, les grands événements et la croissance des entreprises · Auteur de 3 livres avec ISBN : « Triunfar o morir en el intento » (2013) et « De esclavo a dueño » (2023) · Conférencier international et keynote speaker du secteur HORECA.

Questions fréquentes

Questions fréquentes sur l'algorithme des applications de livraison

Comment fonctionne l'algorithme des applis de livraison pour classer les restaurants ?

L'algorithme des applications de livraison classe les restaurants selon la probabilité que la commande arrive bien : il tient compte de l'acceptation, des annulations imputables au restaurant, de la note récente, du temps réel par rapport au temps annoncé et de la conversion de la fiche. La publicité achète de la visibilité, pas une position ; corrigez d'abord la cuisine, ensuite la fiche, et en dernier lieu les campagnes.

Comment fonctionne l'algorithme des applis de livraison pour classer les restaurants ?

L'algorithme des applications de livraison classe les restaurants selon la probabilité que la commande arrive bien : il tient compte de l'acceptation, des annulations imputables au restaurant, de la note récente, du temps réel par rapport au temps annoncé et de la conversion de la fiche. La publicité achète de la visibilité, pas une position ; corrigez d'abord la cuisine, ensuite la fiche, et en dernier lieu les campagnes.

Comment fonctionne l'algorithme des applis de livraison ?

Il classe les restaurants selon la probabilité que la commande arrive bien, à l'heure et sans annulation, en combinant l'acceptation, les annulations imputables au restaurant, la note récente, le temps réel par rapport au temps annoncé et la conversion de la fiche. Chaque plateforme pondère ces critères différemment et ne publie pas sa formule complète : il est donc préférable de travailler les cinq signaux en même temps.

Comment fonctionne l'algorithme des applis de livraison ?

Il classe les restaurants selon la probabilité que la commande arrive bien, à l'heure et sans annulation, en combinant l'acceptation, les annulations imputables au restaurant, la note récente, le temps réel par rapport au temps annoncé et la conversion de la fiche. Chaque plateforme pondère ces critères différemment et ne publie pas sa formule complète : il est donc préférable de travailler les cinq signaux en même temps.

La publicité sur les applis de livraison améliore-t-elle la position ?

La publicité achète de la visibilité tant qu'elle est payée, mais elle ne corrige pas la position organique si l'exploitation défaille. Avec une faible acceptation ou des annulations fréquentes, davantage de commandes payantes aboutissent à davantage d'échecs et à un moins bon classement ; il faut d'abord mettre de l'ordre dans la cuisine, puis fixer un plafond de dépenses lié à la marge.

La publicité sur les applis de livraison améliore-t-elle la position ?

La publicité achète de la visibilité tant qu'elle est payée, mais elle ne corrige pas la position organique si l'exploitation défaille. Avec une faible acceptation ou des annulations fréquentes, davantage de commandes payantes aboutissent à davantage d'échecs et à un moins bon classement ; il faut d'abord mettre de l'ordre dans la cuisine, puis fixer un plafond de dépenses lié à la marge.

Quel est l'impact des annulations de commandes sur une appli de livraison ?

Beaucoup plus qu'il n'y paraît, car chaque annulation imputable au restaurant retire de la confiance à l'algorithme, et l'on perd en plus la nourriture et la vente. La cause la plus fréquente est une rupture d'ingrédient non signalée dans l'application ; la déclarer avant l'ouverture du service évite la plupart des cas.

Quel est l'impact des annulations de commandes sur une appli de livraison ?

Beaucoup plus qu'il n'y paraît, car chaque annulation imputable au restaurant retire de la confiance à l'algorithme, et l'on perd en plus la nourriture et la vente. La cause la plus fréquente est une rupture d'ingrédient non signalée dans l'application ; la déclarer avant l'ouverture du service évite la plupart des cas.

Quelle note un restaurant doit-il atteindre sur les applis de livraison ?

Il n'existe aucun chiffre universel publié : chaque plateforme fixe ses propres seuils, et c'est surtout la fenêtre des commandes récentes qui pèse, et non la moyenne historique. Ce qui soutient la note, c'est de respecter le délai annoncé et de livrer la commande complète ; répondre à chaque avis négatif le jour même aide à identifier ce qui ne fonctionne pas.

Quelle note un restaurant doit-il atteindre sur les applis de livraison ?

Il n'existe aucun chiffre universel publié : chaque plateforme fixe ses propres seuils, et c'est surtout la fenêtre des commandes récentes qui pèse, et non la moyenne historique. Ce qui soutient la note, c'est de respecter le délai annoncé et de livrer la commande complète ; répondre à chaque avis négatif le jour même aide à identifier ce qui ne fonctionne pas.

Données et sources

Chiffres 2026 de algorithme des applis de livraison

Benchmarks vérifiables issus de sources officielles et non commerciales (gouvernement, associations professionnelles et market-data), jamais de la concurrence.

DonnéeValeurSource
Plafond légal des frais de service amélioré (enhanced service) qu'une plateforme de livraison peut facturer à un restaurant à New York, en pourcentage de chaque commande en ligne (2026)20 % du prix de chaque commande en ligneNYC Department of Consumer and Worker Protection — Requirements for Delivery Apps (2026)
Pourcentage d'exploitants de restaurants aux États-Unis qui tirent entre 0 et 10 % de leur chiffre d'affaires de la livraison par des tiers (les commissions de livraison pèsent moins dans ce groupe), rapport de mi-année 202647,2 % des exploitants (0-10 % du chiffre d'affaires issu de la livraison par des tiers, 2026)Restaurant365 — 2026 State of the Restaurant Industry: Mid-Year Report (2026)
Commission typique par commande prélevée par les plateformes de livraison auprès des restaurants aux États-Unis (fourchette), en plus des frais de livraison et de traitement des paiements (2025)15 à 30 % par commande (2025)Wharton Magazine — Are Food Delivery Apps Hurting Restaurants? (2025)
Valeur estimée du marché de la livraison de repas au Mexique, deuxième d'Amérique latine derrière le Brésil (2024)2,530 millions de dollars (2024)Expansión citando a Statista — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)
Proportion des plus de 70 000 restaurants de la plateforme Didi Food au Mexique qui sont des MPME (2025)60 % de plus de 70,000 restaurants (2025)Expansión citando a Didi Food — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)
MPME affiliées à Uber Eats au Mexique ayant déclaré une hausse de leur chiffre d'affaires depuis leur adhésion à la plateforme (étude de Quadrant Strategies)91 % des MPME affiliéesExpansión citando a Quadrant Strategies — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)

Mettez d'abord la cuisine en ordre : le classement vient ensuite

Si votre canal de livraison vend davantage mais rapporte moins, la méthode de Diego F. Parra commence par les cinq signaux que l'algorithme mesure réellement et aboutit à la EBITDA de ce canal. Chez Exponencial, nous pilotons la croissance à partir d'une marge calculée, et chez CA$H, nous travaillons le coût et la trésorerie qui la soutiennent.

Communauté

Rejoignez GRATUITEMENT notre communauté MASTERESTAURANT

Propriétaires et équipes de restaurants de 43 pays qui partagent savoir-faire, outils et IA appliquée — directement sur votre WhatsApp.

Rejoindre la communauté
Auteur : Diego F. Parra  ·  Éditeur : MASTERESTAURANT®
Contenu créé avec l'aide de l'IA, relu par l'équipe éditoriale de MASTERESTAURANT.
Moteur MR Listes comparatives v0.9.394