L'hôtellerie aux îles Canaries fait face à un défi particulier, que l'on ne retrouve pas avec la même intensité dans le reste de l'Espagne : la saisonnalité y est forte, variable et conditionnée par des facteurs très locaux. Une chaîne de trois hôtels, deux dans le sud de la Grande Canarie et un à Lanzarote, nous a contactés pour un problème précis : ses achats de food & beverage (F&B) reposaient sur l'intuition du responsable des achats et sur un fichier Excel mis à jour chaque lundi matin. Résultat : des pertes de produits en haute saison et des ruptures lors de semaines de pointe imprévues.
La chaîne hôtelière gérait entre 1 200 et 2 800 nuitées par semaine selon la saison, avec une offre de restauration comprenant buffet, carte et traiteur pour les événements. Le responsable des achats avait douze ans d'expérience dans le secteur et un jugement solide, mais la complexité avait augmenté : nouveaux segments de clientèle (tourisme nordique, tourisme familial espagnol, groupes d'incentive d'entreprise), élargissement du menu et exigences de qualité accrues.
Le problème n'était pas seulement Excel. C'était l'absence d'un modèle systématique intégrant toutes les variables pertinentes : taux d'occupation prévu, type de clientèle selon l'origine, événements sur la destination, météo et historique de consommation par catégorie. Le fichier Excel ne reprenait que l'occupation prévue issue du PMS (Property Management System), rien de plus.
En haute saison, le gaspillage de produits frais (légumes, poisson, produits laitiers) représentait entre 8 et 12 % du coût d'achat hebdomadaire. Les semaines marquées par des événements inattendus (Carnaval de Las Palmas, Semana Grande de Tenerife), la cuisine manquait de matières premières clés, avec un impact direct sur la satisfaction des clients et sur le coût des achats d'urgence, réalisés à des prix plus élevés.
Nous avons proposé une solution en deux couches. La première, un modèle de série temporelle basé sur Prophet (développé par Meta), pour capter la saisonnalité globale de l'activité : tendance annuelle, cycles hebdomadaires et effet des jours fériés. Prophet est particulièrement performant sur des données à saisonnalités multiples avec des événements irréguliers, ce qui est exactement le cas de l'hôtellerie canarienne.
La seconde couche est un modèle XGBoost entraîné sur les résidus de Prophet et enrichi de variables exogènes : données météorologiques historiques (température et précipitations à Las Palmas et Arrecife, issues de l'API de l'AEMET), taux d'occupation du PMS Protel par type de chambre, origine des clients (principal marché émetteur) et un calendrier d'événements locaux construit à la main avec les 23 dates clés identifiées pour les îles Canaries.
La première étape a consisté à extraire l'historique de consommation du système d'achats du client, qui conservait des enregistrements depuis 2019. Les données étaient au format Excel avec une structure incohérente : unités de mesure différentes pour un même produit au fil du temps, changements de fournisseur modifiant les libellés des références et semaines sans données en raison de fermetures temporaires (COVID, travaux).
Nous avons mené un travail intensif de nettoyage et de normalisation : standardisation des unités (kg, litres, unités), rapprochement des références produits, imputation des semaines manquantes et détection des valeurs aberrantes par Isolation Forest. Le résultat : une série temporelle propre de 260 semaines par catégorie de produits, prête pour l'entraînement.
Nous avons construit les variables exogènes, connecté l'API de l'AEMET pour récupérer l'historique des températures et créé le calendrier des événements canariens. Nous avons entraîné Prophet avec des paramètres de saisonnalité adaptés au domaine (forte saisonnalité hebdomadaire, saisonnalité annuelle à deux pics : l'été et la période Noël-Nouvel An).
Pour XGBoost, nous avons pratiqué une validation croisée par saison (walk-forward validation), en utilisant les données 2019-2023 pour l'entraînement et 2024 pour le test. Le MAE (Mean Absolute Error) final s'est établi à 6,2 % sur les catégories à fort volume (viande, légumes, boissons) et à 11,4 % sur les catégories plus volatiles (poisson frais, fruits de mer).
Nous avons déployé le modèle sur AWS Lambda, avec une exécution automatique chaque dimanche à 22 h, qui génère une prévision de consommation par catégorie pour les 14 jours suivants. Les résultats sont écrits dans une base PostgreSQL et restitués dans un tableau de bord Power BI accessible au responsable des achats et à la direction des opérations.
Le tableau de bord comprend : la consommation prévue face au stock actuel (avec alertes de rupture), la comparaison prévision vs réel sur les 4 dernières semaines et une vue calendrier des prochains événements qui influencent la prévision.
Après six mois d'exploitation, nous avons mesuré les résultats par rapport à la même période de l'année précédente, à taux d'occupation comparable (les deux périodes ayant connu une occupation similaire) :
Travailler aux îles Canaries suppose de comprendre des nuances absentes des modèles génériques. La Semaine sainte y est plus courte que sur la péninsule et son impact sur la demande touristique est plus modéré que dans les stations balnéaires de l'Espagne continentale. Le Carnaval de Las Palmas de Gran Canaria (le troisième plus grand du monde) génère un pic de demande très spécifique à la Grande Canarie, mais n'affecte pratiquement pas Lanzarote. La saison de surf dans le nord de Fuerteventura attire une clientèle aux habitudes de consommation différentes de celles du tourisme familial traditionnel.
Autre enseignement clé : la qualité des données du PMS. Protel est un système mature, mais la cohérence des données dépend largement des procédures internes de l'hôtel. Nous avons trouvé des réservations mal catégorisées, des segments de clientèle incohérents entre les trois établissements et des taux d'occupation historiques erronés à cause de doublons. Avant de pouvoir entraîner le modèle, il a fallu construire un pipeline de validation des données du PMS fonctionnant en parallèle.
Enfin, le réentraînement trimestriel est indispensable. Le modèle n'est pas figé : les habitudes de consommation évoluent avec le profil de la clientèle, l'offre gastronomique et les conditions du marché. Nous avons mis en place un réentraînement automatique tous les trois mois, avec une validation manuelle des résultats par le responsable des achats avant la mise en production de la nouvelle version.
Si vous souhaitez améliorer la gestion de vos achats F&B grâce à l'IA et réduire le gaspillage alimentaire, nous pouvons vous aider à concevoir une solution adaptée à votre PMS et à vos données.
Contactez-nousParlons-en
Parlez-nous de votre projet : nous vous proposerons la solution la plus adaptée, sans engagement.