Domino's Pizza
IA operationnelle de la chaine de commande : prevision de temps de preparation et assistant genAI de gestion
Domino's a fait passer la precision de prevision de ses commandes de 75% a 95% grace au machine learning, et a engage une alliance IA de cinq ans avec Microsoft (Azure OpenAI) couvrant plus de 20 000 magasins dans plus de 90 marches.
L'essentiel
- IA operationnelle : prevision de temps de commande et assistant genAI de gestion magasin.
- Modele de prevision in-house plus assistant sur Microsoft Azure OpenAI Service.
- Precision de prevision passee de 75% a 95%, entrainement reduit de 16 heures a moins d'une heure.
- Preuve B, statut confirme.
Objectif
Fiabiliser la chaine qui va de la commande a la livraison : predire quand chaque commande sera prete pour mieux staffer et informer le client, et decharger les managers des taches de gestion pour qu'ils se concentrent sur le service.
Le déploiement
Domino's exploite l'IA sur deux plans operationnels. Un modele de prevision, entraine sur cinq millions de commandes, estime le moment ou une commande sera prete ; il a fait passer la precision de ces previsions de 75% a 95% et reduit le temps d'entrainement du modele de plus de 16 heures a moins d'une heure. En octobre 2023, Domino's a scelle une alliance de cinq ans avec Microsoft pour batir, sur Azure OpenAI Service, un assistant genAI aidant les managers de magasin sur la gestion des stocks, les commandes d'ingredients et les plannings, et pour simplifier et personnaliser le parcours de commande. Le groupe exploite plus de 20 000 magasins dans plus de 90 marches.
Résultats Preuve B
Resultat de prevision chiffre (75% a 95%) documente par la presse technologique etablie, et alliance IA formalisee par communique officiel Domino's/Microsoft. Le volet assistant genAI etait en phase de pilote au lancement de l'alliance, d'ou une preuve de scale plus forte sur la prevision que sur l'assistant.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Azure OpenAI Service Service LLM cloud sur lequel est bati l'assistant genAI de gestion magasin (stocks, commandes d'ingredients, plannings) et la simplification du parcours de commande.
- integrateur Microsoft Partenaire technologique de l'alliance de cinq ans annoncee en octobre 2023; co-construit les pilotes genAI avec les equipes Domino's.
- outil Modele de prevision de commandes (in-house) ML proprietaire Domino's entraine sur cinq millions de commandes; precision passee de 75% a 95%, temps d'entrainement reduit de plus de 16 heures a moins d'une heure.
- infra Application et suivi de commande Domino's Canal qui consomme les previsions de temps de preparation pour informer le client et caler le staffing.
Comment ça tourne, concrètement
Pour les équipes ops-
1Ingestion des commandes Equipe data
Les commandes en cours et l'historique alimentent le modele de prevision.
-
2Prevision du temps de preparation IA
Le modele estime quand chaque commande sera prete pour caler le staffing et informer le client.
-
3Assistance a la gestion IA
L'assistant genAI aide le manager sur stocks, commandes d'ingredients et plannings.
-
4Decision du manager Manager de magasin
Le manager valide ou ajuste les recommandations d'exploitation.
Le flux de commandes historique et temps reel. Sans donnees de commande propres et a jour, la prevision de temps de preparation se degrade et le staffing decale.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe pricing algorithmique est le terrain le plus inflammable : 68% des consommateurs disent se sentir leses quand les marques utilisent le pricing dynamique et 80% jugent plus dignes de confiance les marques aux prix constants (Gartner, 2024). L'equite percue varie selon le secteur : le pricing dynamique n'est juge juste que par 33% a 40% des repondants selon qu'il s'agit de concerts ou de cinemas (YouGov, 17 marches). Le prix personnalise par les donnees individuelles est le plus rejete : 47% des Americains s'y opposent fermement (Consumer Reports, 2024).
Conditions d'acceptation
- La constance des prix comme signal de confiance : 80% jugent plus fiables les marques aux prix stables (Gartner 2024)
- Le secteur conditionne l'equite percue : le pricing dynamique est mieux tolere pour les cinemas (40% le jugent juste) que pour les concerts (33%) (YouGov 2024)
Lignes rouges
- Le pricing dynamique percu comme abus : 68% se sentent leses (Gartner 2024)
- Le prix individualise a partir des donnees personnelles : 47% d'opposition ferme (Consumer Reports 2024)
- Les frais caches et hausses imprevues, vecus par 79% des consommateurs sur un an et associes a la perte de confiance (Gartner 2024)
Sources : Gartner 2024 · YouGov 2024 · Consumer Reports 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique de commandes volumineux et propre
- flux de commandes temps reel
- donnees de stock et de planning pour l'assistant de gestion
Prérequis orga
- equipe data ou partenaire cloud
- managers formes a l'assistant
- integration au systeme de commande et de suivi
Stack possible
- modele de prevision (ML)
- cloud avec service LLM (Azure OpenAI, GCP, AWS)
- application de commande avec suivi
Le plan, étape par étape
- Étape 1Consolider l'historique de commandes (volumes, horodatages, temps de preparation) et fiabiliser le flux temps reel.Livrable : Dataset d'entrainement propre et pipeline de donnees en place
- Étape 2Entrainer un premier modele de prevision de temps de preparation et le confronter a l'historique en backtest.Livrable : Modele valide offline avec une precision de reference mesuree
- Étape 3Integrer la prevision a l'application de commande et au staffing sur un lot de magasins pilotes.Livrable : Pilote en production sur quelques magasins avec suivi de precision
- Étape 4Generaliser la prevision au parc et suivre la precision en continu.Livrable : Deploiement complet et tableau de bord de precision
- Étape 5Lancer le pilote d'assistant genAI de gestion (stocks, plannings) sur le service LLM cloud retenu, aupres d'un groupe de managers.Livrable : Assistant en pilote avec retours managers collectes
Première étape : Consolider un historique de commandes exploitable et entrainer un premier modele de prevision de temps de preparation.
Le même pattern, prouvé dans d'autres industries
Sources
- S1 Domino's and Microsoft Cook Up AI-Driven Innovation Alliance for Smarter Pizza Orders and Seamless Operations Primaire archive à générer
- S2 How AI helped Domino's improve pizza delivery Secondaire archive à générer
- S3 Domino's and Microsoft to Create AI-Focused 'Innovation Lab' Presse établie archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.