Non classé – Marketeur Expert

Étude de cas – GFI « Cap Marché 2027 » : trois agents IA en restauration collective avec n8n

admin8473 — Wed, 23 Sep 2026 08:51:09 +0000

Support de cours — séance 1 (23 septembre 2026). Les premières slides du cours sont disponibles en version web : Du marketing BtoA aux agents IA — support de la séance 1.

M1 MIRC — Marketing alimentaire (2026-2027). Cette étude de cas sert de fil rouge au module : vous êtes une équipe de consultants marketing & IA missionnée par Garonne Food & Institutions (GFI), entreprise fictive de restauration collective, pour concevoir, automatiser et tester trois agents IA utiles avec n8n. Le cas est entièrement fictif ; toutes les données nécessaires sont fournies ci-dessous. Aucune donnée réelle ne doit y être ajoutée.

Téléchargements

Pack étudiant complet (zip, 360 Ko)

Le pack contient l’énoncé, le DCE, le classeur de données, les mêmes données en 19 fichiers CSV (UTF-8, séparateur virgule, dates ISO) et le kit n8n (docker-compose, prompts de départ, schémas JSON, README). Les trois documents principaux sont aussi téléchargeables séparément :

Le contexte : GFI en bref

34 sites en Occitanie : 16 écoles, 2 collèges, 8 restaurants d’entreprise ou administratifs, 8 établissements médico-sociaux — environ 8 200 déjeuners par jour.
Deux cuisines centrales, douze tournées de livraison, 138 salariés, environ 10,2 M€ de chiffre d’affaires.
21 marchés publics et 13 contrats privés : un marketing à la fois BtoA (commande publique) et BtoB, avec des parties prenantes aux attentes différentes (acheteur, prescripteurs, usagers, familles).
Une consultation stratégique à préparer : la Communauté d’agglomération Val d’Aurine (six groupes scolaires, 2 450 déjeuners par jour, remise des offres le 8 janvier 2027). GFI n’est pas le titulaire actuel.
Des faiblesses connues : relation usagers peu industrialisée (253 messages en sept semaines, six canaux, environ 15 % sans réponse à J+10), achats durables sous les seuils EGAlim, preuves fournisseurs incomplètes, méthodes de pesée du gaspillage non harmonisées.

La mission : trois agents complémentaires

Agent 1 — Tender Radar (lecture BtoA)

Il lit le DCE Val d’Aurine (règlement de consultation, 34 clauses de CCTP, calendrier) et le profil de GFI (capacités, preuves documentaires, achats, menu proposé). Il extrait critères, attentes et preuves à fournir, rapproche les exigences des capacités de GFI, signale informations manquantes, contradictions et ambiguïtés, et prépare les questions à poser à l’acheteur. Il ne rend jamais de décision go/no-go et ne « valide » jamais une conformité.

Agent 2 — Voice Router (voix des usagers)

Il classe les messages de parents, directions, salariés, soignants et clients institutionnels selon une taxonomie de onze catégories, évalue leur sensibilité, détecte les instructions hostiles, prépare un brouillon de réponse conforme à la charte de ton et escalade les cas sensibles vers un humain. Il n’envoie jamais de réponse automatiquement.

Agent 3 — Offer Lab (offre & gaspillage)

Il croise pesées de restes, fréquentation, référentiel des plats, satisfaction et commentaires terrain. Il nettoie d’abord les données (unités, doublons, valeurs manquantes, identifiants), produit ensuite des constats, puis des hypothèses, puis des tests marketing mesurables. Il ne modifie jamais un menu ou une portion et ne transforme jamais une corrélation en causalité.

Le DCE Val d’Aurine

Le dossier de consultation fictif reproduit la logique d’un règlement de consultation (objet, volumes, calendrier, pièces, critères pondérés : valeur technique 45 %, prix 30 %, transition alimentaire 15 %, performance contractuelle 10 %) et d’un CCTP (34 clauses réparties en douze chapitres : mode de production, approvisionnements EGAlim, menus et nutrition, PAI et allergènes, hygiène, personnel, gaspillage, relation usagers, reporting, pénalités). Cinq annexes complètent le dossier : liste des sites, calendrier, cadre de réponse du mémoire technique, modèle de tableau de bord et rappel des fréquences nutritionnelles. Il ne constitue pas un document juridique réel. Certaines incohérences et informations manquantes sont volontaires : un agent utile les signale et pose des questions, il ne tranche pas.

Les données

Le classeur reproduit les extractions d’un système d’information d’entreprise, période du 1er septembre au 16 octobre 2026. Commencez par les onglets Lisez_moi et Dictionnaire_Donnees. Comme dans une vraie entreprise, les données ne sont pas parfaites : méthodes de mesure hétérogènes, valeurs manquantes, erreurs de saisie, doublons, identifiants mal orthographiés. Les repérer et les traiter fait partie du travail des agents et de vos tests.

Famille	Onglets	Agents
Marché & commande	Pipeline_Consultations (14 opportunités), AO_VdA_RC (20 rubriques), AO_VdA_CCTP (34 clauses), AO_VdA_Menu_propose, Capacites_GFI (16), Preuves_Documentaires (30), Fournisseurs_Achats (40 fournisseurs, calcul EGAlim)	Agent 1
Voix des usagers	Messages (253 verbatims datés, six canaux), Incidents_Qualite (32), Enquetes_Satisfaction (28), Taxonomie_Messages, Regles_Sensibilite, Charte_ton	Agent 2
Usage & consommation	Sites (34), Frequentation (1 156 jours-sites), Menus (40 plats), Cycle_Menus (8 semaines), Restes (486 pesées sur 24 sites), Reporting_Mensuel	Agent 3
Repères	Lisez_moi, Dictionnaire_Donnees, Profil_GFI, Tests_etudiants (matrice de 18 tests à compléter)	Tous

Clés de jointure : Site_ID, Menu_ID, Msg_ID, Clause_ID, CAP-xx / DOC-xx.

Outils et contraintes techniques

n8n est l’outil d’orchestration imposé : installation locale recommandée (Docker Desktop, docker compose up -d avec le fichier fourni), VPS accepté si le groupe le maîtrise déjà. Aucun avantage de note pour un VPS.
Le fournisseur de LLM est libre, sous réserve de respecter les règles de l’établissement et de ne jamais utiliser de données personnelles réelles.
Les sorties nécessaires au routage sont structurées (JSON) et contrôlées dans le workflow : parser, validation de schéma, valeurs autorisées. Trois schémas de départ sont fournis dans le kit.
Les règles critiques sont portées par le workflow (branches IF/Switch, validation humaine, journalisation), pas seulement par le prompt.
Les clés API et secrets ne doivent jamais apparaître dans les exports, captures ou fichiers remis.

Livrables et évaluation

Un schéma global du système (une page) incluant les sources de données utilisées.
Les trois workflows n8n fonctionnels (ou un orchestrateur et trois sous-workflows), leurs exports JSON et un README de reproduction.
Les prompts système finaux et les schémas de sortie.
Un tableau de 18 tests minimum (six par agent) : attendu, observé, statut, correction, retest.
Une charte d’usage : limites, données, escalades, validation humaine.
Une démonstration orale d’environ dix minutes lors de l’examen du 16 décembre 2026.

Notation sur 20, en cinq dimensions de 4 points : diagnostic marketing et BtoA • architecture n8n et intégration • prompts, données et sorties • tests et garde-fous • démonstration et maîtrise. La qualité technique ne compense pas une absence de valeur marketing, et inversement.

Calendrier

Séance	Contenu	Production attendue
23 septembre (3 h)	Marketing BtoA et restauration collective, lancement du cas	Agent Charter + carte des parties prenantes + lecture rapide du DCE
14 octobre (3 h)	Concevoir un agent et l’automatiser avec n8n — Agent 1	Agent 1 exécutable sur trois clauses + une contradiction détectée
4 novembre matin (3 h)	Voix des usagers, classification et escalade — Agent 2	Classification des messages + revue des cas critiques
4 novembre après-midi (4 h)	Offre et gaspillage, intégration des trois agents — Agent 3	Prototype complet + 18 tests + logs + répétition
16 décembre (2 h)	Examen	Démonstration de groupe et soutenance

Règles du cours

Données simulées ou anonymisées uniquement. Aucun envoi automatique à un usager. Aucune décision nutritionnelle, médicale ou juridique par un agent. Aucune conformité « validée » par le modèle. Les agents préparent, classent, suggèrent : la décision finale reste humaine.

Cas entièrement fictif conçu pour l’enseignement (ISTHIA, Université Toulouse – Jean Jaurès). Toute ressemblance avec une entreprise, une collectivité ou une personne existante serait fortuite. Il prolonge l’étude de cas Agents IA en restauration collective publiée sur ce site.

Test du modèle (régression multiple) : code et résultats

admin8473 — Fri, 09 Jan 2026 11:27:01 +0000

Objectif de la page

Un modèle statistique n’a de valeur que si l’on vérifie qu’il tient la route : qualité d’ajustement, cohérence des relations estimées, absence de biais majeurs, et diagnostics minimaux (multicolinéarité, résidus, etc.). Ici, l’idée est de proposer un workflow simple et robuste pour tester un modèle (souvent une régression multiple) et produire un résultat exploitable dans un mémoire ou un article.

Ce que vous trouverez ici

Les tests indispensables (et à quoi ils servent)
Un code Python réutilisable
Une grille d’interprétation rapide
Des remarques de bon sens (ce que le modèle ne dit pas)

Après avoir réalisé toutes vos ACP et obtenu vos scores, vous pouvez mettre en œuvre le test de votre modèle via une régression multiple, puis vérifier la normalité des résidus, l’hétéroscédasticité et la multicolinéarité (VIF).

Avant de lancer la régression : vérifiez que les scores de vos ACP sont bien enregistrés dans data_original.

Saisissez le nom de votre variable à expliquer (variable dépendante), puis validez.

Saisissez le nom de vos variables explicatives (séparées par une virgule), puis validez.

Code Python (régression multiple + diagnostics)

Attention à saisir les noms de vos variables telles quelles sont dans vos données data_original.

import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import StandardScaler
from statsmodels.stats.outliers_influence import variance_inflation_factor
# Sélectionner les variables explicatives (X) et la variable dépendante (y)
y_var = input("Entrez le nom de la variable dépendante : ").strip()
X_vars = input("Entrez les noms des variables explicatives (séparés par une virgule) : ").strip().split(",")

# Vérification des variables
if y_var not in data_original.columns or any(var not in data_original.columns for var in X_vars):
    raise ValueError("Erreur : Assurez-vous que toutes les variables existent dans le DataFrame.")
# Définir X et y
X = data_original[X_vars]  # Suppression de l'ajout de la constante
y = data_original[y_var]

# Vérifier si X contient au moins une variable
if X.shape[1] == 0:
    raise ValueError("Erreur : Aucune variable explicative valide sélectionnée.")

# Ajustement du modèle OLS
model = sm.OLS(y, X).fit()
print(model.summary())
# Vérification de la normalité des résidus avec un QQ-plot
residuals = model.resid
fig, ax = plt.subplots(figsize=(6, 6))
sm.qqplot(residuals, line="s", ax=ax)
ax.set_title("QQ-Plot des résidus")
plt.show()
# Vérification de l'hétéroscédasticité avec un scatter plot
plt.figure(figsize=(8, 5))
sns.scatterplot(x=model.fittedvalues, y=residuals)
plt.axhline(0, linestyle="dashed", color="red")
plt.xlabel("Valeurs ajustées")
plt.ylabel("Résidus")
plt.title("Graphique des résidus")
plt.show()
# Calcul du VIF pour détecter la multicolinéarité
if X.shape[1] > 1:  # Vérifier que le VIF peut être calculé
    vif_data = pd.DataFrame({
        "Variable": X.columns,
        "VIF": [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    })
    print("\n Facteur d'inflation de la variance (VIF) :")
    display(vif_data)
    # Interprétation du VIF
    high_vif = vif_data[vif_data["VIF"] > 10]
    if not high_vif.empty:
        print("\n⚠ Attention : Certaines variables présentent une forte multicolinéarité (VIF > 10). Cela peut affecter la fiabilité des coefficients estimés.")
        print(high_vif)
    else:
        print("✅ Aucune multicolinéarité préoccupante détectée (VIF < 10).")
else:
    print("\n⚠ Pas assez de variables pour calculer le VIF.")
# Test de normalité des résidus (Jarque-Bera)
jb_stat, jb_pvalue, skew, kurtosis = sm.stats.jarque_bera(residuals)
print("\n Résultats du Test de normalité de Jarque-Bera :")
print(f"  - Statistique JB : {jb_stat:.3f}")
print(f"  - p-value : {jb_pvalue:.5f}")
print(f"  - Asymétrie (Skewness) : {skew:.3f}")
print(f"  - Aplatissement (Kurtosis) : {kurtosis:.3f}")
# Interprétation automatique
test_result = "✅ Les résidus suivent une loi normale (p > 0.05)." if jb_pvalue > 0.05 else "❌ Les résidus ne suivent PAS une loi normale (p ≤ 0.05)."
print(f"\n{test_result}")
if jb_pvalue <= 0.05:
    if abs(skew) > 1:
        print(" Problème détecté : **Asymétrie élevée** (skewness).")
        print("✅ Solution : Essayez une transformation logarithmique ou une normalisation.")
    if kurtosis < 2 or kurtosis > 4:
        print(" Problème détecté : **Aplatissement anormal (kurtosis).**")
        print("✅ Solution : Vérifiez s'il y a des valeurs aberrantes (outliers).")
    print("\n Recommandations supplémentaires :")
    print("  - Vérifiez la présence de valeurs aberrantes avec un boxplot.")
    print("  - Testez une transformation (log, carré, racine) sur la variable dépendante.")
    print("  - Ajoutez éventuellement d'autres variables explicatives.")
# Conclusion générale
print("\n **Conclusion** :")
print("  - L'ajustement du modèle est évalué avec le R² et le R² ajusté.")
print("  - Un R² élevé (>0.7) indique une bonne capacité explicative du modèle, tandis qu'un R² faible suggère un ajustement limité.")
print("  - Les coefficients et leurs p-values indiquent la significativité des variables explicatives : une p-value < 0.05 signifie que la variable a un impact significatif.")
print("  - Le VIF aide à détecter la multicolinéarité, qui peut biaiser les estimations.")
print("  - Le test de Jarque-Bera vérifie la normalité des résidus, influençant la validité des tests de significativité.")

Lecture et limites : repères rapides

Comment lire les résultats

R² / R² ajusté : part de variance expliquée (comparaison entre modèles).
Coefficients : direction et intensité de l’effet (signe + amplitude).
p-value / IC : solidité statistique (attention à la taille d’échantillon).
VIF : si trop élevé, vos coefficients deviennent peu interprétables.

Ce que le modèle ne dit pas

Corrélation ≠ causalité (sauf dispositif causal / expérimental).
Un “bon” R² ne garantit pas une bonne mesure des construits.
Un résultat significatif peut être trivial en pratique (effet minuscule).
Si l’échantillon est biaisé, le modèle peut être “bon” mais inutile.

Les diagnostics à faire (simple, efficace)

Diagnostic	Pourquoi	Règle pratique	Action si problème
Multicolinéarité (VIF)	Évite des coefficients instables et des erreurs d’interprétation	VIF élevé = variables trop redondantes	Retirer/agréger variables, re-spécifier le modèle
Résidus (normalité / forme)	Vérifie que les hypothèses de base ne sont pas catastrophiques	Regarder QQ-plot, histo, patterns	Transformer variables, robust SE, re-modéliser
Qualité d’ajustement	Mesure ce que le modèle explique réellement	R² / R² ajusté + taille d’effet	Ajouter variables pertinentes, revoir mesure
Significativité / cohérence	Confirme ou invalide les hypothèses	Coefficients + p-values + IC	Re-spécifier, tester modérations/mediations, vérifier items

Remarque : les “seuils” ne sont pas des lois de la nature. Le but est d’éviter les erreurs grossières et de documenter vos choix.

Principaux résultats (exemple de sortie)

Résumé OLS (exemple) – Variable dépendante : Intention.

VIF + Jarque-Bera (exemple) – diagnostic multicolinéarité et normalité des résidus.

Synthèse factuelle des résultats affichés

Ajustement et significativité globale

R² (uncentered) : 0.816
R² ajusté (uncentered) : 0.811
F-statistic : 173.2
Prob(F-statistic) : 7.26e-43

Coefficients (exemple affiché)

ConfianceCognitive : coef 0.1109 ; p=0.041
ConfianceAffective : coef 0.0279 ; p=0.672
Attitude : coef 0.7845 ; p=0.000

Multicolinéarité (VIF)

ConfianceCognitive : VIF 1.937243
ConfianceAffective : VIF 2.762238
Attitude : VIF 2.530405

Normalité des résidus (Jarque-Bera)

JB : 10.044
p-value : 0.00659
Skewness : 0.329
Kurtosis : 4.255

Encouragement à réfléchir : ces chiffres donnent une base solide pour commenter le modèle (qualité d’ajustement, rôle relatif des variables, diagnostics). L’enjeu ensuite est de traduire proprement ces constats en interprétation (sans sur-vendre le modèle et sans confondre “significatif” et “important”).

Synthèse factuelle des résultats affichés

Ajustement et significativité globale

R² (uncentered) : 0.816
R² ajusté (uncentered) : 0.811
F-statistic : 173.2
Prob(F-statistic) : 7.26e-43

Coefficients (exemple affiché)

ConfianceCognitive : coef 0.1109 ; p=0.041
ConfianceAffective : coef 0.0279 ; p=0.672
Attitude : coef 0.7845 ; p=0.000

Multicolinéarité (VIF)

ConfianceCognitive : VIF 1.937243
ConfianceAffective : VIF 2.762238
Attitude : VIF 2.530405

Normalité des résidus (Jarque-Bera)

JB : 10.044
p-value : 0.00659
Skewness : 0.329
Kurtosis : 4.255

À retenir

Distinguez toujours résultats statistiques et conclusions managériales. Un coefficient significatif n’est pas automatiquement une recommandation pertinente. À l’inverse, un effet faible peut être stratégique si le coût d’action est bas ou si l’effet cumule sur de gros volumes.

Bonjour tout le monde !

admin8473 — Sun, 29 Nov 2020 12:33:36 +0000

Bienvenue sur Marketeur Expert.

Surfez sur le site pour accéder aux ressources de cours et différents dossiers thématiques pour découvrir, apprendre et développer son expertise en gestion et marketing !