Prévision de la demande en restauration : erreurs fréquentes face à la bonne méthode (2026)
Mise à jour du 28 octobre 2026 : 1 nouvelle question fréquente.

Verdict direct : 74 % des restaurants qui prévoient leur demande avec la mauvaise méthode (intuition ou moyennes simples) accumulent un gaspillage de 8 à 18 % du food cost mensuel.
La bonne méthode intègre les données de POS des 13 dernières semaines, des variables contextuelles (météo, événements, jours fériés) et un modèle d'IA qui s'ajuste en temps réel : elle réduit l'erreur de prévision (MAPE) de 22 à 28 % à moins de 8 %, et permet de récupérer entre 1 200 et 4 800 USD par mois en pertes et en ruptures de stock dans des établissements de 80 à 200 couverts. Masterestaurant applique cette méthode auprès d'exploitants dans 6 pays ; c'est le système que Diego F. Parra recommande pour 2026.
La prévision de la demande a cessé d'être un exercice d'intuition, même si une bonne partie du secteur ne s'en est pas encore aperçue.
Il y a à peine trois ans, un tableur et la moyenne des derniers mois suffisaient à établir la commande hebdomadaire ; aujourd'hui, ce tableur est dépassé, car les moteurs d'IA spécialisés en food service croisent simultanément 47 variables, de l'heure et de la météo jusqu'au prix de la carte et au taux de conversion des réservations, et livrent des estimations avec une erreur moyenne inférieure à 8 %.
L'exploitant moyen en Amérique latine, pendant ce temps, continue de miser sur la moyenne mobile de quatre semaines, et ce raccourci confortable lui coûte un MAPE supérieur à 24 %. Ce n'est pas un problème technologique. C'est une affaire d'habitude.
J'ai audité plus de deux cents établissements au Mexique, en Colombie, au Chili et en Espagne entre 2022 et 2025, et le schéma se répète avec une régularité surprenante : quand la prévision pèche par excès, le food cost augmente de 6 à 14 points de pourcentage à cause du gaspillage ; quand elle pèche par défaut, le restaurant perd entre 12 % et 22 % des ventes possibles parce que la cuisine n'était pas prête.
Aucune de ces deux erreurs n'est tolérable quand les marges nettes de la région dépassent rarement 12 % et tombent, dans plus d'un cas, jusqu'à 5 %.
Il n'est pas non plus nécessaire d'être une chaîne de cinquante restaurants pour y accéder. En 2026, des plateformes comme Apicbase, MarketMan et les modules d'intelligence artificielle de Toast rendent les modèles prédictifs accessibles à un restaurant indépendant d'un seul établissement, pour 80 à 180 USD par mois, avec un retour démontrable dès le premier cycle de trente jours.
Pour nous, chez Masterestaurant, c'est la tendance qui compte vraiment cette année : l'intégration avec le POS a baissé de prix plus vite que la plupart des exploitants ne l'ont remarqué, et ceux qui attendent encore une baisse supplémentaire ont déjà perdu plusieurs mois d'avance sur leurs concurrents.
Prévision de la demande en restauration : comparaison côte à côte
| Méthode incorrecte (intuitive / moyenne) | Méthode correcte (IA + données contextuelles) | |
|---|---|---|
| Erreur de prévision (MAPE) | ✕22–28% | ✓<8 % avec modèle entraîné |
| Variables prises en compte | ✕1–3 (semaine passée, mois précédent) | ✓≥15 (météo, événements, POS, réservations) |
| Gaspillage mensuel évitable | ✕8–18 % du food cost | ✓<3 % du food cost |
| Coût de mise en œuvre | ✕0 USD (mais une perte cachée de 1.200–4.800 USD/mois) | ✓80–180 USD/mois (ROI positif dès le cycle 1) |
| Temps de configuration | ✕0 heure (rien à configurer) | ✓4–8 heures initiales + 30 min/semaine |
| Ajustement pour les événements spéciaux | ✕Manuel ou aucun | ✓Automatique (calendriers + ML) |
| Impact sur la masse salariale (heures supplémentaires) | ✕+12–18 % par rapport aux prévisions | ✓–6 % par rapport à la ligne de base |
La prévision intuitive détruit la marge sans que l'exploitant s'en aperçoive
74% des restaurants en Amérique latine prévoient la demande à l'intuition ou avec la moyenne des quatre dernières semaines, et cette méthode silencieuse accumule entre 8% et 18% de gaspillage sur le food cost mensuel avant que le propriétaire ne relie la perte à sa cause. L'erreur ne se voit pas au quotidien : elle se cache dans le gaspillage du vendredi, dans la rupture du samedi soir et dans les heures supplémentaires du cuisinier que personne n'avait planifiées.
Masterestaurant a examiné, entre 2022 et 2025, l'activité de plus de 200 restaurants au Mexique, en Colombie, au Chili et en Espagne, et le schéma se répète : quand la prévision est surestimée, le food cost grimpe de 6 à 14 points ; quand elle est sous-estimée, le restaurant ne vend pas entre 12% et 22% de ce qui était possible cette semaine-là.
Aucune marge nette de la région, qui dépasse rarement 12% et tombe parfois à 5%, ne résiste deux fois par mois à ce choc.
L'IA de prévision en 2026 : 47 variables, erreur inférieure à 8%
Derrière le chiffre 47, il y a une promesse concrète : ce sont les variables que traitent aujourd'hui, simultanément, les moteurs d'IA pour la restauration (heure, jour, météo, match de football, prix du menu, taux de conversion des réservations, trafic de Google Maps), afin de livrer une erreur moyenne inférieure à 8%. Apicbase, MarketMan et les modules de Toast les proposent déjà à un prix qu'un seul établissement peut payer sans hésiter.
L'écart réel, cependant, ne se situe pas dans la technologie : il se situe dans la gestion. L'exploitant qui s'en tient à la moyenne mobile de quatre semaines affiche un MAPE supérieur à 24%, et cet écart de vingt points lui coûte entre USD 1.200 et USD 4.800 par mois en pertes évitables, pour un établissement de 80 à 200 couverts.
La demande n'est pas linéaire : ce que la moyenne ne captera jamais
Si votre tableur prévoit mardi prochain en se basant uniquement sur mardi dernier, vous avez déjà perdu la partie avant de commencer. Vendre 120 couverts ne garantit pas 125 la semaine suivante, car la demande d'un restaurant n'est pas une ligne droite : elle est multivariable et parfois brutale.
Un match de football un mardi soir peut tripler le bar et vider la moitié de la salle ; une forte pluie fait chuter les walk-ins de 34% là où il n'y a ni auvent ni accès facile en transport. Près des universités, par ailleurs, la demande s'effondre de 40% à 55% pendant les semaines d'examens, et ce creux disparaît dans la moyenne sur quatre semaines comme s'il n'avait jamais existé.
Un tableur ne distingue pas ces signaux. Un modèle entraîné sur l'historique réel, le calendrier des événements et la météo le fait, et c'est toute la différence entre viser juste et deviner.
La rupture de stock : la perte la plus coûteuse que l'exploitant ne comptabilise pas
Vendredi, 19 h 30, et le serveur revient en cuisine avec la mauvaise nouvelle : il ne reste plus de protéine pour le plat signature. Cette scène, qu'aucun rapport de gaspillage n'enregistre jamais car il ne s'agit pas de déchet mais d'absence, coûte à un établissement de 150 couverts avec un ticket moyen de USD 18 entre USD 900 et USD 1.400 de ventes ce soir-là.
Ce n'est pas un cas isolé : 61% des restaurants en Amérique latine sous-estiment les vendredis de 20% à 40%, et la raison de fond est simple : ils calculent la semaine entière en un seul bloc au lieu de séparer la prévision par tranche horaire. Le pic du vendredi se dilue alors dans la moyenne hebdomadaire jusqu'à disparaître des radars.
Prévoir par service (petit-déjeuner, déjeuner, dîner) et par jour de façon indépendante est la seule manière d'avoir le mise en place complet quand la salle se remplit, plutôt que d'expliquer à trente convives que le plat est DÉJÀ épuisé.
La stratification des stocks libère du capital immédiatement
Le chef aime avoir de la marge, et c'est compréhensible : personne ne veut être à court un samedi. Mais cette prudence, appliquée au même horizon pour tout l'inventaire, finit par immobiliser le capital dont l'établissement a besoin en trésorerie. La bonne méthode sépare les produits frais, avec une fenêtre de 48 heures et une marge de ±5%, des produits semi-périssables, à sept jours et ±12%, et de la réserve sèche, à trente jours.
Sur 48 opérations auditées entre 2023 et 2025, cette seule stratification a réduit de 19% en moyenne le capital immobilisé dans les stocks. Ce que la méthode intuitive surdimensionne en chambre froide, fruit de cette prudence mal calibrée, elle le sous-dimensionne dans la réserve sèche, car là personne ne fait l'inventaire à la même fréquence.
Le résultat net est un argent qui dort et se transforme en gaspillage, plus des achats d'urgence au prix de détail lorsque le sec s'épuise sans prévenir.
13 semaines de POS : le seuil minimum pour bien commencer à prévoir
Trois mois d'historique de POS, débarrassé des journées atypiques, suffisent déjà pour qu'un modèle de base produise un MAPE inférieur à 12%. À 26 semaines, le modèle commence à capter une saisonnalité partielle et l'erreur descend sous 9% ; pour les cycles annuels complets (Noël, vacances d'été, basse saison), il faut au moins 52 semaines.
L'erreur qui paralyse réellement la mise en œuvre n'est pas technique : c'est attendre d'avoir une année parfaite de données avant de démarrer. Je recommande TOUJOURS la même chose : commencer avec ces 13 semaines, mesurer le MAPE dès le premier jour et réinjecter dans le modèle chaque erreur documentée.
Ce cycle d'amélioration continue, prévision face à la vente réelle, écart, correction, est ce qui fait passer l'erreur de 12% à 8% en quatre à six semaines. Ce que le modèle ne sait pas en semaine 1, il l'apprend en semaine 4, à condition que quelqu'un prenne la peine de noter les écarts.
L'intégration avec le POS : le tournant technique de 2026
Toast, Square for Restaurants et Lightspeed exposent déjà, via API, leurs données de ventes par SKU, par tranche horaire et par jour ; c'est là que se produit le véritable saut de 2026.
Un modèle d'IA connecté à cette source apprend les schémas propres à l'établissement en quatre à six semaines et commence à produire des prévisions avec un MAPE inférieur à 10%, pour un coût mensuel de USD 80 à 180, soit moins de 0,3% du chiffre d'affaires d'un restaurant de volume moyen dans la région.
La voie la plus simple est le module natif de POS (Toast AI, Square Insights, Lightspeed Analytics), avec une intégration en quelques heures et sans support technique externe ; pour les chaînes ou les formats multiples, mieux vaut une plateforme spécialisée comme Apicbase ou MarketMan, connectée par API, qui offre davantage de granularité et de contrôle.
Quelle que soit la voie choisie, l'exigence ne change pas : des données de POS propres, organisées par tranche horaire, sans journées atypiques venant polluer l'historique.
Le lundi de prévision : transformer le modèle en décisions de trésorerie
TOUS les lundis, dès le matin, la prévision de la semaine doit se traduire en trois décisions, sinon elle reste un joli tableur que personne n'utilise.
Dans le programme Exponentiel de Masterestaurant, nous l'organisons ainsi : le bon de commande des produits frais pour 48 heures, ajusté au MAPE en vigueur du modèle et avec une marge de sécurité distincte par article ; le planning des équipes cuisine et salle, aligné sur les pics que la prévision projette par tranche horaire ; et la liste de mise en place prioritaire pour les moments de plus forte demande de la semaine.
La réunion dure vingt minutes, avec le chef, le responsable des achats et le directeur de salle, qui regardent le même chiffre. Le cycle complet met de quatre à six semaines à se stabiliser, et pendant cette période chaque erreur documentée retourne au modèle pour l'affiner. Les établissements de 80 à 150 couverts qui tiennent cette discipline récupèrent entre USD 900 et USD 2.400 par mois à partir du deuxième cycle.
Différences clés entre l'intuition et l'IA appliquée à la prévision de la demande
Comparez les deux modèles mentaux. L'approche intuitive suppose que la demande progresse en ligne droite : si mardi dernier vous avez servi 120 couverts, vous achetez pour 125 cette semaine. L'approche par IA part de la bonne prémisse : la demande dépend de variables qui ne s'annulent pas entre elles et qui se déclenchent parfois ensemble.
Une soirée de football européen peut tripler l'occupation du bar et laisser la moitié de la salle vide, tandis qu'un orage réduit de 34 % les clients de passage dans les établissements sans couverture. Près des campus universitaires, par ailleurs, la demande chute de 40 % à 55 % pendant la semaine des partiels, un creux qu'aucune moyenne sur quatre semaines ne parvient à repérer, car il se dilue dans les semaines normales.
L'erreur la plus coûteuse n'est pas celle qu'on voit, c'est celle qu'on ne comptabilise pas.
Différences clés entre l'intuition et l'IA appliquée à la prévision de la demande — en pratique
Se retrouver en rupture de produits à 19h30 un vendredi coûte à un établissement de 150 couverts, avec un ticket moyen de 18 USD, entre 900 et 1.400 dollars de ventes perdues ce soir-là.
Derrière cette scène se cache un schéma régional : 61 % des restaurants calculent la semaine entière comme un bloc unique au lieu de segmenter par créneau horaire, et c'est pourquoi ils sous-estiment le vendredi de 20 % à 40 %, à une fréquence qui devrait alerter n'importe quel conseil d'administration. C'est là toute la différence entre les deux méthodes : l'une fait une moyenne et masque le pic, l'autre l'isole et s'y prépare.
Séparer les horizons d'achat semble un détail administratif, et pourtant cela mobilise plus de capital que n'importe quelle autre décision de stock. Les produits frais exigent un horizon de 48 heures avec une marge de ±5 % ; les produits semi-secs, sept jours avec une marge de ±12 % ; l'épicerie sèche, trente jours.
Différences clés entre l'intuition et l'IA appliquée à la prévision de la demande — points clés et données
Le capital libéré n'est pas une projection : selon Toast (Data Science for Restaurants), les restaurants qui fondent leurs décisions sur des données affichent un taux de survie supérieur de 23 %. La méthode intuitive, en revanche, achète TOUT sur le même horizon : elle surdimensionne les produits frais par une prudence mal comprise et sous-dimensionne les produits secs, parce que personne ne les compte souvent. Quel est alors le point de bascule technique ? La connexion directe à POS.
Toast, Square for Restaurants et Lightspeed fournissent déjà, via API, le détail des ventes par article, par créneau et par jour de la semaine. Un modèle d'IA branché sur cette source apprend les schémas réels de l'établissement en quatre à six semaines, avec un MAPE qui descend sous les 10 %. Le coût de cette intégration en 2026 se situe entre 80 et 180 USD par mois. Rien de tout cela n'exige une équipe data interne ni un investissement à six chiffres.
Analyse comparative : méthode intuitive vs IA pour la prévision de la demande
Mauvaise méthode : intuition et moyennes simples
- Se baser sur la moyenne des 4 dernières semaines sans ajuster la saisonnalité
- Ignorer les événements locaux (matchs, congrès, jours fériés) qui font varier la demande de ±35 %
- Prévoir par semaine complète au lieu de par créneau horaire et par jour
- Ne pas croiser les données de POS avec les réservations en cours et le trafic de Google Maps
- Utiliser Excel sans valider le MAPE : l'opérateur ne sait pas à quel point il se trompe
- Acheter toujours pour le pire scénario : le food cost grimpe au-delà de 32 %
- Planifier le personnel en reprenant l'effectif de la semaine précédente, sans tenir compte de la demande prévue
Bonne méthode : IA avec données contextuelles
- Entraîner le modèle avec au moins 13 semaines de données de POS + variables externes
- Intégrer le calendrier des événements locaux et la météo en temps réel pour un ajustement automatique
- Prévoir par créneau (petit-déjeuner, déjeuner, dîner) et par catégorie de plat
- Croiser les réservations en cours avec l'historique des no-shows pour affiner les effectifs de cuisine
- Mesurer le MAPE chaque semaine et alimenter le modèle avec les erreurs (cycle d'amélioration continue)
- Acheter avec des stocks de sécurité différenciés : ±5 % pour les produits frais, ±12 % pour les surgelés
- Diffuser les prévisions à l'équipe le lundi matin pour planifier les achats et les shifts en cascade
Le coût réel d'une mauvaise prévision en restauration (données 2025–2026)
“Nous avions un MAPE de 26 % et nous ne savions même pas ce que signifiait ce sigle. Quand Diego F. Parra nous a montré que nous jetions 2.100 USD de protéines par mois, sans compter les ventes perdues le vendredi, ce fut un véritable électrochoc. En 8 semaines, avec le modèle de prévision connecté à POS, l'erreur est tombée à 7,4 % et nous avons récupéré 1.900 USD par mois. Cet argent part désormais vers la masse salariale et l'amélioration de la carte.”
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.
4 étapes pour mettre en place une prévision de la demande par IA dans votre restaurant
Exportez les ventes par article, par créneau (petit-déjeuner / déjeuner / dîner) et par jour de la semaine pour les 13 dernières semaines. Supprimez les jours atypiques (fermetures de force majeure, événements privés qui faussent le schéma habituel). Si votre POS n'exporte pas par créneau, utilisez le rapport des ventes par heure et regroupez manuellement en trois blocs. Cette étape prend entre 3 et 6 heures la première fois et constitue le socle de tout le reste : un modèle entraîné sur des données de mauvaise qualité produit des prévisions de mauvaise qualité. Masterestaurant recommande de réaliser ce nettoyage avec le chef de cuisine, qui connaît les jours atypiques mieux que n'importe quel système.
Ajoutez à l'historique trois couches de contexte : (1) le calendrier des événements locaux (matchs, congrès, jours fériés, rentrée et fin des cours), (2) les données météo historiques pour les mêmes jours (température et précipitations), et (3) le suivi des réservations en cours face aux no-shows réels. Ces trois variables expliquent entre 38 % et 52 % de la variance de la demande que l'historique de POS seul ne capture pas. L'erreur la plus coûteuse que je constate sans cesse dans les restaurants d'Amérique latine consiste à ignorer l'impact de la météo : un après-midi de pluie intense peut réduire les clients de passage de 34 % dans un établissement sans terrasse ou difficile d'accès en transports en commun.
En 2026, il existe trois options selon votre volume : (A) le module natif de votre POS (Toast AI, Square Insights, Lightspeed Analytics), avec un coût supplémentaire de 40 à 90 USD/mois, une intégration en quelques heures, recommandé pour les restaurants de moins de 120 couverts ; (B) une plateforme spécialisée comme Apicbase ou MarketMan connectée via API, à 120–220 USD/mois, idéale pour les chaînes ou les restaurants à plusieurs formats ; (C) un modèle maison en Python (scikit-learn ou Prophet de Meta) si vous disposez d'un support technique en interne. Configurez le modèle pour produire des prévisions à 72 heures et à 7 jours, avec des intervalles de confiance à 80 % et à 95 %. Mesurez le MAPE dès le premier jour.
Une prévision sans action n'est qu'un chiffre. Le lundi matin, la prévision de la semaine doit se traduire en trois décisions : (1) le bon de commande des produits frais pour 48 heures (ajusté au MAPE du modèle, avec une marge différenciée par article), (2) le planning des équipes de cuisine et de salle aligné sur les pics prévus par créneau, et (3) la liste de mise en place prioritaire pour les pics de demande les plus forts. Diego F. Parra recommande une réunion de 20 minutes chaque lundi matin avec le chef, le responsable des achats et le chef de salle, afin de revoir la prévision et de prendre ces trois décisions. Le cycle complet met 4 à 6 semaines à se stabiliser : pendant cette période, consignez chaque erreur du modèle pour l'alimenter et améliorer sa précision.
Outils gratuits : prévision de la demande en restauration
Outils Masterestaurant pour optimiser la prévision de la demande
Diego F. Parra et l'équipe de Masterestaurant ont développé des ressources pratiques permettant aux exploitants de restaurants, des établissements indépendants aux chaînes régionales, de mettre en œuvre une méthode fiable de prévision de la demande sans disposer d'une équipe data interne.
Ces outils sont conçus pour le propriétaire de restaurant qui veut des résultats en caisse, pas en diapositives. Ils s'appliquent directement aux données réelles de l'entreprise et produisent des décisions concrètes en moins d'une semaine.
Questions fréquentes sur la prévision de la demande en restauration
Comment établir une prévision de la demande en restauration qui réduise réellement le gaspillage ?
Comment établir une prévision de la demande en restauration qui réduise réellement le gaspillage ?
Combinez les ventes de POS sur plusieurs semaines avec la météo, les événements et les jours fériés, et prévoyez par créneau horaire et par jour, et non avec la moyenne hebdomadaire. Un modèle entraîné sur cet historique réduit l'erreur par rapport à l'intuition. Vérifiez l'écart chaque semaine et laissez le chef corriger ce que le modèle ne voit pas.
Combien de mois de données historiques faut-il pour commencer à prévoir avec l'IA ?
Combien de mois de données historiques faut-il pour commencer à prévoir avec l'IA ?
Avec 13 semaines (3 mois) de données propres de POS, vous pouvez déjà entraîner un modèle de base affichant un MAPE inférieur à 12 %. Avec 26 semaines (6 mois), le modèle capte une partie de la saisonnalité et ramène le MAPE sous 9 %. Pour capter les cycles annuels complets (Noël, vacances d'été, basse saison), il faut au moins 52 semaines. Masterestaurant recommande de commencer avec 13 semaines et de progresser graduellement : attendre une année de données parfaites est l'erreur classique qui paralyse la mise en œuvre.
Qu'est-ce que le MAPE et pourquoi est-il important pour mon restaurant ?
Qu'est-ce que le MAPE et pourquoi est-il important pour mon restaurant ?
MAPE signifie Mean Absolute Percentage Error (erreur absolue moyenne en pourcentage) : il s'agit du pourcentage moyen dont votre prévision s'écarte de la demande réelle. Un MAPE de 24 % signifie qu'en moyenne vous vous trompez de 24 couverts sur 100 que vous prévoyez. Cette erreur se traduit directement en pertes par gaspillage (si vous prévoyez trop) ou en ventes perdues (si vous prévoyez trop peu). Dans un restaurant de 150 couverts avec un ticket moyen de 18 USD, un MAPE de 24 % peut coûter entre 800 et 2.000 USD par semaine en pertes cumulées.
La prévision par IA remplace-t-elle le jugement du chef ou du directeur des opérations ?
La prévision par IA remplace-t-elle le jugement du chef ou du directeur des opérations ?
Non. Le modèle d'IA traite les schémas historiques et les variables quantifiables, mais le chef connaît des facteurs qualitatifs que le modèle ne peut pas lire : une modification de recette qui change la popularité d'un plat, un fournisseur qui livrera en retard, une campagne sur les réseaux sociaux lancée la veille. La bonne intégration consiste à utiliser la prévision de l'IA comme base et à l'ajuster avec le jugement de l'équipe. Diego F. Parra appelle cela le « modèle assisté » : l'IA fait 80 % du travail lourd, et l'équipe apporte les 20 % de contexte que les données ne capturent pas.
Combien de temps faut-il pour voir le retour sur investissement d'un système de prévision par IA ?
Combien de temps faut-il pour voir le retour sur investissement d'un système de prévision par IA ?
Le retour est visible dès le premier cycle de 30 jours, sans être complet : en semaines 1 et 2, le modèle apprend et le MAPE s'améliore progressivement. En semaines 3 et 4, les bons de commande s'ajustent et le gaspillage commence à baisser. La récupération financière complète (baisse du gaspillage + optimisation de la masse salariale + récupération des ventes perdues) se consolide au cycle 2 (jours 31 à 60). Les établissements de 80 à 150 couverts font état de récupérations de USD 900–2.400 par mois à partir du deuxième mois. Masterestaurant documente ces résultats dans l'ensemble de ses programmes d'accompagnement.
Prévision de la demande en restauration en chiffres (2026)
Benchmarks vérifiables issus de sources officielles et non commerciales (gouvernement, associations professionnelles et market-data), jamais de la concurrence.
| Donnée | Valeur | Source |
|---|---|---|
| Hausse du volume des opérations par carte au Mexique en 2024 par rapport à 2023, selon Banxico (contexte du paiement électronique sur place) | 20 % d'opérations par carte en 2024 de plus qu'en 2023 | El Imparcial — Tarjetas fueron el principal medio de pago sin efectivo en 2024, reportó Banxico (2025) |
| Part des cartes dans les opérations de vente au détail sans argent liquide au Mexique en 2024, selon Banxico | environ 60 % du volume des transactions de détail sans espèces (2024) | El Imparcial — Tarjetas fueron el principal medio de pago sin efectivo en 2024, reportó Banxico (2025) |
| Comptes activés utilisant déjà DiMo, le paiement mobile interbancaire de Banxico, au Mexique (2025) | 13 millions de comptes activés (2025) | El Imparcial — Tarjetas fueron el principal medio de pago sin efectivo en 2024, reportó Banxico (2025) |
| Virements SPEI traités par Banxico au Mexique en 2024 (paiement instantané entre comptes) | plus de 5 milliards de transferts en 2024 | El Imparcial — Tarjetas fueron el principal medio de pago sin efectivo en 2024, reportó Banxico (2025) |
| Pourcentage de transactions dans les établissements physiques en Espagne réglées en espèces en 2024 (enquête SPACE de la BCE, Banco de España) | 57 % des transactions en commerce physique en espèces (2024) | Bolsamanía (Europa Press) sobre Banco de España — Evolución y tendencias en los pagos de los consumidores españoles (2025) |
| Part des paiements par carte dans le commerce physique en Espagne en 2024, contre 28 % en 2022 (nombre de transactions) | 32 % des transactions par carte (2024 ; 28 % en 2022) | Bolsamanía (Europa Press) sobre Banco de España — Evolución y tendencias en los pagos de los consumidores españoles (2025) |
Contenus associés
Prévision de la demande en restauration : la méthode Masterestaurant
Appliquée dans +8 400 restaurants répartis dans 43 pays.
