Aller au contenu

Livraison de repas : comment les algorithmes de recommandation vous ciblent

Distance, disponibilité, historique et accords commerciaux : découvrez les signaux cachés qui décident quels restaurants apparaissent en premier sur votre appli de livraison — et pourquoi votre voisin ne voit pas la même liste que vous.

Partager cet article
Livraison de repas : comment les algorithmes de recommandation vous ciblent

Ce que l'algorithme voit avant de proposer un restaurant

Sur une application de livraison de repas, la première page affichée ne contient qu'une dizaine de restaurants, alors que l'offre disponible dans une grande ville se compte en centaines. Le classement de ces quelques vignettes repose sur un système de notation interne, propre à chaque plateforme, qui agrège plusieurs signaux avant d'afficher un résultat.

Le premier de ces signaux est la géographie. La distance entre le restaurant et l'adresse de livraison, mais aussi le temps de trajet estimé, conditionnent la faisabilité de la commande. Un établissement situé à vingt minutes peut être écarté au profit d'un autre plus proche, même moins bien noté, parce que la promesse de délai doit rester tenable.

Le deuxième signal est la disponibilité. Un restaurant fermé, saturé ou dont le livreur manque à proximité n'a aucun intérêt à être mis en avant. Les plateformes intègrent donc des paramètres en temps réel : nombre de commandes en cours, capacité des coursiers connectés dans la zone, horaires d'ouverture.

Le troisième signal relève de l'historique. Les commandes passées, les plats consultés, les notes attribuées et même le moment de la journée orientent les propositions. Un utilisateur qui commande régulièrement des plats végétariens le midi verra probablement ces options remonter dans sa liste.

Les critères commerciaux qui s'ajoutent au classement

Aux critères de pertinence s'ajoutent des paramètres commerciaux. Les plateformes peuvent mettre en avant des établissements qui participent à des opérations promotionnelles, qui acceptent des commissions plus élevées ou qui ont souscrit à des formules de visibilité payante. Ces dispositifs sont généralement signalés par une mention discrète, mais leur poids réel dans le classement n'est pas public.

Ce mélange de signaux explique pourquoi deux personnes habitant le même immeuble peuvent obtenir des résultats différents à la même heure. L'algorithme ne produit pas un palmarès objectif de la qualité culinaire ; il produit une réponse à une question pratique : quelle commande a le plus de chances d'être préparée, livrée à temps et appréciée par cet utilisateur précis.

Pour les restaurateurs, l'enjeu est direct. Figurer en tête de liste génère l'essentiel des commandes, et une position basse dans le classement peut rendre un établissement quasi invisible, même avec une bonne réputation locale. Cela a conduit certains professionnels à adapter leurs horaires, leur carte ou leur politique tarifaire pour rester dans les critères favorables.

Ce que cela change pour l'utilisateur au moment de commander

La conséquence la plus concrète est une forme de dépendance à la recommandation. La liste proposée devient le principal point d'entrée, et la recherche manuelle par nom de restaurant reste minoritaire dans les usages observés par les plateformes. L'utilisateur voit donc ce que l'algorithme juge pertinent, et rarement ce qui existe au-delà.

Ce que cela change pour l'utilisateur au moment de commander

Plusieurs effets méritent d'être signalés. Les nouveaux établissements, sans historique de commandes, partent avec un handicap : ils doivent accumuler des avis et des volumes pour espérer remonter. Les cuisines peu représentées dans une zone géographique, ou les petites structures sans capacité de livraison rapide, sont mécaniquement désavantagées.

Un autre effet concerne la répétition. Un algorithme qui apprend des préférences a tendance à proposer des options proches de celles déjà choisies, ce qui réduit progressivement la diversité des propositions. Ce phénomène, souvent décrit comme un enfermement dans les habitudes, n'est pas propre à la livraison de repas, mais il y est particulièrement visible en raison de la fréquence des commandes.

  • Les filtres manuels (prix, type de cuisine, délai) restent le moyen le plus direct de contourner le classement par défaut.
  • La recherche par nom de restaurant permet d'accéder à des établissements absents de la page d'accueil.
  • Les avis affichés portent sur la prestation globale, livraison comprise, et pas seulement sur la cuisine.

Les limites et les zones d'ombre du système

Les plateformes communiquent peu sur la pondération exacte de leurs critères. Ce manque de transparence rend difficile toute évaluation indépendante de l'équité du classement. Un restaurant qui estime être mal référencé dispose de peu de recours pour comprendre la raison de sa position.

Les données personnelles jouent également un rôle central. L'historique de commandes, la localisation et les préférences alimentaires alimentent le système de recommandation, ce qui soulève des questions sur la conservation et l'usage de ces informations. Les réglementations européennes encadrent ces traitements, mais leur application concrète dans les algorithmes de classement reste difficile à vérifier de l'extérieur.

Enfin, la pertinence du système dépend de la densité de l'offre. Dans une zone rurale où peu de restaurants sont référencés, l'algorithme n'a presque rien à classer, et son influence sur le choix devient marginale. Le mécanisme décrit ici concerne donc avant tout les villes où l'offre est abondante et la concurrence entre établissements forte.

Margaux Gauthier

Margaux Gauthier

Margaux Gauthier est une spécialiste reconnue des technologies éducatives, de la cybersécurité, du cloud computing et du numérique responsable. Elle accompagne les organisations dans la conception de solutions innovantes et sécurisées, en plaçant l'éthique et la durabilité au cœur de ses priorités. Son approche allie expertise technique et pédagogie pour rendre le numérique plus accessible et plus responsable.

Voir tous les articles →

Articles similaires