Prompts IA pour optimiser un restaurant en livraison
Une bibliothèque de prompts prêts à copier pour analyser votre zone, vos concurrents, vos prix, vos promotions et vos opportunités sur Uber Eats et Deliveroo. Compatible ChatGPT, Claude et autres modèles.
Avant de demander à un modèle d'analyser une zone, donnez-lui le contexte exact : ville, quartier, catégorie de cuisine, gamme de prix, plateformes ciblées.
Tu es un analyste marché spécialisé en livraison restaurant. Analyse la zone {ville/quartier} pour un projet de restaurant {type de cuisine}, ticket moyen {fourchette €}. Identifie : 1) la densité concurrentielle estimée, 2) les catégories sous-équipées, 3) les créneaux porteurs, 4) les risques principaux. Conclus par 3 questions à creuser avec de la donnée réelle.Quels signaux marché dois-je impérativement vérifier avant de lancer un restaurant {type} en livraison à {ville/quartier} sur Uber Eats et Deliveroo ? Donne une checklist priorisée et explique brièvement pourquoi chaque signal est critique.Donnez au modèle les données concrètes (prix, notes, délais, promos) pour qu'il les compare.
Compare ces concurrents directs en livraison selon 5 critères : positionnement, gamme de prix, note moyenne, délai annoncé, intensité promotionnelle. Pour chaque concurrent, identifie sa principale force et sa principale faiblesse. Liste : {colle ici la donnée des concurrents}.Parmi cette liste de restaurants présents dans ma zone, lesquels dois-je surveiller en priorité chaque semaine ? Donne 5 à 10 noms maximum, avec une raison claire pour chacun (ranking, croissance, promo, nouveauté).
Utile pour générer des hypothèses, à valider ensuite avec de la donnée plateforme réelle.
Propose un plan en 5 actions concrètes pour améliorer la visibilité d'un restaurant {type} sur Uber Eats à {ville/quartier}. Pour chaque action, indique l'effort, l'impact attendu et un indicateur de mesure.Quels leviers spécifiques à Deliveroo dois-je activer pour améliorer la visibilité d'un restaurant {type} sans casser la marge ? Différencie clairement de ce qui marche sur Uber Eats.Donner au modèle votre médiane locale et la pression promo de votre zone améliore beaucoup la pertinence.
Compare cette grille de prix à une médiane locale de {valeur} pour la catégorie {type}. Identifie les produits trop chers, ceux qui pourraient être augmentés sans risque, et les bundles à créer. Voici la grille : {colle ici}.Quelle promotion ciblée tester sur Uber Eats à {ville/quartier} pour réagir à une pression promo de {%} sans réduire ma marge de plus de {x} points ? Propose 3 options avec un objectif et un indicateur de succès pour chacune.Très utile pour structurer une étude de marché — toujours à confirmer par de la donnée réelle.
Quels critères dois-je valider avant de lancer une dark kitchen à {ville/quartier} ? Donne une grille en 8 à 10 critères, avec un seuil ou un indicateur de mesure pour chacun.Pour une dark kitchen à {ville/quartier} avec un investissement {budget} et un ticket cible {€}, quelles catégories de cuisine semblent les plus pertinentes en livraison ? Justifie chaque proposition par un type de demande locale probable.Donner les données de plusieurs sites permet au modèle de prioriser réellement.
Compare ces points de vente d'un même réseau livraison selon ranking, note, délai et pression promo locale. Identifie les 3 sites qui sous-performent par rapport à leur contexte local et propose une priorité d'action pour chacun. Voici les données : {colle ici}.Sur la base de cette synthèse hebdomadaire, identifie les 3 points de vente à prioriser cette semaine et l'action concrète à mener sur chacun. Justifie brièvement chaque choix. Données : {colle ici}.Passez du prompt à la donnée réelle avec Krunsh
Les prompts IA sont utiles pour structurer la réflexion. Krunsh apporte la donnée marché qui leur manque : ranking réel, prix médian local, pression promotionnelle, mouvements concurrents.
