ИИ в ресторане: прогноз загрузки, закупки и списания

Когда говорят об ИИ в ресторанах, представляют роботов-официантов. На практике больше пользы приносят незаметные задачи: сколько гостей придёт во вторник вечером, сколько заготовить плова к обеду, сколько мяса заказать на выходные. Ошибка в любую сторону стоит денег: либо продукты уходят в списание, либо блюдо заканчивается в разгар обеда.

Прогноз загрузки

Модель по истории чеков предсказывает число гостей и заказов по часам и дням. Учитываются день недели, праздники, погода, события поблизости, сезон, Рамадан и свадебный сезон, если они влияют на ваш формат. Прогноз помогает планировать смены официантов и поваров, а не держать полный состав в пустые часы.

Даже простой прогноз по дням недели с поправкой на праздники часто оказывается точнее интуиции, потому что учитывает всю историю, а не последние запомнившиеся дни. Для заведений у бизнес-центров важен будний обеденный пик, для семейных ресторанов — выходные вечера, для кафе у вузов — учебный календарь. Модель улавливает эти особенности, если у неё достаточно истории.

Прогноз продаж по блюдам

Следующий уровень — прогноз не только гостей, но и конкретных позиций. Из него вытекают план заготовок для кухни на утро и потребность в сырье. Для блюд с долгой подготовкой — плов, самса, выпечка, бульоны — это особенно ценно: их нельзя быстро доготовить, если не хватило.

Закупки и списания

Зная прогноз продаж и технологические карты, система рассчитывает, сколько продуктов нужно заказать с учётом остатков и сроков годности. Списания фиксируются по причинам: истёк срок, брак, возврат гостя, ошибка повара. Анализ причин показывает, где проблема в прогнозе, а где в процессах.

Если списания по сроку годности приходятся на одни и те же позиции, возможно, закупочная партия у поставщика слишком велика для вашего оборота, и стоит договориться о более частых поставках мелкими партиями. Если списания связаны с браком, вопрос к хранению или к поставщику. Прогноз здесь даёт аргументы для переговоров, а не только цифры для заказа.

Доставка

Для ресторанов с доставкой полезны прогноз пиковых часов, оценка времени приготовления и доставки, которую видит клиент, и распределение заказов между курьерами. Точное время ожидания снижает количество звонков «где мой заказ».

Отзывы гостей

Отзывы на картах, в агрегаторах доставки и в Telegram можно автоматически разбирать по темам: вкус, порции, скорость, обслуживание, упаковка, чистота. Управляющий видит не отдельные жалобы, а повторяющиеся проблемы по филиалам и неделям. Отзывы на узбекском и русском, нередко вперемешку, требуют проверки качества разбора на своих примерах: модель может путать иронию с похвалой.

Какие данные нужны

• Чеки из кассовой системы с временем и позициями, желательно за год и больше
• Технологические карты блюд
• Остатки и закупки из складского учёта
• Списания с указанием причин
• График смен

Если касса и склад не связаны, а техкарты устарели, начинать нужно с порядка в учёте. Модель не исправит данные, в которых продажа плова записана как «блюдо дня».

С чего начать

1. Выгрузите историю чеков и посмотрите, насколько продажи по дням предсказуемы даже без модели
2. Начните с прогноза гостей по дням и часам — это проще всего проверить
3. Добавьте прогноз ключевых блюд с долгой подготовкой
4. Свяжите прогноз с заявкой поставщикам и сравнивайте списания до и после

Сети и отдельные рестораны

У сети больше данных и больше эффект от точности, поэтому прогнозирование окупается быстрее. Отдельному заведению часто достаточно встроенной аналитики кассовой системы и простых расчётов в таблицах. Не стоит заказывать сложную систему, пока шеф и управляющий не начали пользоваться обычными отчётами.

Типичные ошибки

• Не учитывать акции и банкеты: модель принимает их за обычный спрос
• Не давать шефу возможность скорректировать прогноз с учётом своих знаний
• Оценивать модель по одной неудачной неделе, а не по месяцам работы