ИИ для ресторанов и сетей: прогноз продаж, закупки, смены и гости

По оценке экспертов в исследовании Альфа-Банка о цифровизации HoReCa, ИИ-системы для оценки своей работы используют не больше 2% российских ресторанов и кафе. Значит, большинство решений о заготовках, закупках и сменах до сих пор принимается по памяти и по прошлой неделе. На этой странице: где ресторан и сеть теряют деньги, какие ИИ-решения здесь окупаются, что мы уже сделали и как начать без риска. Подробный разбор отрасли с примером расчета есть в статье ИИ в ресторане, здесь речь о том, как мы это внедряем.

Где ресторан теряет деньги

Потери ресторана редко видны одной строкой. Они размазаны по кухне, складу, залу и графику смен.

• Списания и перезаготовка. Повар готовит «как обычно» или с запасом, чтобы не попасть в стоп-лист, а в тихий день запас уходит в отходы. По данным WRAP по общепиту Великобритании, выбрасывается еда, эквивалентная каждой шестой поданной порции, и 45% отходов возникает при приготовлении и заготовках, то есть на кухне, а не в зале.
• Дефицит в пик. Обратная сторона: в пятницу вечером популярное блюдо кончается, гость берет другое или уходит. Эта выручка не видна в списаниях.
• Закупки по памяти. Заявку поставщику пишет шеф по остаткам и опыту. Излишки замораживают деньги, нехватка заставляет докупать срочно и дороже.
• Смены. График строят по прошлой неделе. В тихий день в зале лишние люди, в загруженный переработки и усталость.
• Пропущенные звонки и брони. В час пик администратору некогда брать трубку, гость звонит в соседний ресторан.

Если вы управляете сетью, каждая из этих потерь умножается на число точек, а различия между точками становятся еще одним источником ошибок: то, что работает в центре, не работает в спальном районе.

Какие ИИ-решения в ресторане окупаются

Мы не продаем «ИИ вообще». Начинаем с потери, которую можно посчитать в рублях, и подбираем под нее решение.

Основа большинства строк одна: прогноз продаж по блюдам. Прогноз «выручки на завтра» кухне почти ничего не дает. Ей нужна цифра по каждому блюду в каждой точке, и не в красивом отчете, а в плане заготовок, который повар видит утром.

Международные данные подтверждают, что борьба с отходами окупается. Отчет Champions 12.3 по 114 ресторанам в 12 странах показал такие средние результаты. Важно: в эти программы входили не только алгоритмы, но и измерение отходов, обучение персонала и пересмотр меню.

Наш опыт: прогноз продаж для сети ресторанов

В проекте прогноза продаж блюд для сети ресторанов задача была типичной: кухня готовит и закупает «на глаз», много уходит в отходы, а популярные блюда иногда заканчиваются.

Что сделали:

1. Собрали историю продаж по каждому блюду за 3 года, чтобы модель видела годовые циклы, праздники и сдвиги в меню.
2. Добавили внешние факторы: погоду, отзывы гостей и календарь праздников.
3. Обучили модель прогноза и вывели результат туда, где кухня принимает решение: в план заготовок и закупок.

Результат: точность прогноза выше 90%, пищевые отходы снизились на 20%. Проект занял 6,5 месяца, включая сбор данных, обучение и встраивание в работу кухни.

Другие наши проекты тоже применимы в ресторанном бизнесе. Голосовой ИИ-оператор для КВС закрывает 75% входящих запросов и в 80% случаев отвечает за 3 секунды: та же схема подходит для бронирования столов и ответов на частые вопросы гостей. Цифровой помощник по базе знаний ищет нужный документ в 7 раз быстрее: в сети это техкарты, стандарты подачи и регламенты для новых сотрудников.

Как посчитать эффект до старта

Эффект ИИ в ресторане считается простыми действиями, без моделей:

1. Берем годовые закупки сети или точки.
2. Оцениваем долю списаний и перезаготовки по вашим актам списания и инвентаризациям.
3. Применяем реалистичное снижение. В нашем проекте отходы снизились на 20%, но для вашей сети процент мы оцениваем на разборе по качеству истории продаж.
4. Сравниваем годовую экономию с ценой пилота и поддержки.

Если экономия не перекрывает затраты с запасом, мы так и скажем на разборе и не будем предлагать пилот. Пример такого расчета в рублях для сети из 10 ресторанов есть в статье ИИ в ресторане.

С чего начать

Не нужно сразу автоматизировать всю сеть. Рабочий порядок такой:

• Бесплатный разбор на 30-40 минут. Смотрим, где у вас уходят деньги, какие данные есть в кассовой системе и учете, и прикидываем эффект.
• Пилот на одной точке или группе похожих точек. Выгружаем продажи по блюдам, строим прогноз и ставим его в план заготовок. Каждый день сравниваем прогноз с фактом.
• Решение по цифрам. По итогам пилота видно, насколько точен прогноз и сколько он экономит. Только после этого имеет смысл подключать закупки, смены и остальные точки.

Чтобы прогноз дошел до кухни, мы связываем его с системами, которые у вас уже есть: кассовой и учетной системой ресторана, 1С, таблицами закупок, системой бронирования. Если прямой выгрузки нет, начинаем с регулярных файлов, а полноценную интеграцию делаем после того, как модель докажет точность на пилоте. Повар и управляющий не должны осваивать новый интерфейс: план заготовок и черновик заявки приходят в привычном виде, например таблицей или сообщением в мессенджере.

Срок пилота фиксируем после разбора: он зависит от того, как хранится история продаж и сколько систем нужно связать. Работаем под NDA, для прогноза персональные данные гостей не нужны, а там, где они есть (брони, звонки, отзывы), обезличиваем их до отправки в модель.

Сколько стоит

Разбор процесса бесплатный. Пилот стоит от 300 000 ₽. Точную цену называем после разбора: она зависит от числа точек, систем учета и задач, которые входят в пилот. Отдельно оцениваем поддержку модели после запуска, потому что меню, цены и поток гостей меняются, и прогноз нужно регулярно переобучать.