ИИ для ресторанного бизнеса

42% ресторанов списывают 8-12% продуктов из-за неточного прогнозирования спроса — ИИ снижает списания на 40-60%

Шеф-повар заказывает продукты на завтра «по ощущениям». В понедельник перебор — списания. В пятницу не хватает лосося — стоп-лист к 20:00. А маркетолог рассылает одинаковые акции всем гостям: вегетарианцу — скидку на стейк, фанату бургеров — промо на салаты.

ИИ для ресторанного бизнеса решает три ключевые задачи: прогноз продаж блюд (закупки без списаний), оптимизация меню (какие блюда убрать, какие добавить), персонализация маркетинга (каждому гостю — своё предложение).

Проблемы, которые мы решаем

Списания продуктов 8-12% в месяц

Шеф-повар заказывает «как обычно» + запас. В понедельник продали 30 стейков, заказали 50 на вторник. Продали 25 — 10 кг мяса списали. 100-300К/мес на списания.

Решение: ML-прогноз продаж по каждому блюду: день недели, погода, мероприятия, исторические данные. Точность 85-90%. Автоматические заявки поставщикам

Меню не оптимизировано

80 позиций в меню. 20% блюд приносят 80% выручки. Но какие 20%? ABC-анализ делают раз в год в Excel. Низкомаржинальные блюда занимают место, отвлекают кухню.

Решение: ИИ-анализ меню: маржинальность × популярность × сложность приготовления. Рекомендации: убрать, повысить цену, вывести в промо. Обновление каждую неделю

Маркетинг одинаковый для всех

Рассылка «Скидка 20% на пасту» — всем 5 000 гостям. Вегетарианцу — скидку на карбонару. Гость, который ходит только на завтраки — промо на ужин. Конверсия — 2%.

Решение: Персонализация: ИИ анализирует историю заказов каждого гостя и предлагает релевантные акции. Конверсия рассылок: 8-15%

Фудкост растёт, а причина непонятна

Фудкост вырос с 28% до 33%. Цены поставщиков? Перерасход на кухне? Изменение микса продаж? Управляющий не может разобраться без глубокого анализа.

Решение: ИИ-декомпозиция фудкоста: вклад каждого фактора (цены, расход, микс). Алерт: «Фудкост вырос на 2% из-за перерасхода масла на станции фритюра»

Возможности решения

Прогноз продаж

ML-модель: прогноз по каждому блюду на 3-7 дней. Учёт дня недели, погоды, мероприятий, сезонности. Автозаявки поставщикам

Оптимизация меню

Матрица «маржинальность × популярность». Рекомендации: повысить цену, убрать, продвинуть. ABC-анализ в реальном времени

Персонализация маркетинга

Кластеризация гостей по поведению. Персональные предложения: «Ваш любимый бургер — со скидкой 15% в этот четверг»

Контроль фудкоста

Декомпозиция отклонений: цены, расход, микс продаж. Алерты при аномалиях. Прогноз фудкоста на конец месяца

💲

Динамическое ценообразование

Корректировка цен по времени дня, загрузке, спросу. «Бизнес-ланч до 14:00 — 350₽, после — 450₽»

Анализ отзывов

NLP-анализ отзывов с Яндекс.Карт, Google, TripAdvisor: тематика жалоб, тренды настроений, рейтинг по категориям

Техническая реализация

ML-модели: Python/FastAPI — Prophet/LightGBM для прогноза продаж, кластеризация (K-means) для сегментации гостей, NLP для анализа отзывов.

Бэкенд: Node.js/NestJS — бизнес-логика, интеграции, API для дашбордов.

БД: PostgreSQL (транзакции, гости), ClickHouse (аналитика продаж), Redis (кэш).

Интеграции: iiko / R-Keeper (продажи, меню, склад), Яндекс.Карты / Google Maps (отзывы), WhatsApp Business API (рассылки), Яндекс.Погода (прогноз).

Результаты внедрения

250-500%

ROI за первый год

2-5 мес

Срок окупаемости

-45%

Списания продуктов

+15%

Конверсия маркетинга

Заказное ИИ-решение vs SaaS-аналитика

Параметр	Заказная разработка	Готовое решение
Стоимость	Пилот от 510К	SaaS-аналитика от 20К/мес
Прогноз продаж (ML)	Обучен на ваших данных	Стандартные модели
Персонализация	По истории каждого гостя	Сегменты (возраст, пол)
Оптимизация меню	С учётом маржинальности	ABC-анализ
Анализ отзывов (NLP)	Автоматический, с трендами	Нет
Интеграция с iiko	Глубокая	Базовая

Частые вопросы

Сколько стоит внедрение ИИ в ресторан?

Пилот (прогноз продаж + оптимизация меню): от 510 000 ₽, срок — 6-8 недель.

Комплекс (+ персонализация, фудкост, анализ отзывов): от 1 300 000 ₽, срок — 3-5 месяцев.

Сколько данных нужно для прогноза?

Минимум — 6 месяцев продаж из iiko/R-Keeper. Оптимально — 12 месяцев (полный сезонный цикл). Прогноз начинает работать с точностью 80% уже через 2 недели, 85-90% — через 2 месяца.

Как быстро окупится?

Снижение списаний на 40-60% — эффект с первого месяца. При списаниях 200К/мес экономия — 80-120К/мес. Окупаемость пилота — 4-6 месяцев.

Подходит ли для сети?

Да. Модель обучается отдельно для каждой точки (разный трафик, меню, сезонность), но консолидированная аналитика — на уровне сети.

Нужен ли отдельный сервер?

Нет. ML-модели работают в облаке и обращаются к iiko/R-Keeper через API. Не нужно устанавливать софт в ресторане.

Готовы начать проект?

Расскажите о задаче — мы предложим решение, сроки и стоимость. Первая консультация бесплатна.

Обсудить проект

Смотреть кейсы

30 минут · Бесплатно · Без обязательств