Разработка AI-системы прогнозирования спроса для ресторанов

Разработка AI-системы прогнозирования спроса для ресторанов

Каждое утро шеф-повар гадает: сколько порций лосося заготовить? А управляющий — сколько официантов поставить на вечернюю смену? Ошибка в обе стороны — деньги на ветер. Мы решаем эту задачу с помощью ML. За более чем пять лет реализовали 40+ проектов для ресторанов от кофеен до fine dining, снижая food waste на 20-30% и labour cost на 5-10%.

Проблемы, которые мы решаем

Перепроизводство и списания

До 15% закупок уходит в мусор, если ориентироваться на «чутьё». AI учитывает 20+ факторов: день недели, погоду, праздники, брони, промоакции, даже вирусные посты в TikTok.

Нехватка персонала

В пятницу вечером посетителей на 40% больше, чем в среду, а график составлен по среднему — отсюда долгое обслуживание и негативные отзывы. Staffing forecast с точностью 85-90% подсказывает, сколько поваров и официантов нужно на каждый 30-минутный слот.

Затоваривание скоропортом

Ингредиенты с коротким сроком годности (зелень, морепродукты) — основная статья потерь. Система динамически корректирует заказ с учётом остатков и прогноза.

Почему AI, а не традиционные методы?

Экспертные таблицы или «опытный» менеджер дают ошибку до 30% на следующий день. ML-модель учитывает нелинейные зависимости: например, дождливый вторник после трёх солнечных даёт снижение на 15%, но если в соседнем ТЦ выставка — наоборот всплеск. По данным BCG, рестораны с AI-прогнозом сокращают отходы в среднем на 25%.

Сравним точность на реальных данных (ресторан итальянской кухни, 200 посадочных мест):

ML-модель предсказывает в три раза точнее, чем ручной расчёт. На практике это означает экономию до 15% от затрат на закупки для ресторана на 100 посадочных мест. Свяжитесь с нами для предварительного аудита — мы оценим потенциал экономии для вашего ресторана за два рабочих дня.

Как мы это делаем: стек и пример кейса

Стек: Python, LightGBM / XGBoost, PostgreSQL + TimescaleDB, FastAPI для инференса, Grafana для дашбордов. Встраиваемся в вашу инфраструктуру: экономия на списаниях достигает 25% от закупок, что окупает внедрение за 2-4 месяца.

Кейс из нашей практики: сеть из 12 ресторанов в Москве. До внедрения — списания 14% от закупок. После — 9,5% (снижение на 32%). Проект занял 4 месяца с dish-level прогнозом. Шеф-повара получают утром план mise en place на день, управляющие — staffing на три дня вперёд. Интеграция с iiko через SQL view.

Как мы интегрируемся с вашей POS-системой?

Мы подключаемся к POS (iiko, r_keeper, Tillypad, Square, Toast) и резервным системам (Яндекс, OpenTable). Pipeline:

1. Ежедневный импорт вчерашних данных (07:00)
2. Пересчёт прогноза на 14 дней вперёд
3. Отправка отчётов: шеф-повару (mise en place), управляющему (staffing), закупщику (SOQ)

Что входит в работу (deliverables)

• ETL-пайплайн для сбора и очистки данных из POS, погоды, событий
• ML-модель прогноза cover count (MAPE <10%) + dish demand (MAPE <15%)
• API для интеграции с системами расписания и закупок
• Дашборд в Grafana с реальными метриками и трендами
• Документация архитектуры и инструкции по эксплуатации
• Обучение управляющего и шеф-повара (2 дня + техподдержка месяц)

Сроки: пилот (cover + staffing) — 4-5 недель. Полная система с dish-level, waste tracking и POS — 3-4 месяца. Стоимость рассчитываем индивидуально после аудита — свяжитесь, оценим проект за два дня.

Staffing Optimization с примером кода

def staff_needed(covers_forecast, slot_minutes=30):
    tables_needed = covers_forecast / avg_covers_per_table
    servers_needed = ceil(tables_needed / covers_per_server)
    kitchen_needed = ceil(covers_forecast * avg_dishes / cook_hourly_capacity)
    return {
        'servers': servers_needed,
        'kitchen': kitchen_needed,
        'host': 1 if covers_forecast > 20 else 0
    }

Интеграция с Jowi или BambooHR — смены создаются автоматически. Никакого ручного планирования.

Waste Reduction: точные закупки

Safe Order Quantity: заказываем не среднее, а 90-й процентиль распределения прогноза. Лёгкий перебор — можно пустить на комплименты или завтра, но никогда не закончится популярное блюдо в разгар ужина.

Shelf life management: если прогноз на конкретный ингредиент низок, а срок годности поджимает — система предлагает включить его в блюдо дня со скидкой.

IoT-весы на мусорных баках: фиксируем фактические списания, замыкаем контур обратной связи. Модель переобучается каждую неделю.

Как мы строим прогноз: пошагово

1. Сбор данных — POS, погода, мероприятия, соцсети за последние 12+ месяцев.
2. Очистка и агрегация — удаление выбросов, приведение к единому формату.
3. Инжиниринг признаков — лаги, скользящие средние, one-hot кодирование.
4. Обучение модели — LightGBM с кросс-валидацией по временным рядам.
5. Инференс и мониторинг — ежедневный пересчёт с контролем качества.

Закажите консультацию — мы поможем вам внедрить прогнозирование и сократить потери.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.