Розробка AI-системи для готельного та ресторанного бізнесу HoReCa

Розробка AI-системи для готельного та ресторанного бізнесу HoReCa

HoReCa — бізнес з тонкими маржами, високою операційною складністю та критичною залежністю від досвіду користувача. AI оптимізує завантаження, керує запасами, персоналізує сервіс та допомагає з ціноутворенням.

Управління доходами (Revenue Management)

Dynamic Pricing для готелів:

Оптимізація тарифів у реальному часі – основа hotel Revenue Management:

import numpy as np
import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor

class HotelDemandPredictor:
    """Прогноз спроса на гостиничные номера"""

    def build_features(self, date, hotel_data):
        return {
            # Сезонные факторы
            'days_to_arrival': (date - pd.Timestamp.today()).days,
            'day_of_week': date.dayofweek,
            'is_weekend': int(date.dayofweek >= 4),
            'month': date.month,
            'is_holiday': int(date in hotel_data['holidays']),

            # Конкурентная среда
            'avg_competitor_rate': hotel_data['comp_rates'].get(str(date), 0),
            'min_competitor_rate': hotel_data['comp_min_rates'].get(str(date), 0),

            # Исторические паттерны
            'last_year_occupancy': hotel_data['hist_occupancy'].get(str(date), 0.7),
            'booking_pace_7d': hotel_data['current_bookings'] / hotel_data['capacity'],

            # События в городе
            'event_flag': int(any(e['date'] == str(date) for e in hotel_data['events'])),
            'event_size': sum(e.get('attendees', 0) for e in hotel_data['events']
                             if e['date'] == str(date)),
        }

class DynamicPricingEngine:
    def __init__(self, demand_model, min_rate, max_rate, rack_rate):
        self.demand_model = demand_model
        self.min_rate = min_rate
        self.max_rate = max_rate
        self.rack_rate = rack_rate

    def recommend_rate(self, date, current_occupancy, days_ahead, features):
        # Прогноз спроса при текущем тарифе
        predicted_demand = self.demand_model.predict([features])[0]

        # Уровень заполнения относительно компрессии
        if days_ahead < 7 and current_occupancy > 0.85:
            # Высокий спрос, мало времени → повысить
            multiplier = 1.3 + (current_occupancy - 0.85) * 4
        elif days_ahead > 60 and current_occupancy < 0.4:
            # Далеко и мало броней → снизить для стимуляции
            multiplier = 0.75
        else:
            multiplier = 0.9 + predicted_demand * 0.4  # нормальное динамическое ценообразование

        recommended = np.clip(self.rack_rate * multiplier, self.min_rate, self.max_rate)
        return round(recommended / 100) * 100  # округлить до 100 руб

Управління запасами ресторану

Прогноз споживання інгредієнтів:

• Попит на страви по меню → декомпозиція на інгредієнти за рецептурами - Ознаки: день тижня, погода (гарячі страви під час дощу), події в готелі/місті - MAPE прогнозу: 8–15% для денного горизонту

Управління закупівлями та waste reduction:

• Safety stock розраховується за квантильним прогнозом (P90 попиту) - FIFO у складському обліку + автоматичний FEFO для швидкопсувних - Звіт харчових відходів: фактична витрата vs. теоретичний (за рецептурами × продані страви)

Waste reduction: у типовому ресторані 20–30% продуктів викидається. AI знижує до 8-12%.

Персоналізація гостьового досвіду

Профіль гостя:

З PMS (Property Management System) та історії замовлень: - Уподобання номера: поверх, вид, температура, подушки - Харчові обмеження: вегетаріанський, халяль, алергії - Активності: любить SPA, надає перевагу ранньому сніданку - Комунікаційні переваги: WhatsApp, e-mail, не турбувати

Pre-arrival автоматизація: 24год до заїзду → персональне повідомлення з upgrade-офером на основі моделі P(accept).

Chatbot для гостей:

LLM + RAG на базі знань готелю (FAQ, меню, пам'ятки): - Запити через месенджер (WhatsApp, Telegram) або QR-код у номері - "Я хочу забронювати вечерю на двох о 20:00" → перевірка наявності → підтвердження - "Де найближчий банкомат?" → пошук по базі локацій

Оптимізація кухні та операцій

Прогноз навантаження на кухню:

LSTM на історії замовлень → прогноз по 15-хвилинним періодам → планування kitchen staff: - Пік 19:00–21:00 у ресторані = 3 кухарі на лінії - Тихий час 15:00–17:00 = 1 кухар

Recipe costing та menu engineering:

• Автоматичний розрахунок собівартості страв за актуальними цінами інгредієнтів - Menu Engineering матриця: Stars (популярні + прибуткові), Plowhorses, Puzzles, Dogs

Термін розробки: 4-7 місяців для HoReCa AI-платформи з Revenue Management, прогнозом запасів та персоналізацією з інтеграцією в PMS (Opera, Hestia, Fidelio).