Розробка AI-системи оптимізації меню ресторану

AI-система оптимізації меню ресторану

Проблема: ресторани втрачають до 15% виручки через неоптимальне меню. Наша AI-система оптимізації меню ресторану (прогноз попиту страв + аналіз маржинальності) автоматизує меню-інжиніринг. Наприклад, мережа італійських ресторанів із 7 точок виявила, що 40% позицій приносили лише 10% виручки, а food waste сягав 12% закупівель. Традиційний меню-інжиніринг (матриця BCG) не враховує сезонність, час приготування та вплив на кухню. Ми створили AI-систему, яка аналізує продажі, маржинальність, відгуки гостей та прогнозує попит з точністю до 85% — це в 5 разів краще, ніж експертні оцінки (60%). Система класифікує страви за матрицею Stars/Puzzles/Plowhorses/Dogs, пропонує зміни та генерує звіт природною мовою через LLM. У результаті — приріст валової маржі на 3-6 п.п. та зниження food waste на 15-25%. Економія на закупівлях для мережі з 10 точок може сягати $6,000 на місяць. AI-система аналізує меню в 50 разів швидше, ніж людина, і в 5 разів точніше прогнозує попит. Витрати на аналіз знижуються у 50 разів порівняно з ручним.

Чому традиційний меню-інжиніринг не працює?

Більшість ресторанів покладаються на інтуїцію шеф-кухаря або ручний аналіз в Excel. Це повільно, суб’єктивно та не масштабується. Мережа з 10 точок потребує аналізу тисяч транзакцій — людині тиждень, AI справляється за годину. Крім того, ручний аналіз не враховує впливу погоди, свят та промоакцій на попит. AI-система, навчена на історичних даних, передбачає попит з точністю до 85% (проти 60% у експертних оцінок).

Як AI-система перевершує ручний аналіз у 5 разів?

Порівняйте: традиційний підхід — менеджер витрачає 3-5 днів на аналіз Excel, результати суб’єктивні та застарівають через місяць. Наша AI-система обробляє ті ж дані за 2 години, а прогноз попиту оновлюється щодня. Вона враховує 15+ факторів: день тижня, погоду, свята, промоакції та навіть відгуки гостей. Завдяки цьому точність прогнозу досягає 85-90% — в 5 разів менше помилок, ніж при ручних розрахунках. Для управління запасами це означає зниження надлишків на 15-25% та покращення оборотності.

Вирішувані проблеми

• Високий food waste — прогноз попиту дозволяє закуповувати рівно стільки продуктів, скільки потрібно, без надлишку.
• Низька маржинальність — система виявляє страви з низькою маржею (Plowhorses) та пропонує оптимізувати рецептуру або ціну.
• Перевантажене меню — класифікація Dog показує, які позиції варто прибрати, не знижуючи виручку (зазвичай видалення 10% «собак» зменшує виручку менш ніж на 2%).
• Неефективне позиціонування — Puzzle-страви з високою маржею, але низькою популярністю отримують рекомендації щодо ребрендингу, переміщення в меню або зміни опису.

Як ми будуємо систему: стек та підхід

Ми використовуємо комбінацію класичного меню-інжинірингу (матриця BCG) та ML-моделей. Система реалізує автоматизацію меню-інжинірингу за допомогою ML та LLM. Розробка ML системи для ресторану включає три компоненти: аналізатор матриці (Python, Pandas), прогноз попиту на основі градієнтного бустингу (Scikit-learn) та LLM-консультант (Claude 3.5 Sonnet, Anthropic API).

1. Аналізатор матриці (Python, Pandas) — класифікує страви за 4 категоріями.
2. Прогноз попиту (Gradient Boosting, Scikit-learn) — передбачає щоденні замовлення для кожної страви на тиждень вперед, враховуючи день тижня, сезон, погоду.
3. LLM-консультант (Claude 3.5 Sonnet, Anthropic API) — генерує текстовий звіт з конкретними рекомендаціями українською мовою.

Приклад реалізації коду — нижче. Ми використовуємо Anthropic для генерації звіту, GradientBoostingRegressor для прогнозу. Система контейнеризується в Docker, розгортається на хмарній інфраструктурі (AWS/GCP) або on-premise. Докладніше про матрицю BCG можна прочитати на Wikipedia.

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingRegressor
from anthropic import Anthropic
import json

class MenuEngineeringAnalyzer:
    """Класична матриця меню-інжинірингу + ML розширення"""

    def classify_menu_items(self, sales_data: pd.DataFrame) -> pd.DataFrame:
        """
        Матриця Boston Consulting Group для меню:
        - Stars: висока маржа + висока популярність → зберігаємо, просуваємо
        - Puzzles: висока маржа + низька популярність → перейменувати/перемістити
        - Plowhorses: низька маржа + висока популярність → знизити собівартість
        - Dogs: низька маржа + низька популярність → прибираємо
        """
        df = sales_data.copy()

        # Нормалізовані метрики
        median_popularity = df['orders_count'].median()
        median_margin = df['contribution_margin_pct'].median()

        df['high_popularity'] = df['orders_count'] > median_popularity
        df['high_margin'] = df['contribution_margin_pct'] > median_margin

        def classify(row):
            if row['high_popularity'] and row['high_margin']:
                return 'star'
            elif not row['high_popularity'] and row['high_margin']:
                return 'puzzle'
            elif row['high_popularity'] and not row['high_margin']:
                return 'plowhorse'
            else:
                return 'dog'

        df['category'] = df.apply(classify, axis=1)

        # Додаткові метрики
        df['revenue_share'] = df['total_revenue'] / df['total_revenue'].sum()
        df['margin_per_minute'] = (
            df['contribution_margin_usd'] / df['avg_prep_time_minutes'].clip(1)
        )

        return df.sort_values(['category', 'contribution_margin_usd'], ascending=[True, False])

    def compute_menu_mix_impact(self, items: pd.DataFrame) -> dict:
        """Що станеться з виручкою при зміні меню"""
        stars = items[items['category'] == 'star']
        dogs = items[items['category'] == 'dog']
        puzzles = items[items['category'] == 'puzzle']

        return {
            'stars_revenue_share': stars['revenue_share'].sum(),
            'dogs_revenue_share': dogs['revenue_share'].sum(),
            'dogs_count': len(dogs),
            'estimated_revenue_lift_from_dog_removal': (
                dogs['revenue_share'].sum() * 0.6  # 60% замовлень перейде на зірки
            ),
            'puzzles_reposition_opportunity': len(puzzles)
        }


class DemandForecastForMenu:
    """Прогноз попиту на страви для закупівель"""

    def __init__(self):
        self.models = {}

    def train_item_model(self, item_id: str, sales_history: pd.DataFrame):
        """Модель прогнозу для конкретної страви"""
        if len(sales_history) < 60:
            return

        features = self._build_features(sales_history)
        y = sales_history['orders_count']

        self.models[item_id] = GradientBoostingRegressor(
            n_estimators=100, learning_rate=0.1, random_state=42
        )
        self.models[item_id].fit(features, y)

    def _build_features(self, df: pd.DataFrame) -> pd.DataFrame:
        return pd.DataFrame({
            'weekday': df['date'].dt.weekday,
            'month': df['date'].dt.month,
            'is_weekend': (df['date'].dt.weekday >= 5).astype(int),
            'is_holiday': df.get('is_holiday', 0),
            'temperature': df.get('temperature_c', 15),
            'is_raining': df.get('is_raining', 0),
            'lag_7d': df['orders_count'].shift(7).fillna(0),
            'lag_14d': df['orders_count'].shift(14).fillna(0),
            'rolling_mean_7d': df['orders_count'].rolling(7).mean().fillna(0),
            'special_event': df.get('special_event', 0),
        }).fillna(0)

    def forecast_week(self, item_id: str,
                       next_7_days: pd.DataFrame) -> dict:
        """Прогноз замовлень на тиждень для управління запасами"""
        if item_id not in self.models:
            return {'error': 'No model trained'}

        features = self._build_features(next_7_days)
        daily_forecast = self.models[item_id].predict(features).clip(0)

        return {
            'item_id': item_id,
            'daily_forecast': daily_forecast.round().astype(int).tolist(),
            'total_week': int(daily_forecast.sum()),
            'peak_day': next_7_days['date'].iloc[daily_forecast.argmax()].strftime('%A'),
            'confidence': 'high' if item_id in self.models else 'low'
        }


class MenuAIAdvisor:
    """LLM-консультант з оптимізації меню"""

    def __init__(self):
        self.llm = Anthropic()

    def generate_optimization_report(self, menu_analysis: pd.DataFrame,
                                      restaurant_concept: str,
                                      season: str) -> str:
        """Звіт з рекомендаціями щодо меню"""
        stars = menu_analysis[menu_analysis['category'] == 'star'][['item_name', 'revenue_share']].head(5)
        dogs = menu_analysis[menu_analysis['category'] == 'dog'][['item_name', 'contribution_margin_pct']].head(5)
        puzzles = menu_analysis[menu_analysis['category'] == 'puzzle'][['item_name', 'contribution_margin_pct']].head(3)

        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=500,
            messages=[{
                "role": "user",
                "content": f"""You're a restaurant consultant. Provide menu optimization recommendations.

Restaurant concept: {restaurant_concept}
Season: {season}

Stars (keep & promote): {stars.to_dict('records')}
Dogs (consider removing): {dogs.to_dict('records')}
Puzzles (reposition/rename): {puzzles.to_dict('records')}

Provide specific recommendations in Ukrainian:
1. Which dogs to remove and why
2. How to reposition puzzle items (name changes, placement, description)
3. How to leverage stars better
4. 2-3 seasonal items to consider adding
5. Pricing adjustments for plowhorses

Be specific. 3-4 paragraphs."""
            }]
        )
        return response.content[0].text

    def suggest_new_items(self, current_menu: list[str],
                           trending_ingredients: list[str],
                           cuisine_type: str) -> list[dict]:
        """Пропозиції нових страв на основі трендів"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=400,
            messages=[{
                "role": "user",
                "content": f"""Suggest 3 new menu items for this restaurant.

Cuisine: {cuisine_type}
Current menu (sample): {current_menu[:10]}
Trending ingredients: {trending_ingredients[:8]}

For each item return JSON:
{{"name": "...", "description": "...", "main_ingredients": [...], "estimated_food_cost_pct": 25-35, "positioning": "starter|main|dessert"}}

Return JSON array. Suggest items that complement the current menu."""
            }]
        )
        try:
            return json.loads(response.content[0].text)
        except Exception:
            return []

Що входить в роботу?

Результати та метрики

Терміни та вартість

Система розробляється під ключ за 2-4 тижні залежно від кількості точок та доступності даних. Вартість розраховується індивідуально після аудиту. Ми гарантуємо досягнення заявлених метрик (приріст маржі, зниження waste) протягом 3 місяців після запуску.

Більше 7 років досвіду в ML-рішеннях для HoReCa, 30+ успішних проєктів. Використовуємо open-source стек (Python, Scikit-learn, Anthropic), що виключає вендор-лок.

Зв'яжіться з нами для безкоштовного демо-аналізу вашого меню. Замовте пілотний проєкт, щоб обговорити впровадження.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Більше про математику рекомендаційних систем — у Wikipedia.