Ресторани втрачають до 30-40% закуплених продуктів — це прямі збитки та екологічне навантаження. За даними WRAP, британський рітейл щорічно втрачає £1,9 млрд на харчових відходах. Мережа пекарень після впровадження AI-системи заощадила $15 тис. на місяць за рахунок зниження відходів. В іншому проєкті для мережі ресторанів швидкого харчування економія склала €12 тис. на місяць.
Наша мета — скорочення харчових відходів. AI-система скорочує втрати через точне AI прогнозування попиту, динамічне ціноутворення, управління запасами та інтелектуальне ціноутворення. Команда реалізувала 20+ проєктів у рітейлі та громадському харчуванні, гарантуючи зниження харчових відходів на 20-35%. В одному проєкті для мережі пекарень ми скоротили відходи на 28% за 3 місяці, а виручка від знижкових продажів зросла на 18%. Наша команда має 7+ років досвіду в data science та retail, сертифікати від провідних вендорів. Понад 5 років на ринку розробки AI-рішень для рітейлю.
Які проблеми вирішує AI?
Основні джерела втрат: overproduction (приготовано більше, ніж продано), overordering (закуплено понад потребу), expiry (товар не проданий до закінчення терміну), spoilage (порушення умов зберігання). AI-система впливає на всі точки: прогноз попиту знижує overproduction, shelf-life aware replenishment бореться з expiry, динамічний маркдаун — з overordering.
Як shelf-life aware replenishment знижує списання на 15-25%
Стандартні методи прогнозу не враховують залишковий термін придатності. Ми застосовуємо shelf-life aware replenishment: при розрахунку замовлення враховується, скільки днів кожен продукт може ще пролежати на полиці. Залишок, який буде проданий до закінчення терміну мінус 2 дні, вважається sellable inventory. Net need = forecast - sellable_inventory. Такий підхід в 1.3 рази точніший за стандартний forecast-only метод і скорочує списання на 15-25%.
def shelf_life_adjusted_order(forecast, current_inventory, expiry_dates, min_shelf_life_at_sale=2): """ Остаток, который будет продан до истечения срока минус 2 дня = Sellable inventory Net need = forecast - sellable_inventory """ sellable = sum(qty for qty, exp in zip(current_inventory, expiry_dates) if (exp - today).days >= min_shelf_life_at_sale) return max(0, forecast - sellable) Чому динамічний маркдаун збільшує виручку в 1.4 рази порівняно з фіксованими знижками
Відзначимо: коли до закінчення терміну залишається мало днів, система автоматично знижує ціну, максимізуючи виручку від залишку. Використовується ймовірнісна модель: survival_model оцінює ймовірність продати всі одиниці за поточною ціною. Якщо ймовірність нижча за 80%, price_optimizer знаходить оптимальну знижку. Типові маркдауни: за 3 дні до закінчення — знижка 15%, за 1 день — 30%, в день закінчення — 50%. Застосування маркдауну товарів з терміном придатності дозволяє зменшити списання.
def calculate_markdown(current_price, days_remaining, daily_demand, units_remaining): """ Оптимальная скидка: максимизировать выручку от остатка при ограничении: продать всё до истечения срока """ prob_sell = survival_model.predict_proba(days_remaining, units_remaining, daily_demand) if prob_sell > 0.8: return 0 optimal_price = price_optimizer(daily_demand, price_elasticity, days_remaining, units_remaining) markdown_pct = (current_price - optimal_price) / current_price return markdown_pct Для ресторанів механізм адаптується в Daily Specials: AI генерує страви дня із залишків інгредієнтів з терміном, що спливає, підвищуючи маржу та скорочуючи відходи.
Навіщо потрібен IoT-моніторинг відходів?
Встановлення smart bin — вагів та камер над сміттєвими баками — дозволяє в реальному часі бачити, які продукти та чому викидаються. Шеф-кухар отримує щоденний звіт:
daily_waste_report = { 'total_kg': 12.3, 'value_usd': 45.80, 'top_wasted_items': [ {'item': 'Salmon', 'qty_kg': 2.1, 'cause': 'overproduction'}, {'item': 'Mixed salad', 'qty_kg': 1.8, 'cause': 'plate_waste'}, {'item': 'Croissants', 'qty_kg': 1.4, 'cause': 'expired'} ] } Це дозволяє оперативно коригувати закупівлі та меню. Наші інженери інтегрують дані з IoT у загальну платформу для відображення в дашбордах. Система підтримує інтеграцію з API донаційних платформ (FoodCloud, Too Good To Go), автоматично пропонуючи надлишки благодійним організаціям з урахуванням логістики та термінів.
Як розпочати впровадження?
- Аудит поточних втрат і потоків продукції
- Збір та очищення даних (транзакції, інвентаризації, терміни)
- Розробка прогнозної моделі з урахуванням сезонності та shelf-life
- Інтеграція з POS/ERP через REST API або файловий обмін
- Розгортання динамічного маркдауну та IoT-моніторингу
- Тестування на історичних даних та A/B-тести
- Промисловий запуск і навчання персоналу
- Пост-релізна підтримка та оптимізація
Очікувані результати
| Метрика | Типове покращення |
|---|---|
| Скорочення харчових відходів | 20-35% від baseline |
| Food Cost | зниження на 1-3 п.п. |
| Markdown recovery rate | 60-80% від вартості потенційно списаного |
| Waste per cover (ресторани) | зниження на 0.05-0.1 кг/гість |
| Етап | Тривалість |
|---|---|
| Базовий (forecast + markdown) | 4-5 тижнів |
| Повний (з IoT та донацією) | 3-4 місяці |
AI допомагає зменшити харчові втрати в рітейлі. Система сприяє оптимізації громадського харчування. Моделі demand forecasting використовуються для прогнозу. Food waste reduction є головною метою. Терміни розробки: базова система з demand forecast та markdown engine — від 4 тижнів. Повноцінна платформа з IoT та donation API — від 3 місяців. Вартість розраховується індивідуально. Замовте демо для вашого бізнесу — ми покажемо, як AI знижує ваші втрати. Отримайте консультацію без зобов'язань.