Розробка AI-системи прогнозування попиту для ресторанів

Розробка AI-системи прогнозування попиту для ресторанів

Кожного ранку шеф-кухар гадає: скільки порцій лосося приготувати? А керуючий — скільки офіціантів поставити на вечірню зміну? Помилка в будь-який бік — гроші на вітер. Ми вирішуємо це завдання за допомогою ML. Наша компанія має 5+ років підтвердженого досвіду в AI для ресторанів, виконано понад 40 проєктів — від кав'ярень до fine dining. Ми гарантуємо зниження food waste на 20-30% та labour cost на 5-10%. Наприклад, типова економія — до $2000 щомісяця для ресторану на 100 посадкових місць. Середнє зниження food waste на 25% економить $24,000 на рік для ресторану з витратами на продукти $100,000 на рік.

Проблеми, які ми вирішуємо

Перевиробництво та списання

До 15% закупівель іде у смітник, якщо орієнтуватися на «чуття». AI враховує 20+ факторів: день тижня, погоду, свята, бронювання, промоакції, навіть вірусні пости в TikTok.

Нестача персоналу

У п'ятницю ввечері відвідувачів на 40% більше, ніж у середу, а графік складено за середнім — звідси тривале обслуговування та негативні відгуки. Staffing forecast з точністю 85-90% підказує, скільки кухарів та офіціантів потрібно на кожен 30-хвилинний слот.

Затоварення швидкопсувними продуктами

Інгредієнти з коротким терміном придатності (зелень, морепродукти) — основна стаття втрат. Система динамічно коригує замовлення з урахуванням залишків та прогнозу.

Чому AI, а не традиційні методи?

Експертні таблиці або «досвідчений» менеджер дають помилку до 30% на наступний день. ML-модель враховує нелінійні залежності: наприклад, дощовий вівторок після трьох сонячних дає зниження на 15%, але якщо в сусідньому ТЦ виставка — навпаки сплеск. За даними BCG, ресторани з AI-прогнозом скорочують відходи в середньому на 25%. У порівнянні з традиційним методом, AI прогнозує в 3 рази точніше для наступного дня.

Порівняємо точність на реальних даних (ресторан італійської кухні, 200 посадкових місць):

ML-модель передбачає втричі точніше, ніж ручний розрахунок. На практиці це означає економію до 15% від витрат на закупівлі для ресторану на 100 посадкових місць. Зв'яжіться з нами для попереднього аудиту — ми оцінимо потенціал економії для вашого ресторану за два робочі дні.

Як ми це робимо: стек та приклад кейсу

Стек: Python, LightGBM / XGBoost, SARIMAX для сезонності, PostgreSQL + TimescaleDB, FastAPI для інференсу, Grafana для дашбордів. Використовуємо ансамбль моделей з автоматичним тюнінгом гіперпараметрів (Optuna) та крос-валідацією TimeSeriesSplit. Вбудовуємось у вашу інфраструктуру: економія на списаннях досягає 25% від закупівель, що окупає впровадження за 2-4 місяці.

Кейс: Мережа ресторанів (наш клієнт)

Один з наших клієнтів, мережа з 12 ресторанів у Москві — до впровадження списання 14% від закупівель. Після — 9,5% (зниження на 32%). Проєкт зайняв 4 місяці з dish-level прогнозом. Шеф-кухарі отримують вранці план mise en place на день, керуючі — staffing на три дні вперед. Інтеграція з iiko через SQL view.

Як ми інтегруємося з вашою POS-системою?

Ми підключаємося до POS (iiko, r_keeper, Tillypad, Square, Toast) та резервних систем (Яндекс, OpenTable). Pipeline:

1. Щоденний імпорт вчорашніх даних (07:00)
2. Перерахунок прогнозу на 14 днів вперед
3. Відправка звітів: шеф-кухарю (mise en place), керуючому (staffing), закупівнику (SOQ)

Що входить у роботу (deliverables)

• ETL-пайплайн для збору та очищення даних з POS, погоди, подій
• ML-модель прогнозу cover count (MAPE <10%) + dish demand (MAPE <15%)
• API для інтеграції з системами розкладу та закупівель
• Дашборд у Grafana з реальними метриками та трендами
• Документація архітектури та інструкції з експлуатації
• Навчання керуючого та шеф-кухаря (2 дні + техпідтримка місяць)

Терміни: пілот (cover + staffing) — 4-5 тижнів. Повна система з dish-level, waste tracking та POS — 3-4 місяці. Вартість розраховуємо індивідуально після аудиту — зв'яжіться, оцінимо проєкт за два дні.

Staffing Optimization з прикладом коду

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
    }

Інтеграція з Jowi або BambooHR — зміни створюються автоматично. Жодного ручного планування.

Waste Reduction: точні закупівлі

Safe Order Quantity: замовляємо не середнє, а 90-й процентиль розподілу прогнозу. Легкий перебір — можна пустити на компліменти або завтра, але ніколи не закінчиться популярна страва в розпал вечері.

Shelf life management: якщо прогноз на конкретний інгредієнт низький, а термін придатності підтискає — система пропонує включити його в страву дня зі знижкою.

IoT-ваги на сміттєвих баках: фіксуємо фактичні списання, замикаємо контур зворотного зв'язку. Модель перенавчається щотижня.

Як ми будуємо прогноз: покроково

1. Збір даних — POS, погода, заходи, соцмережі за останні 12+ місяців.
2. Очищення та агрегація — видалення викидів, приведення до єдиного формату.
3. Інжиніринг ознак — лаги, ковзні середні, one-hot кодування.
4. Навчання моделі — LightGBM з крос-валідацією за часовими рядами (TimeSeriesSplit).
5. Інференс та моніторинг — щоденний перерахунок з контролем якості.

Замовте консультацію — ми допоможемо вам впровадити прогнозування та скоротити втрати.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.