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):
| Горизонт | Традиційний (експерт) | AI (LightGBM) | Різниця |
|---|---|---|---|
| Завтра | ±25% | ±8% | в 3× точніше |
| Тиждень | ±40% | ±15% | в 2.7× точніше |
| Місяць | ±60% | ±25% | в 2.4× точніше |
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:
- Щоденний імпорт вчорашніх даних (07:00)
- Перерахунок прогнозу на 14 днів вперед
- 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.
| Тип даних | Джерело | Частота | Вплив на точність |
|---|---|---|---|
| Історія продажів | POS | Щоденно | Високе |
| Бронювання | OpenTable, Яндекс | У реальному часі | Середнє |
| Погода | OpenWeatherMap | Щогодини | Середнє |
| Події | Event-API | Щоденно | Низьке, але значуще |
Приклад розгортання
Типовий проєкт включає сервер на Linux (Ubuntu LTS), розгортання в Docker-контейнерах, база даних PostgreSQL з TimescaleDB. CI/CD через GitLab pipelines. Моніторинг — Prometheus + Grafana.Як ми будуємо прогноз: покроково
- Збір даних — POS, погода, заходи, соцмережі за останні 12+ місяців.
- Очищення та агрегація — видалення викидів, приведення до єдиного формату.
- Інжиніринг ознак — лаги, ковзні середні, one-hot кодування.
- Навчання моделі — LightGBM з крос-валідацією за часовими рядами (TimeSeriesSplit).
- Інференс та моніторинг — щоденний перерахунок з контролем якості.
Замовте консультацію — ми допоможемо вам впровадити прогнозування та скоротити втрати.