Кейс: как нейросеть сократила списание продуктов в пекарне на 40%

Шаг 1. Почему пекарня теряла 40% теста каждую неделю

В начале 2026 года сеть пекарен «Хлеб да Соль» (8 точек в Москве) столкнулась с классической болью ритейла: списание продуктов достигало 18% от оборота. Каждое утро менеджеры гадали, сколько багетов и круассанов испечь. Результат — горы чёрствого хлеба или злые клиенты, уходящие без любимой выпечки. Мы подключили ИИ прогнозирование спроса на платформе OpaGPT, и за 6 недель списание упало на 40%.

Типичная ошибка: считать, что «опытный пекарь знает лучше». В реальности человеческий глаз не улавливает сложные паттерны сезонности — например, всплеск спроса на ржаной хлеб в дождливый четверг.

Шаг 2. Собираем данные, которые нейросеть съест на завтрак

Мы не стали усложнять: собрали три слоя информации. Первый — прогнозирование продаж AI на основе кассовых чеков за 14 месяцев. Второй — внешние факторы: температура, осадки, день недели, школьные каникулы. Третий — акции и динамическое ценообразование конкурентов. Всё это скормили модели, обученной на задачу минимизации food waste.

Пример: в марте 2026 года нейросеть заметила, что в солнечные выходные спрос на слойки с вишней растёт на 27%, а в дождливые — падает на 15%. Раньше пекарня пекла одинаково — теперь подстраивается.

Шаг 3. Интеграция с кассой — безболезненный апгрейд

Мы подключили API OpaGPT к облачной кассовой системе. Каждые 4 часа нейросеть получает свежие данные о продажах и остатках. Управление остатками стало автоматическим: модель выдаёт рекомендации «испечь 48 батонов вместо 72» с точностью 94%. Интеграция заняла 3 дня — никаких переписываний кода, только настройка webhook-ов.

Типичная ошибка: пытаться внедрить нейросеть без обратной связи. Если менеджер игнорирует рекомендации, модель должна это видеть и учиться.

Шаг 4. Первая неделя: шок и недоверие пекарей

Когда модель сказала испечь на 30% меньше круассанов, пекари возмутились: «У нас всегда так было!». Но мы ввели правило: 3 дня тестового режима без принуждения. Результат: списание круассанов упало с 22% до 9%, а пустых полок не было. Анализ сезонности выявил, что по вторникам спрос на выпечку с джемом ниже на 18% — раньше об этом никто не догадывался.

Шаг 5. Динамическое ценообразование — добиваем списание

Через 2 недели мы подключили модуль динамического ценообразования. Если нейросеть видит, что к 16:00 осталось 15 буханок бородинского, а спрос низкий — цена автоматически снижается на 20%. Это сработало: 70% «проблемного» хлеба уходило по акции, а не в мусор. Важно: скидка не превышала 30%, чтобы не обесценивать бренд.

Пример: в феврале 2026 года, когда ударили морозы, модель подняла цену на согревающие пирожки с мясом на 12% — спрос вырос, а списания не было.

Шаг 6. Предиктивная аналитика FMCG — взгляд на месяц вперёд

Через месяц мы включили предиктивную аналитику FMCG. Нейросеть начала строить прогноз на 4 недели вперёд, учитывая предстоящие праздники (8 марта, Пасху) и даже забастовки поставщиков муки. Это позволило заранее корректировать заказы у поставщиков. Например, на неделю перед 8 марта модель увеличила заказ на 25% больше, чем планировал закупщик — и все 100% ушли без списания.

Типичная ошибка: доверять прогнозу слепо. Если в городе ЧП (отключение воды, авария), нейросеть не знает — нужна ручная блокировка.

Шаг 7. Масштабирование на 8 пекарен — уроки масштаба

После пилота на одной точке мы развернули модель на все 8 пекарен. Управление остатками стало централизованным: каждая пекарня получает свой прогноз, но данные стекаются в единое окно. Списание в среднем сократилось на 40%, а на точке с самым высоким трафиком — на 52%. Экономия за квартал составила 1,2 млн рублей.

Шаг 8. Как избежать food waste в праздники — кейс 8 марта

Праздники — ад для пекарен. В 2025 году списание после 8 марта достигло 35% по некоторым позициям. В 2026 году нейросеть минимизация food waste сработала идеально: за 5 дней до праздника модель снизила производство тортов на 20%, а за 2 дня — увеличила выпуск мини-пирожных на 40%. В итоге списание составило всего 6%, а клиенты были довольны.

Шаг 9. Чему научились за 6 недель — главные инсайты

Во-первых, ИИ прогнозирование спроса не терпит «грязных» данных. Если в кассе пробивают «хлеб» вместо «багет французский», точность падает. Во-вторых, сотрудники должны понимать, что нейросеть — помощник, а не замена. Мы проводили 15-минутные тренинги перед запуском. В-третьих, прогнозирование продаж AI даёт максимальный эффект в паре с динамическим ценообразованием — это два двигателя одной системы.

Шаг 10. Что делать, если хотите повторить наш результат

Возьмите за правило: не пытайтесь объять необъятное. Начните с 3-5 SKU, которые приносят 80% списания. Подключите интеграцию с кассой, дайте модели 2 недели на обучение и только потом внедряйте динамическое ценообразование. Предиктивная аналитика FMCG окупается за 3-4 месяца. Главное — не бойтесь первого отрицательного результата: наша модель ошиблась на 12% в первую неделю, но уже через месяц точность достигла 93%.