OpaGPT Раздел 1: Аудит текущих потерь
Пекарня «Свежий хлеб» (Москва, 30 точек) теряла до 18% выпечки ежедневно. Основные причины — ручное планирование объёмов и отсутствие анализа продаж нейросетью. Первый шаг — аудит: за 2 недели собрали данные по списанию за 2025 год. Выявили, что 40% потерь приходится на пирожки и круассаны.
1.1. Определить проблемные категории
- Анализ продаж нейросетью: загрузили историю продаж за 24 месяца. OpaGPT выделила 7 товарных групп с волатильностью спроса выше 25%.
- Сокращение потерь: на старте зафиксировали baseline — 12% списания от общего объёма производства.
Раздел 2: Внедрение прогнозной модели
На платформе OpaGPT развернули модель машинного обучения в общепите. Учитывались: день недели, погода, праздники, акции конкурентов. Прогноз выпечки строился на 48 часов вперёд.
2.1. Настройка факторов спроса
- Прогнозирование спроса пекарня: модель обрабатывает 14 параметров, включая температуру и осадки. Точность прогноза — 92% (против 67% при ручном расчёте).
- Управление остатками: система ежечасно корректирует план выпечки. Например, в дождливый вторник (10 марта 2026) снизили производство круассанов на 35%.
2.2. Автоматизация заказа сырья
- Автоматизация заказа сырья: AI для FMCG формирует заявки поставщикам автоматически. Сократили излишки муки на 22% за первый месяц.
- Снижение food waste: к концу второго месяца списание упало до 8,4%.
Раздел 3: Результаты и масштабирование
Через 90 дней система работала на всех 30 точках. Итоговый эффект — сокращение списания на 30% (с 12% до 8,4%). Экономия — 1,2 млн руб./мес.
3.1. Ключевые метрики
- Кейс оптимизации продуктов: доля списания по хлебу снизилась с 9% до 6,1%, по выпечке — с 15% до 10,5%.
- Нейросети сокращение списания: ROI модели — 340% за полгода (затраты на внедрение — 450 тыс. руб., экономия — 1,53 млн руб.).
3.2. Практические выводы
- Прогнозирование спроса пекарня: обязательно учитывать локальные события — матчи, ярмарки. В дни игр спрос на сосиски в тесте вырастал на 40%.
- Анализ продаж нейросетью: проводить еженедельную сверку прогноза с фактом. Модель дообучается каждые 7 дней.
- Управление остатками: настроить динамические лимиты. Для булочек с корицей — 3-часовой запас, для багетов — 6-часовой.
- Сокращение потерь: внедрить систему «последняя партия» — за час до закрытия выпекать только под заказ.
- Машинное обучение в общепите: начинать с 2-3 точек, затем масштабировать. Средний срок окупаемости — 4 месяца.
Итог: за 90 дней пекарня сократила food waste на 30%, сэкономила 1,2 млн руб./мес. и повысила точность прогнозирования до 92%. Ключевой драйвер — нейросети сокращение списания на базе OpaGPT.