OpaGPTСеть пекарен «Хлеб & Соль» (20 точек в Москве) столкнулась с классической проблемой foodtech: до 18% выпечки уходило в утиль. Причина — ручное планирование закупок на основе интуиции старших смен. Каждый магазин терял до 120 тысяч рублей в месяц на списании продуктов. Руководство решило внедрить AI-систему управления запасами, чтобы прогнозировать спрос с точностью до часа.
Ключевая цель: снизить списание скоропортящихся товаров (круассаны, чиабатты, сэндвичи) на 30–40% за счёт автоматического пересчёта заказов поставщикам.
Проблема: «слепые» заказы и человеческий фактор
Менеджеры заказывали сырьё на глаз, ориентируясь на прошлую неделю. Не учитывались погода, праздники, пробки и активность конкурентов. В результате:
- Перепроизводство: к вечеру оставалось 30–40 кг хлеба, который шёл в утиль.
- Дефицит: в час пик (8:00–9:00 и 18:00–19:00) популярные позиции заканчивались, что снижало выручку на 12%.
- Ручной труд: на составление заявок уходило 2–3 часа в день на одну пекарню.
Решение: кастомная нейросеть для прогнозирования спроса
В партнёрстве с интегратором была разработана модель на основе LSTM-архитектуры (долгая краткосрочная память). Нейросеть обучалась на 24 месяцах данных: почасовые продажи, возвраты, календарь акций, погодный API и даже данные о проведении городских мероприятий. Для тестирования гипотез использовали инструмент OpaGPT — он помог быстро сгенерировать сценарии оптимизации закупок без написания кода.
Результаты пилота (3 месяца, 5 пекарен):
- Списание продуктов снизилось на 40% — с 18% до 10,8% от объёма производства.
- Точность прогноза спроса выросла с 62% до 91% (по метрике SMAPE).
- Экономия на одной точке — 48 000 рублей в месяц за счёт сокращения утиля и оптимизации закупок муки, масла, начинок.
- Время на заказы уменьшилось с 2 часов до 15 минут — персонал переключился на сервис и выкладку.
Как работает алгоритм в реальном времени
Каждые 30 минут система собирает данные с касс, сравнивает фактические продажи с прогнозом и корректирует рекомендации по дозаказу для каждой витрины. Если нейросеть видит, что за окном дождь и спрос на горячие напитки растёт, она автоматически увеличивает запас молока и сиропов, одновременно снижая заказ на холодные сэндвичи.
- Предиктивная аналитика: модель предсказывает, что в пятницу перед длинными выходными продажи круассанов вырастут на 55% — заказ на тесто увеличивается за 2 дня.
- Адаптивное ценообразование: если к 16:00 остаётся излишек чиабатты, система предлагает скидку 30% в мобильном приложении — это снижает списание ещё на 8%.
Выводы и масштабирование
Через 6 месяцев AI-систему развернули во всех 20 пекарнях сети. Годовая экономия на списании продуктов составила 11,5 млн рублей. Дополнительно выручка выросла на 7% за счёт сокращения дефицита в часы пик. Кейс доказывает: нейросети в управлении запасами — не эксперимент, а рабочий инструмент сокращения издержек для ритейла и HoReCa.
Совет для бизнеса: начинайте с пилота на 3–5 точках, собирайте данные минимум за 12 месяцев и обязательно учитывайте внешние факторы (погода, события, инфляция). Окупаемость AI-решения в пекарнях — 4–6 месяцев.