OpaGPT ИИ-шеф-повар: алгоритм создания рентабельного меню
В условиях дефицита кадров и роста себестоимости продуктов, ресторатору критически важно принимать решения на основе данных, а не интуиции. Искусственный интеллект позволяет прогнозировать спрос, оптимизировать фудкост и выявлять блюда-«звёзды» ещё до запуска. Предлагаю практичную методику внедрения ИИ в процесс составления меню для ресторана или кафе.
Шаг 1. Сбор и нормализация данных (3–5 дней)
Соберите историю продаж за последние 12–24 месяца из POS-системы, данные о сезонности, погоде, локальных праздниках и маркетинговых акциях. Выгрузите в CSV-формат с колонками: дата, день недели, блюдо, кат��гория, количество продаж, выручка, себестоимость, остатки ингредиентов. Очистите данные от выбросов (например, массовые списания при аварии).
Шаг 2. Прогнозирование спроса (1–2 дня)
Используйте библиотеки машинного обучения (Python: Prophet, scikit-learn) или готовые платформы (Yandex DataLens, Power BI с AI-модулями). Обучите модель на 80% данных, проверьте на 20% (метрика MAPE — не более 15%). Параметры модели: сезонность — 7 дней, тренд — 30 дней, праздничные эффекты — бинарные фичи. На выходе получите прогноз продаж по каждому блюду на 14 дней вперёд.
Шаг 3. Оптимизация ассортимента (2–3 дня)
Рассчитайте для каждого блюда маржинальную прибыль = (цена - себестоимость) × прогноз продаж. Постройте матрицу «популярность × прибыльность» (ось X — прогноз, ось Y — маржа). Разделите на 4 квадранта:
- Звёзды (высокий спрос, высокая маржа) — оставить, усилить промо.
- Дойные коровы (высокий спрос, низкая маржа) — повысить цену на 5–7% или заменить дорогие ингредиенты.
- Загадки (низкий спрос, высокая маржа) — добавить в дегустационные сеты, снизить цену на 10%.
- Собаки (низкий спрос, низкая маржа) — исключить из меню.
Шаг 4. Генерация и тестирование новых позиций
Используйте LLM (GPT-4, YandexGPT) для генерации 10–15 вариантов блюд на основе текущих остатков и трендов (например, «сделайте 5 вариантов пасты с морепродуктами, используя креветки и кальмары»). Затем примените алгоритм «виртуальный шеф»: для каждого варианта рассчитайте прогноз спроса через модель из шага 2, подставив схожие по ингредиентам блюда. Отберите 3–5 вариантов с прогнозом продаж выше медианы.
Шаг 5. A/B-тест в реальном времени (7–14 дней)
Введите новые позиции в меню с пометкой «новинка». Сравнивайте фактический спрос с прогнозом ИИ. Если отклонение менее 20% — оставляйте, если более — корректируйте цену или рецептуру. Обновляйте модель еженедельно.
«ИИ не заменяет вкус шефа, но даёт ему хрустальный шар: вы видите, какое блюдо принесёт прибыль через месяц, ещё до того, как потратите бюджет на закупку продуктов».
Ключевые параметры для внедрения
| Параметр | Рекомендуемое значение |
|---|---|
| Горизонт прогноза | 14 дней |
| Частота обновления модели | Еженедельно |
| Минимальный размер выборки | 500 транзакций на блюдо |
| Допустимая ошибка прогноза (MAPE) | ≤ 15% |
| Доля новых блюд в меню | 10–15% |
Советы по внедрению
- Начните с 3–5 самых продаваемых категорий (например, супы, горячее), не пытайтесь охватить всё сразу.
- Интегрируйте ИИ с системой закупок: автоматически формируйте заказ на основе прогноза и остатков.
- Обучите персонал: повара должны понимать, что ИИ — это помощник, а не замена их креативности.
- Фиксируйте «почему»: если модель ошиблась, записывайте причину (акция конкурента, отзыв в соцсетях) — это улучшит точность.