OpaGPT ИИ для сомелье: алгоритм создания винной карты, которая продаёт
Современный ресторанный бизнес требует от сомелье не только глубоких знаний о виноделии, но и умения работать с данными. ИИ для сомелье — это не замена экспертизы, а инструмент, который усиливает её. Предлагаю практическую методику из 5 шагов, которая позволяет составить меню, увеличивающее средний чек на 15–20%.
Шаг 1. Сбор и структурирование данных (3–5 дней)
Соберите историю продаж за последние 12 месяцев. Разбейте на категории: вино по бокалам, бутылки, дегустационные сеты. Для каждого наименования зафиксируйте:
- Среднюю цену продажи и себестоимость;
- Скорость оборачиваемости (продано за месяц);
- Сезонность (пик продаж по месяцам);
- Сочетаемость с блюдами (по данным кассовых чеков).
Загрузите данные в любую ML-платформу (например, Python + библиотека scikit-learn или готовый сервис типа DataRobot).
Шаг 2. Кластеризация вин по поведенческим паттернам (2–3 дня)
Используйте алгоритм K-Means с параметрами: k=4–6 кластеров, метрика — евклидово расстояние. На выходе получите группы:
- «Быстрые» вина — продаются за 2–3 дня, высокая маржа;
- «Долгие» вина — лежат более 30 дней, низкая оборачиваемость;
- «Сезонные» — пик в определённые месяцы;
- «Парадоксальные» — часто сочетаются с неожиданными блюдами.
Совет: для каждого кластера з��дайте порог — если вино попадает в «долгие» и не является винтажным, его нужно заменить или добавить в винные ужины.
Шаг 3. Генерация рекомендаций по позициям (1 день)
Обучите модель на основе матрицы сочетаемости «блюдо-вино». Для этого используйте алгоритм коллаборативной фильтрации (например, ALS из Spark). Входные данные: пары «блюдо + вино» из чеков. На выходе получите рекомендации для каждого блюда:
Пример: для тартара из говядины модель предложит не классический Пино Нуар, а Гаме из Божоле — на основе данных, что гости, заказывающие тартар, чаще берут именно его.
Параметры: глубина рекомендаций — 3 вина на блюдо, минимальная поддержка — 5 повторений пары в чеке.
Шаг 4. Оптимизация цен и маржинальности (2–3 часа)
Постройте эластичность спроса для каждой позиции. Используйте линейную регрессию: зависимая переменная — количество продаж, независимые — цена, день недели, сезон. Для каждой позиции рассчитайте оптимальную цену, при которой маржинальность максимальна. Например:
| Вино | Текущая цена | Оптимальная цена | Изменение маржи |
|---|---|---|---|
| Шабли 1er Cru | 4500 ₽ | 5200 ₽ | +18% |
| Кьянти Классико | 2800 ₽ | 2600 ₽ | +9% (рост продаж) |
Совет: не меняйте цены чаще, чем раз в квартал, чтобы не сбивать ожидания гостей.
Шаг 5. Формирование итоговой карты и A/B-тест (1–2 недели)
Соберите итоговое меню: включите 70% позиций из «быстрых» и «сезонных» кластеров, 20% — из «парадоксальных» (они создают вау-эффект), 10% — оставьте для престижа (редкие винтажи). Проведите A/B-тест: две недели работайте со старой картой, две — с новой. Сравните средний чек и % продаж вина к блюдам.
Ключевые метрики для контроля: оборачиваемость винной карты (норма — 1 раз в 30–45 дней), доля вина в выручке (цель — 25–35%), процент списаний (менее 2%).
ИИ не заменит ваш вкус, но даст точные цифры для решений. Начните с малого — проанализируйте только 20% самых продаваемых позиций, и вы увидите скрытые закономерности.