OpaGPT ИИ-дегустатор: алгоритм оптимизации закупок для ресторана
Современный ИИ способен не только анализировать продажи, но и предсказывать вкусовые предпочтения гостей. Предлагаю методику «Вкусовой прогноз», которая снижает списания продуктов на 15–20% и повышает точность закупок до 90%. Система использует данные кассовых чеков, сезонность и отзывы с агрегаторов.
Шаг 1. Сбор и нормализация данных
Соберите историю продаж за 12–24 месяца. Разделите блюда по категориям: холодные закуски, супы, горячее, десерты. Для каждого блюда зафиксируйте:
- количество порций в день (среднее и стандартное отклонение);
- индекс сезонности (например, окрошка — лето, борщ — зима);
- рейтинг блюда на Яндекс.Картах и в Instagram-геолокации (от 1 до 5).
Загрузите данные в Google Colab или Excel с надстройкой «Анализ данных». Нормализуйте значения: приведите рейтинг к шкале 0–1, а продажи — к дневной доле от общего оборота.
Шаг 2. Построение модели прогноза спроса
Используйте библиотеку Python (scikit-learn) или готовый сервис типа Yandex DataSphere. Обучите модель градиентного бустинга (XGBoost) с параметрами:
- глубина дерева — 4–6;
- скорость обучения — 0.05–0.1;
- количество деревьев — 300–500;
- валидационная выборка — 20% от данных.
В качестве признаков используйте: день недели, праздничный флаг, температура воздуха, рейтинг блюда, наличие акции. Целевая переменная — количество порций на следующий день.
Шаг 3. Вкусовой профиль и корректировка закупок
ИИ-дегустатор анализирует сочетаемость ингредиентов. Для каждого блюда создайте вектор вкусов: сладость, соленость, кислота, острота, умами (по шкале 0–10). На основе отзывов гостей модель корректирует рецептуру:
- Если рейтинг блюда ниже 3.5, ИИ предлагает заменить один ингредиент (например, больше специй или меньше соли).
- Рассчитайте потребность в каждом продукте: умножьте прогноз порций на норму закладки (в граммах).
- Добавьте страховой запас 5–8% для скоропортящихся продуктов (молочка, зелень).
Шаг 4. Автоматизация заказа поставщику
Сформируйте таблицу закупок с точными параметрами:
| Продукт | Прогноз (кг) | Страховой запас | Итого заказ |
|---|---|---|---|
| Томаты | 12.5 | 0.6 | 13.1 |
| Сыр моцарелла | 8.2 | 0.4 | 8.6 |
| Базилик | 1.1 | 0.1 | 1.2 |
Интегрируйте вывод с ERP-системой (например, iiko или R-Keeper) через API. Установите автоматическую отправку заказа поставщику каждое утро в 7:00.
Практические советы
- Начинайте с 5–7 самых популярных блюд — это даст быстрый эффект.
- Обновляйте модель каждые 2 недели, чтобы учитывать новые тренды.
- Используйте нейросеть для анализа фото блюд в соцсетях: если блюдо часто фотографируют, увеличьте закупку на 10%.
- Проводите слепые дегустации с участием ИИ: сравните прогноз модели с оценкой шеф-повара.
Важно: ИИ не заменяет дегустатора, а усиливает его — модель предлагает варианты, а человек принимает финальное решение.