Прогнозирование закупок в ресторане: от интуиции к алгоритмам

«Закажу как обычно» — самая дорогая фраза в ресторанном бизнесе. Шеф-повар, который закупает продукты «на глаз», систематически либо выбрасывает продукты, либо сталкивается с их нехваткой в пиковый момент.

Почему интуиция не работает

Человеческий мозг плохо учитывает одновременно:

• День недели и время года
• Погоду (в дождь заказов на доставку на 40% больше)
• Локальные события (концерт в 500 метрах = +60% трафика)
• Остатки на складе по каждой позиции
• Сроки годности
• Время доставки поставщика

Алгоритм учитывает всё это автоматически.

Уровни прогнозирования

Уровень 1: Историческое среднее

Самый простой метод. Берём продажи за последние 4 недели в тот же день недели и выводим среднее.

Пример: пятницы за 4 недели продали 45, 52, 48, 51 порцию стейка → закупаем на 50 порций.

Погрешность: 15–20%. Лучше, чем интуиция, но не учитывает тренды и сезонность.

Уровень 2: Взвешенное среднее с коэффициентами

Добавляем коэффициенты сезонности, праздников, погоды.

Погрешность: 8–12%.

Уровень 3: ML-прогнозирование

Модель обучается на всей истории продаж с учётом десятков факторов. С каждой неделей точность растёт.

Погрешность: 4–7%.

Что нужно для внедрения прогнозирования

Данные: минимум 3–6 месяцев истории продаж по блюдам. Без данных алгоритм не работает.

Связка с меню: каждое блюдо должно быть привязано к ингредиентам (ТК). Иначе прогноз продаж нельзя перевести в прогноз закупок.

Связка со складом: алгоритм должен знать текущие остатки, чтобы не заказывать то, чего и так достаточно.

Реальный кейс: снижение food waste

Московская сеть из 3 ресторанов итальянской кухни внедрила AI-прогнозирование:

• До: food waste 9% от выручки = 180 000 руб/месяц на выброс
• После 3 месяцев: food waste 3,5% = 70 000 руб/месяц
• Экономия: 110 000 руб/месяц

При этом случаи «блюдо закончилось» сократились с 3–4 раз в неделю до 1–2 раз в месяц.

Как начать без дорогих систем

Шаг 1. Ведите учёт продаж по блюдам — в любой системе (даже в Excel, хотя это неудобно).

Шаг 2. Заведите ТК для всех блюд с нормами ингредиентов.

Шаг 3. Еженедельно анализируйте расхождение между прогнозом (историческое среднее) и фактом.

Шаг 4. Подключите систему с AI-прогнозированием как только наберёте 3+ месяца данных.

RestPilot начинает прогнозировать закупки сразу после подключения кассы, постепенно улучшая точность по мере накопления данных.