פיתוח מערכת אופטימיזציה לתפריט מסעדה מבוססת AI

מערכת אופטימיזציה של תפריט מסעדות מבוססת AI

הבעיה: מסעדות מפסידות עד 15% מההכנסות עקב תפריטים לא אופטימליים. מערכת האופטימיזציה שלנו לתפריט מסעדות מבוססת AI משלבת למידת מכונה לחיזוי ביקוש וניתוח מרווחי תפריט, ומשיגה דיוק חיזוי של 85%. לדוגמה, רשת מסעדות איטלקית עם 7 סניפים גילתה ש-40% מהפריטים תרמו רק 10% מההכנסות, בעוד שבזבוז המזון הגיע ל-12% מהרכישות. הנדסת תפריט מסורתית (מטריצת BCG) אינה מתחשבת בעונתיות, זמן הכנה או השפעה על המטבח. בנינו מערכת AI שמנתחת מכירות, מרווחים, ביקורות לקוחות, וחוזה ביקוש בדיוק של 85% — פי 5 טוב יותר מהערכות מומחים (60%). המערכת מסווגת מנות למטריצת כוכבים/חידות/סוסי עבודה/כלבים, מציעה שינויים, ומייצרת דוח בשפה טבעית באמצעות LLM. תוצאה: שיפור ברווח הגולמי ב-3-6 נקודות אחוז והפחתה של 15-25% בבזבוז מזון. עבור מסעדה עם הכנסה חודשית של $27k–39k, מדובר בתוספת של $1.1k–1.6k ברווח נקי חודשי (כ-$1,500), והפחתה של 20% בבזבוז מזון חוסכת עד $2.7k–3.9k בשנה ברכישות. המערכת מעבדת נתונים פי 50 מהר יותר מאדם: ניתוח 10,000 עסקאות לוקח שעתיים במקום 3-5 ימים. עלות הטמעה טיפוסית מתחילה ב-$8,000.

מדוע הנדסת תפריט מסורתית אינה מספיקה

רוב המסעדות מסתמכות על האינטואיציה של השף או על ניתוח ידני באקסל. זה איטי, סובייקטיבי, ולא ניתן להרחבה. רשת עם 10 סניפים דורשת ניתוח של אלפי עסקאות — שבוע עבודה לאדם, אבל שעה עבור AI. יתרה מזאת, ניתוח ידני מתעלם מהשפעת מזג האוויר, חגים ומבצעים על הביקוש. מערכת ה-AI שלנו, המאומנת על נתונים היסטוריים, חוזה ביקוש בדיוק של 85% (לעומת 60% להערכות מומחים).

כיצד מערכת ה-AI עוקפת ניתוח ידני פי 5

השוואה: הגישה המסורתית — מנהל מבלה 3-5 ימים בניתוח אקסל, התוצאות סובייקטיביות ומתיישנות תוך חודש. מערכת ה-AI שלנו מעבדת את אותם נתונים בשעתיים, וחיזוי הביקוש מתעדכן מדי יום. היא מתחשבת ביותר מ-15 גורמים: יום בשבוע, מזג אוויר, חגים, מבצעים, ואפילו ביקורות לקוחות. בזכות זאת, דיוק החיזוי מגיע ל-85-90% — פי 5 פחות שגיאות מחישובים ידניים. עבור ניהול מלאי, זה אומר 15-25% פחות עודפי מלאי ושיפור במחזור המלאי.

בעיות עיקריות שנפתרות

• בזבוז מזון גבוה — חיזוי ביקוש מאפשר רכישה מדויקת של כמויות חומרי גלם, תוך הימנעות מעודפים.
• מרווחים נמוכים — המערכת מזהה פריטים עם מרווח נמוך (סוסי עבודה) ומציעה אופטימיזציה של מתכון או מחיר.
• תפריט עמוס — סיווג "כלבים" מראה אילו פריטים להסיר מבלי להפחית הכנסות (בדרך כלל הסרת 10% מהכלבים מפחיתה הכנסות בפחות מ-2%).
• מיצוב לא יעיל — מנות "חידה" עם מרווח גבוה אך פופולריות נמוכה מקבלות המלצות לשינוי שם, מיצוב מחדש בתפריט או שינוי תיאורים.

כיצד אנו בונים את המערכת: טכנולוגיות וגישה

אנו משלבים הנדסת תפריט קלאסית (מטריצת BCG) עם מודלי ML. המערכת מיישמת אוטומציה של הנדסת תפריט באמצעות ML ו-LLM. פיתוח מערכת ML למסעדות כולל שלושה רכיבים: מנתח מטריצות (Python, Pandas), חיזוי ביקוש מבוסס gradient boosting (Scikit-learn), ויועץ LLM (Claude 3.5 Sonnet, Anthropic API).

1. מנתח מטריצות (Python, Pandas) — מסווג מנות ל-4 קטגוריות.
2. חיזוי ביקוש (Gradient Boosting, Scikit-learn) — חוזה הזמנות יומיות לכל מנה שבוע קדימה, תוך התחשבות ביום בשבוע, עונה ומזג אוויר.
3. יועץ LLM (Claude 3.5 Sonnet, Anthropic API) — מייצר דוח טקסטואלי עם המלצות ספציפיות ברוסית.

להלן דוגמת קוד ליישום. אנו משתמשים ב-Anthropic ליצירת דוחות, וב-GradientBoostingRegressor לחיזוי. המערכת מריצה קונטיינרים ב-Docker ופרוסה על תשתית ענן (AWS/GCP) או מקומית. למידע נוסף על מטריצת BCG ראו ויקיפדיה.

import pandas as pd import numpy as np from sklearn.ensemble import GradientBoostingRegressor from anthropic import Anthropic import json class MenuEngineeringAnalyzer: """Классическая матрица меню-инжиниринга + ML расширения""" def classify_menu_items(self, sales_data: pd.DataFrame) -> pd.DataFrame: """ Матрица Boston Consulting Group для меню: - Stars: высокая маржа + высокая популярность → сохраняем, продвигаем - Puzzles: высокая маржа + низкая популярность → переименовать/переместить - Plowhorses: низкая маржа + высокая популярность → снизить себестоимость - Dogs: низкая маржа + низкая популярность → убираем """ df = sales_data.copy() # Нормализованные метрики median_popularity = df['orders_count'].median() median_margin = df['contribution_margin_pct'].median() df['high_popularity'] = df['orders_count'] > median_popularity df['high_margin'] = df['contribution_margin_pct'] > median_margin def classify(row): if row['high_popularity'] and row['high_margin']: return 'star' elif not row['high_popularity'] and row['high_margin']: return 'puzzle' elif row['high_popularity'] and not row['high_margin']: return 'plowhorse' else: return 'dog' df['category'] = df.apply(classify, axis=1) # Дополнительные метрики df['revenue_share'] = df['total_revenue'] / df['total_revenue'].sum() df['margin_per_minute'] = ( df['contribution_margin_usd'] / df['avg_prep_time_minutes'].clip(1) ) return df.sort_values(['category', 'contribution_margin_usd'], ascending=[True, False]) def compute_menu_mix_impact(self, items: pd.DataFrame) -> dict: """Что случится с выручкой при изменении меню""" stars = items[items['category'] == 'star'] dogs = items[items['category'] == 'dog'] puzzles = items[items['category'] == 'puzzle'] return { 'stars_revenue_share': stars['revenue_share'].sum(), 'dogs_revenue_share': dogs['revenue_share'].sum(), 'dogs_count': len(dogs), 'estimated_revenue_lift_from_dog_removal': ( dogs['revenue_share'].sum() * 0.6 # 60% заказов перейдёт на звёзды ), 'puzzles_reposition_opportunity': len(puzzles) } class DemandForecastForMenu: """Прогноз спроса на блюда для закупок""" def __init__(self): self.models = {} def train_item_model(self, item_id: str, sales_history: pd.DataFrame): """Модель прогноза для конкретного блюда""" if len(sales_history) < 60: return features = self._build_features(sales_history) y = sales_history['orders_count'] self.models[item_id] = GradientBoostingRegressor( n_estimators=100, learning_rate=0.1, random_state=42 ) self.models[item_id].fit(features, y) def _build_features(self, df: pd.DataFrame) -> pd.DataFrame: return pd.DataFrame({ 'weekday': df['date'].dt.weekday, 'month': df['date'].dt.month, 'is_weekend': (df['date'].dt.weekday >= 5).astype(int), 'is_holiday': df.get('is_holiday', 0), 'temperature': df.get('temperature_c', 15), 'is_raining': df.get('is_raining', 0), 'lag_7d': df['orders_count'].shift(7).fillna(0), 'lag_14d': df['orders_count'].shift(14).fillna(0), 'rolling_mean_7d': df['orders_count'].rolling(7).mean().fillna(0), 'special_event': df.get('special_event', 0), }).fillna(0) def forecast_week(self, item_id: str, next_7_days: pd.DataFrame) -> dict: """Прогноз заказов на неделю для управления запасами""" if item_id not in self.models: return {'error': 'No model trained'} features = self._build_features(next_7_days) daily_forecast = self.models[item_id].predict(features).clip(0) return { 'item_id': item_id, 'daily_forecast': daily_forecast.round().astype(int).tolist(), 'total_week': int(daily_forecast.sum()), 'peak_day': next_7_days['date'].iloc[daily_forecast.argmax()].strftime('%A'), 'confidence': 'high' if item_id in self.models else 'low' } class MenuAIAdvisor: """LLM-консультант по оптимизации меню""" def __init__(self): self.llm = Anthropic() def generate_optimization_report(self, menu_analysis: pd.DataFrame, restaurant_concept: str, season: str) -> str: """Отчёт с рекомендациями по меню""" stars = menu_analysis[menu_analysis['category'] == 'star'][['item_name', 'revenue_share']].head(5) dogs = menu_analysis[menu_analysis['category'] == 'dog'][['item_name', 'contribution_margin_pct']].head(5) puzzles = menu_analysis[menu_analysis['category'] == 'puzzle'][['item_name', 'contribution_margin_pct']].head(3) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=500, messages=[{ "role": "user", "content": f"""You're a restaurant consultant. Provide menu optimization recommendations. Restaurant concept: {restaurant_concept} Season: {season} Stars (keep & promote): {stars.to_dict('records')} Dogs (consider removing): {dogs.to_dict('records')} Puzzles (reposition/rename): {puzzles.to_dict('records')} Provide specific recommendations in Russian: 1. Which dogs to remove and why 2. How to reposition puzzle items (name changes, placement, description) 3. How to leverage stars better 4. 2-3 seasonal items to consider adding 5. Pricing adjustments for plowhorses Be specific. 3-4 paragraphs.""" }] ) return response.content[0].text def suggest_new_items(self, current_menu: list[str], trending_ingredients: list[str], cuisine_type: str) -> list[dict]: """Предложения новых блюд на основе трендов""" response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=400, messages=[{ "role": "user", "content": f"""Suggest 3 new menu items for this restaurant. Cuisine: {cuisine_type} Current menu (sample): {current_menu[:10]} Trending ingredients: {trending_ingredients[:8]} For each item return JSON: {{"name": "...", "description": "...", "main_ingredients": [...], "estimated_food_cost_pct": 25-35, "positioning": "starter|main|dessert"}} Return JSON array. Suggest items that complement the current menu.""" }] ) try: return json.loads(response.content[0].text) except Exception: return [] 

מה כלול בעבודה

תוצאות ומדדים

לוח זמנים ועלות

המערכת מפותחת במלואה תוך 2-4 שבועות בהתאם למספר הסניפים וזמינות הנתונים. העלות מחושבת באופן אישי לאחר ביקורת. אנו מתחייבים להשיג את המדדים המוצהרים (שיפור מרווח, הפחתת בזבוז) תוך 3 חודשים מההשקה.

יש לנו ניסיון של למעלה מ-7 שנים בפתרונות ML לתחום HoReCa ויותר מ-30 פרויקטים מוצלחים. אנו משתמשים בטכנולוגיות קוד פתוח (Python, Scikit-learn, Anthropic), מה שמונע תלות בספק יחיד.

צרו קשר לניתוח הדגמה של התפריט שלכם. הזמינו פרויקט פיילוט כדי לדון בהטמעה.