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.

---

<!-- expansion-v1 -->

Чек-лист для применения на практике

Чтобы алгоритм прогнозирования работал корректно, недостаточно просто установить софт. Необходимо подготовить операционный процесс. Выполните следующие шаги перед запуском или для аудита текущей системы:

1. Проведите инвентаризацию и очистку номенклатуры. Убедитесь, что в базе данных нет дублей (например, «Молоко 3.2%» и «Молоко 3,2%»). Алгоритм не сможет объединить остатки и продажи, если названия или артикулы различаются.
2. Актуализируйте технологические карты (ТК). Проверьте, что вес ингредиентов в готовом блюде совпадает с реальностью. Если в системе указано 100 г курицы, а повара кладут 120 г, прогноз закупок будет занижен на 20%, что приведет к дефициту.
3. Настройте учет списаний (Food Waste). Все испорченные продукты, ошибки поваров и пробные дегустации должны фиксироваться в системе. Если списания «летают мимо» учета, алгоритм будет думать, что продукт был продан, и в следующий раз предложит закупить меньше, чем нужно.
4. Синхронизируйте каналы продаж. Убедитесь, что данные с маркетплейсов (Yandex.Eda, Delivery Club), собственной доставки и зала приходят в единую систему без задержек. Прогноз должен учитывать общий трафик, а не только офлайн-гостей.
5. Загрузите календарь событий. Внесите в систему локальные мероприятия: фестивали в парках рядом, дни открытых дверей у партнеров, школьные каникулы и государственные праздники. Пометьте их как «высокий трафик» или «низкий трафик» в зависимости от вашей статистики.
6. Установите минимальные пороги заказа у поставщиков. Настройте в системе минимальную сумму или объем партии для каждого поставщика. Алгоритм должен понимать, что заказывать 2 кг помидоров бессмысленно, если минимальная партия — 10 кг, и скорректирует прогноз на ближайшую неделю.
7. Настройте зоны ответственности. Четко определите, кто подтверждает заказ: закупщик, шеф-повар или управляющий. Алгоритм дает рекомендацию, но человек должен иметь право (и обязанность) отклонить её при наличии форс-мажора (например, срыв поставки ключевым ингредиентом).
8. Проведите «тестовый запуск» на одной категории. Не внедряйте прогноз сразу на всё меню. Начните с сухих продуктов или напитков, где сроки годности долгим, а вариативность низка. Оцените точность в течение месяца, прежде чем доверить алгоритму скоропортящиеся продукты (мясо, рыба, зелень).
9. Обучите линейный персонал. Повара и бариста должны понимать, почему заказ пришел именно такой. Объясните, что это не микроменеджмент, а инструмент их помощи, чтобы не искать продукты в последний момент.
10. Внедрите еженедельный аудит отклонений. Раз в неделю собирайте данные: что заказали по прогнозу, что продали, что списали. Анализируйте разницу. Если отклонение стабильно выше 10% по определенной группе товаров, ищите причину в данных или процессе, а не в алгоритме.
11. Проверьте интеграцию с банком/бухгалтерией. Убедитесь, что сформированные заказы автоматически уходят поставщикам или формируются в PDF/Excel в нужном формате, чтобы не тратить время на ручную переписку.
12. Создайте резервный фонд («буфер»). Для критически важных ингредиентов (специи, масло, основной белок) настройте в системе коэффициент запаса прочности (например, +5% к прогнозу), чтобы избежать ситуации «нет блюда» из-за небольшой погрешности модели.

Реальные кейсы и цифры

Кейс 1: Сеть кофеен с высоким оборотом (5 точек) Проблема: Ежедневная потеря свежей выпечки и молока. Шеф-кондитер закупал ингредиенты «на пессимистичный сценарий», боясь нехватки. Решение: Внедрение AI-прогноза с учетом погоды и дней недели. Результат:

• Снижение списания молочной продукции на 18%.
• Экономия: 45 000 руб./месяц на одну точку.
• Увеличение доступности хитовых десертов в пиковые часы (суббота 11:00–14:00) на 100% (ранее часто заканчивались к обеду).

Кейс 2: Ресторан японской кухни (суши-бар) Проблема: Высокая стоимость сырья (лосось, тунец). Хранение большого запаса замороженной рыбы занимало место в морозилках и замораживало оборотные средства. Решение: Прогнозирование с привязкой к локальным ивент-календарю и истории продаж по часам. Результат:

• Оптимизация складских остатков дорогостоящего сырья на 30%.
• Освобождение 40% места в холодильных камерах, что позволило расширить ассортимент свежих салатов без закупки нового оборудования.
• Снижение риска списания из-за истечения срока годности охлажденного филе с 5% до 1,2%.

Кейс 3: Семейный ресторан с детской зоной Проблема: Непредсказуемые всплески спроса в выходные дни и праздники, приводящие к нехватке продуктов и жалобам гостей. Решение: Использование взвешенного среднего с коэффициентами праздников и обучения модели на 6 месяцах данных. Результат:

• Количество ситуаций «десерт закончился» снизилось с 8 раз в месяц до 0 раз.
• Рост выручки за счет реализации дополнительных позиций (cross-sell), которые ранее не закупались в достаточном объеме.
• Экономия времени закупщика: 5 часов в неделю вместо ручного расчета и звонков поставщикам.

Типичные ошибки

1. «Мусор на входе — мусор на выходе». Самая частая ошибка — попытка заставить работать алгоритм на нечистых данных. Если в кассе не бьются чеки, если остатки на складе не инвентаризированы регулярно, прогноз будет абсурдным. Алгоритм не магический, он математический.
2. Игнорирование сезонности и трендов. Использование только исторического среднего без учета меняющихся предпочтений гостей. Например, если в прошлом году летом был хитом один коктейль, а в этом году тренд сместился на другой, старый алгоритм будет закупать ингредиенты для устаревшего хита.
3. Отсутствие гибкости поставок. Алгоритм может предложить ежедневные маленькие заказы (JIT — Just In Time), но если поставщик привозит товар раз в неделю и только от 50 000 руб., система окажется бесполезной. Нужно либо менять поставщиков, либо настраивать алгоритм под логистику текущих партнеров.
4. Чрезмерное доверие без контроля. Полное делегирование закупки машине без участия человека. Алгоритм не знает, что завтра у главного поставщика забастовка водителей или что на складе сломался холодильник. Человеческий надзор необходим.
5. Попытка прогнозировать всё подряд. Не стоит применять сложный ML-прогноз на товары с постоянным спросом (соль, сахар, бумага для салфеток). Для них достаточно простых правил пополнения по минимальным остаткам. Сложные модели нужны для позиций с волатильным спросом.
6. Неучет потерь на производстве. Если повара «пересыпают» специи или режут мясо с большим обрезком, система считает, что продукт ушел в продажу. Со временем это создает систематическую погрешность, и ресторан будет хронически недопокупать продукты.
7. Игнорирование маркетинговых активностей. Если вы планируете распродажу или акцию «2+1», но не внесли это в систему как событие, алгоритм предложит закупить стандартный объем, и вы останетесь без товара в момент пикового спроса.

Часто задаваемые вопросы

Как быстро алгоритм начинает работать точно?

Первые прогнозы (на основе исторического среднего) доступны сразу после загрузки данных за 3–4 недели. Однако точность ML-моделей (Уровень 3) стабильно высокая только после обучения на данных минимум за 3–6 месяцев. В первые 2 месяца работы рекомендуется держать коэффициент запаса прочности выше, так как модель «учится» на ваших специфических паттернах.

Что делать, если у меня маленький ресторан и мало данных?

Если у вас нет истории продаж за полгода, используйте Уровень 2 (взвешенное среднее с коэффициентами) и ручную корректировку. Для маленьких заведений часто достаточно простого Excel-файла с формулами, который учитывает день недели и погоду. Сложные AI-системы окупаются, когда объем закупок и количество SKU (товарных позиций) достаточно велики, чтобы ошибки стоили дорого.

Может ли алгоритм ошибаться из-за непредвиденных событий (например, пандемия или блокировка улицы)?

Да, алгоритм опирается на исторические данные. Резкие внешние шоки (force majeure) он не предсказывает. В таких ситуациях необходимо вручную корректировать прогноз или временно отключать автоматические заказы. Однако алгоритм быстро адаптируется к «новой норме» после нескольких недель работы в новых условиях.

Нужно ли мне менять поставщиков для работы с прогнозами?

Не обязательно, но это помогает. Идеальный сценарий — поставщики, готовые работать с частыми небольшими поставками (2–3 раза в неделю) и имеющие API-интеграцию для автоматической передачи заказов. Если вы привязаны к поставщикам с еженедельными отгрузками, настройте алгоритм так, чтобы он генерировал один большой заказ раз в неделю, суммируя прогнозы на 7 дней.

Как алгоритм учитывает акции и промо-активности?

Большинство современных систем позволяют вручную закладывать ожидаемый прирост продаж по конкретным блюдам. Вы можете указать: «В эту субботу мы делаем скидку 20% на ризотто, ожидаем рост продаж на 40%». Алгоритм включит этот коэффициент в расчет закупок ингредиентов для ризотто. Если этого не сделать, система закупит обычный объем, и вы потеряете прибыль из-за отсутствия товара.

Безопасно ли передавать данные о продажах в облачные сервисы?

Да, если вы выбираете сертифицированных провайдеров. Данные о продажах не являются коммерческой тайной в том же смысле, что и финансовые отчеты или персональные данные клиентов. Однако важно проверять политику конфиденциальности провайдера: ваши данные не должны использоваться для обучения моделей конкурентов. В B2B-сегменте HoReCa это стандартная практика, защищенная договорами о неразглашении (NDA).