Sieć casual dining: marża operacyjna +6,4 pp dzięki menu engineering AI

Sytuacja wyjściowa

Klient: sieć casual dining (kuchnia polska + włoska), 38 lokali, 1 200 pracowników, ARR 220 mln zł. Średni rachunek: 78 zł. Konkurencja: duże sieci (Sphinx, KFC, McDonalds) + lokalne knajpki.

Menu rozrosło się do 84 pozycji przez 12 lat. 40% pozycji generowało 8% sprzedaży i wysiłku w kuchni było tak samo. Marża operacyjna spadała: 22% w 2018, 18% w 2024. Food cost rósł szybciej niż ceny menu (wojna, inflacja, drogie składniki). Klient COO podejrzewał, że problem jest w mixie menu, ale nie miał narzędzi do precyzyjnej analizy.

Jakie procesy weszły na AI

• Klasyfikacja dań Stars/Plowhorses/Puzzles/Dogs — Klasyczna analityka menu engineering, ale w AI: dla każdego dania kwadrat marży × popularności. AI sugeruje akcje per kategoria.
• Predictive food cost — AI łączy dane sprzedaży z cenami zakupowymi, magazynem, lokalizacją sezonową — generuje cotygodniowy raport: które dania mają malejącą marżę i wymagają akcji (zmiana receptury, dostawcy, ceny).
• Symulacja zmian menu — COO testuje w AI scenariusze: „co się stanie, jeśli wycofamy pozycje 23, 47, 62 i dodamy 3 nowe pozycje sezonowe". Model symuluje wpływ na sprzedaż, marżę, food cost na podstawie elastyczności cen i podobieństwa pozycji.
• Asystent kierownika lokalu — Lokalny kierownik dostaje codzienne sugestie: „dziś polecaj X (najwyższa marża), wycofaj 30% Y (przeterminowuje się), planuj zapas Z (jutro festiwal w mieście)".

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do generowania rekomendacji tekstowych, model elastyczności cenowej (gradient boosting) trenowany na 4 latach danych, integracje przez MCP z POS, ERP magazynowym, narzędziem do food cost. Wszystko on-prem, dane sprzedaży są poufne handlowo.

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup: 220 tys. zł. Opex: 18 tys. zł/mies. Korzyść: +6,4 pp marży × 220 mln zł = +14 mln zł rocznie EBIT. Payback w 1 miesiąc operacyjny.

„Wycofaliśmy danie, które było w karcie od 12 lat. Sentyment zespołu kuchennego: protest. Po miesiącu nikt go nie wspominał. Sprzedaż gulaszu, na który skierowaliśmy klientów: +180%."

— COO sieci

Co dalej

Kolejna faza: dynamiczne ceny per lokal (lokalizacja, dzień tygodnia, pogoda), personalizacja menu na bazie lojalnościowej (klienci stałi widzą inną kartę), predykcja, jakie dania powinny zostać dodane w sezonie.

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.