Sieć restauracji: AI prognozuje, ile co zamawiać — strata jedzenia -38%

Sytuacja przed wdrożeniem

Sieć 22 restauracji, 380 osób. Koszty surowca: 38% obrotu (cel: 32%). Strata jedzenia (psucie, wylewki, niewydane porcje): 12% surowca. Kierowniczki restauracji zamawiały surowiec "z głowy" w dostawcy 2x/tydzień. Niektóre dni: stockout (klient zamawia, nie ma), inne: wyrzut do śmieci.

Co zrobiliśmy

• AI bierze dane:
• 1. Historia sprzedaży per restauracja per danie per dzień (5 lat).
• 2. Dzień tygodnia (piątek vs poniedziałek).
• 3. Pogoda (deszcz → mniej klientów na ogródku → mniej sałatek).
• 4. Wydarzenia (mecz w pobliżu → wzrost piwa i zakąsek).
• 5. Promocje (lokalne i sieciowe).
• 6. Recipe BOM (ile gram danego surowca w każdym daniu).
• Generuje prognozę: jutro w restauracji X prognozuję 47 burgerów, 38 sałatek caesar, 12 pizz, 22 frytek → potrzeba: 14 kg ziemniaków, 8 kg pomidorów, 5 kg sałaty.
• Sugeruje zamówienie u dostawcy.
• Kierowniczka widzi, akceptuje, modyfikuje.
• Po dniu — feedback: prognoza vs rzeczywistość, AI uczy się.

Rezultat

Strata jedzenia: z 12% na 7.4% (-38%). Koszty surowca: z 38% na 33% obrotu (cel prawie osiągnięty). Out-of-stock dań: -64%. NPS klientów: +12 pkt (bo zawsze jest to, co chcą). Roczna oszczędność na surowcach: 1.4 mln zł.