В этом кейсе мы разберем проект по цифровой трансформации ресторанной сети RestoGroup. Мы внедрили систему предиктивной аналитики, которая помогла компании оптимизировать фудкост и значительно повысить лояльность гостей.
Описание решения
Мы разработали и внедрили интеллектуальную платформу «Resto Intelligence». Система объединяет данные из POS-систем, программ лояльности и внешних источников (погода, события) для точного прогнозирования спроса на каждое блюдо в каждом заведении сети. ИИ не только предсказывает продажи, но и дает рекомендации по закупкам, планированию смен и персональным предложениям для клиентов.
Что мы сделали
В процессе реализации мы выполнили следующие этапы работ:
- Интеграция данных: Настроили автоматический экспорт данных из iiko и R-Keeper в наше облачное хранилище.
- Разработка ML-моделей: Обучили модели прогнозирования временных рядов с учетом сезонности, трендов и внешних факторов.
- Создание модуля закупок: Реализовали алгоритм автоматического формирования заявок на склад и внешним поставщикам.
- Внедрение рекомендательного движка: Разработали API для мобильного приложения, которое подбирает блюда гостям на основе их предпочтений.
- Аналитические дашборды: Спроектировали отчеты для шеф-поваров и управляющих, визуализирующие потенциальные списания и упущенную выгоду.
Ключевые функции
- Предиктивное планирование меню: Рекомендации по выводу блюд из меню или вводу новинок на основе анализа спроса.
- Автоматический расчет стоп-листов: Прогнозирование момента окончания ингредиентов на кухне.
- Персонализация маркетинга: Автоматическая сегментация базы гостей и рассылка индивидуальных офферов.
- Оптимизация штатного расписания: Расчет нагрузки на персонал в зависимости от прогнозируемого трафика.
Задачи проекта
Главным вызовом было обеспечить работу системы в условиях «грязных» данных (ошибки персонала при вводе списаний, пересортица). Мы разработали блок предобработки данных, который выявляет и корректирует аномалии в автоматическом режиме.
Реализация
Проект был реализован за 4 месяца. Мы начали с пилотного запуска в трех флагманских ресторанах Москвы, а после подтверждения эффективности (фудкост снизился на 18% за первый месяц) масштабировали решение на все 25 заведений сети.
Задачи и решения проекта
Низкое качество исторических данных
Данные из различных ресторанов сети имели разный формат и много пропусков.
- Разработан универсальный ETL-процесс
- Настроена автоматическая очистка и валидация данных
Высокая вариативность спроса
Продажи сильно зависели от непредсказуемых внешних факторов.
- Интегрированы API прогноза погоды и событийного календаря
- Внедрены ансамблевые модели машинного обучения
Как это работает
01.
Исследование
Глубокое погружение в бизнес-процессы сети и аудит данных.
02.
Разработка ядра
Создание ML-моделей и интеграционных шлюзов с POS-системами.
03.
Внедрение
Пилотный запуск в 3 ресторанах и масштабирование на всю сеть.
Мы создали гибкую систему, которая адаптируется под специфику каждого конкретного заведения в сети.
Давайте сделаем что-то великое вместе. Получить предложение
Часто задаваемые вопросы
Найдите ответы на наиболее часто задаваемые вопросы о проекте, процессе и результатах.
Мы используем ансамбль моделей машинного обучения, который анализирует исторические продажи, погоду, праздники, мероприятия поблизости и даже активность конкурентов в соцсетях.
На горизонте одной недели точность прогноза составляет 85-92%, что позволяет сократить списания продуктов на 25-30%.
Да, система формирует черновик заказа в ERP-системе (например, iiko), который менеджеру остается только подтвердить одним кликом.
ИИ анализирует историю заказов конкретного гостя и предлагает ему блюда, которые ему с большой вероятностью понравятся, через пуш-уведомления или в мобильном приложении.
Нет, наша система работает как надстройка над существующими популярными POS-системами через API или специализированные коннекторы.
При обороте сети от 50 млн руб. в месяц окупаемость проекта наступает через 4-6 месяцев за счет экономии на продуктах и роста среднего чека.
Да, на основе прогноза потока гостей система рассчитывает необходимое количество поваров и официантов в смену.
Система наиболее эффективна для сетей от 3-5 заведений, так как требует определенного объема данных для качественного обучения моделей.
Мы используем шифрование и выделенные сервера, гарантируя, что информация о вашей выручке и фудкосте никогда не попадет к конкурентам.
Система всегда оставляет 'запас прочности' (Safety Stock), параметры которого настраиваются совместно с вашим шеф-поваром.
