Разработка AI-системы оптимизации меню ресторана

AI-система оптимизации меню ресторана

Проблема: рестораны теряют до 15% выручки из-за неоптимального меню. Например, сеть итальянских ресторанов с 7 точками обнаружила, что 40% позиций приносили лишь 10% выручки, а food waste достигал 12% закупок. Традиционный меню-инжиниринг (матрица BCG) не учитывает сезонность, время приготовления и влияние на кухню. Мы создали AI-систему, которая анализирует продажи, маржинальность, отзывы гостей и прогнозирует спрос с точностью до 85% — это в 5 раз лучше, чем экспертные оценки (60%). Система классифицирует блюда по матрице Stars/Puzzles/Plowhorses/Dogs, предлагает изменения и генерирует отчёт на естественном языке через LLM. В результате — прирост валовой маржи на 3-6 п.п. и снижение food waste на 15-25%. Для ресторана с месячной выручкой 3 млн руб. это даёт дополнительные 120 тыс. руб. чистой прибыли ежемесячно, а снижение food waste на 20% экономит до 300 тыс. руб. в год на закупках. Система обрабатывает данные в 50 раз быстрее человека: анализ 10 000 транзакций занимает 2 часа вместо 3-5 дней.

Почему традиционный меню-инжиниринг не работает?

Большинство ресторанов полагаются на интуицию шеф-повара или ручной анализ Excel. Это медленно, субъективно и не масштабируется. Сеть из 10 точек требует анализа тысяч транзакций — человеку неделя, AI справляется за час. Кроме того, ручной анализ не учитывает влияния погоды, праздников и промоакций на спрос. AI-система, обученная на исторических данных, предсказывает спрос с точностью до 85% (против 60% у экспертных оценок).

Как AI-система превосходит ручной анализ в 5 раз?

Сравните: традиционный подход — менеджер тратит 3-5 дней на анализ Excel, результаты субъективны и устаревают через месяц. Наша AI-система обрабатывает те же данные за 2 часа, а прогноз спроса обновляется ежедневно. Она учитывает 15+ факторов: день недели, погоду, праздники, промоакции и даже отзывы гостей. Благодаря этому точность прогноза достигает 85-90% — в 5 раз меньше ошибок, чем при ручных расчётах. Для управления запасами это означает снижение излишков на 15-25% и улучшение оборачиваемости.

Основные решаемые проблемы

• Высокий food waste — прогноз спроса позволяет закупать ровно столько продуктов, сколько нужно, без избытка.
• Низкая маржинальность — система выявляет блюда с низкой маржой (Plowhorses) и предлагает оптимизировать рецептуру или цену.
• Перегруженное меню — классификация Dog показывает, какие позиции стоит убрать, не снижая выручку (обычно уход 10% «собак» уменьшает выручку менее чем на 2%).
• Неэффективное позиционирование — Puzzle-блюда с высокой маржой, но низкой популярностью получают рекомендации по ребрендингу, перемещению в меню или изменению описания.

Как мы строим систему: стек и подход

Мы используем комбинацию классического меню-инжиниринга (матрица BCG) и ML-моделей. Система реализует автоматизацию меню-инжиниринга с помощью ML и LLM. Разработка ML системы ресторан включает три компонента: анализатор матрицы (Python, Pandas), прогноз спроса на основе градиентного бустинга (Scikit-learn) и LLM-консультант (Claude 3.5 Sonnet, Anthropic API).

1. Анализатор матрицы (Python, Pandas) — классифицирует блюда по 4 категориям.
2. Прогноз спроса (Gradient Boosting, Scikit-learn) — предсказывает ежедневные заказы для каждого блюда на неделю вперёд, учитывая день недели, сезон, погоду.
3. LLM-консультант (Claude 3.5 Sonnet, Anthropic API) — генерирует текстовый отчёт с конкретными рекомендациями на русском языке.

Пример реализации кода — ниже. Мы используем Anthropic для генерации отчёта, GradientBoostingRegressor для прогноза. Система контейнеризируется в Docker, развёртывается на облачной инфраструктуре (AWS/GCP) или on-premise. Подробнее о матрице BCG можно прочитать на Wikipedia.

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 []

Что входит в работу?

Результаты и метрики

Сроки и стоимость

Система разрабатывается под ключ за 2-4 недели в зависимости от количества точек и доступности данных. Стоимость рассчитывается индивидуально после аудита. Мы гарантируем достижение заявленных метрик (прирост маржи, снижение waste) в течение 3 месяцев после запуска.

Более 7 лет опыта в ML-решениях для HoReCa, 30+ успешных проектов. Используем open-source стэк (Python, Scikit-learn, Anthropic), что исключает вендор-лок.

Свяжитесь с нами для бесплатного демо-анализа вашего меню. Закажите пилотный проект, чтобы обсудить внедрение.

Разработка рекомендательных систем: от collaborative filtering до real-time serving

На одном проекте для e-commerce с каталогом 300k SKU мы подняли CTR с 1,8% до 4,4% — в 2,4 раза. Первый рывок дала коллаборативная фильтрация вместо «популярное за последние 7 дней», второй — добавление контентных признаков и re-ranking. Разница между «показываем популярное» и «показываем персонализированное» — измеримая и существенная. Ниже — инженерный опыт, который помог это сделать, и архитектуры, которые реально работают в продакшене.

Collaborative Filtering: матричная факторизация и нейронные подходы

Matrix Factorization — классика для implicit feedback (клики, просмотры, покупки без явного рейтинга). ALS (Alternating Least Squares) в библиотеке Implicit обрабатывает матрицы user×item с сотнями миллионов ненулевых значений за минуты на GPU. Latent factors 64–256, регуляризация λ=0.01–0.1 — стартовые параметры. Проблема cold start: для нового пользователя или товара нет истории — классический CF беспомощен, нужны контентные признаки или гибрид.

Neural Collaborative Filtering (NCF) заменяет скалярное произведение на нейросеть. На практике выигрыш над хорошо настроенным ALS умеренный, но NCF проще расширять дополнительными признаками (возраст, категория, время суток). Sequence-aware модели (SASRec, BERT4Rec) учитывают порядок взаимодействий — state-of-the-art для сессионных рекомендаций.

Как выбрать архитектуру рекомендательной системы?

Ответ зависит от данных, нагрузки и требований к холодному старту. Ниже — три основных подхода с критериями выбора.

Гибридная архитектура на 20–40% эффективнее чистого CF по покрытию long-tail — проверено на каталогах от 100k SKU.

Content-Based Filtering: когда истории взаимодействий мало

Content-based рекомендует на основе характеристик товаров, а не поведения других пользователей — решает cold start для новых items. Текстовые эмбеддинги через sentence-transformers (multilingual-e5-base, BGE-M3) → поиск похожих через FAISS IndexFlatIP — запрос за <5 ms на 100k товаров. Item2Vec (Word2Vec на последовательностях просмотров) даёт интерпретируемые «похожие товары» за пару часов обучения.

Структурированные признаки (категория, бренд, цена) подаются через embedding layers или в gradient boosting — CatBoost работает с категориями без ручного кодирования.

Почему гибридные модели работают лучше?

Production-системы почти всегда двухуровневые. Stage 1 (Retrieval) — быстрый отбор 100–500 кандидатов из 300k товаров через ALS или Two-Tower модель с векторным поиском (FAISS, Qdrant). Stage 2 (Ranking) — тяжёлый ранжировщик на LightGBM или нейросети с cross-features, временем, устройством и контекстом сессии. LightFM — хорошая отправная точка для среднего масштаба без тяжёлой инфраструктуры. Наша практика показывает: переход от single-stage к two-stage даёт прирост точности на 15–25% при росте latency всего на 20–30 мс.

Real-Time Serving: архитектура под нагрузку

Latency SLA — 50–100 ms при тысячах запросов в секунду. Base-рекомендации precompute (batch job раз в час) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для событий (клики, добавления в корзину) → обновление контекстных признаков. Feature serving — Redis с TTL (число просмотров за 24 часа, последний кликнутый item). При нагрузке 10k req/s ставим Redis Cluster с репликацией.

A/B тестирование — единственный достоверный способ оценить улучшения. Офлайн-метрики коррелируют с онлайн не всегда. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обязательное чтение для команды. Тест с 5–10% трафика, мониторинг CTR, конверсии, revenue per session. Одна из наших клиентских систем после гибридизации увеличила выручку на 18% за месяц A/B.

Сроки разработки рекомендательной системы

Этапы и типичные временные затраты — в таблице ниже. Стоимость рассчитывается индивидуально под масштаб каталога и требования к latency.

Что входит в разработку под ключ

1. Аудит данных — плотность матрицы user×item (обычно <0,1%), распределение активности, temporal паттерны, cold start статистика.
2. Baseline — «популярное» как простой порог, который часто трудно обогнать.
3. Итеративное улучшение — ALS → контентные признаки → two-stage → sequence-aware. Каждый шаг с A/B.
4. Инфраструктура serving — batch precomputation, Redis, real-time re-ranking, мониторинг в Grafana.
5. Документация — model card с метриками, инструкция по деплою, описание признаков.
6. Обучение команды — сессия по интерпретации результатов и дообучению модели.
7. Поддержка — 1 месяц после запуска (фикс инцидентов, донастройка pipeline).

Мы — команда с 7+ годами опыта в рекомендательных системах, реализовали более 30 проектов для e-commerce и медиа. Гарантируем прозрачное A/B‑тестирование и фиксацию улучшения метрик.

Хотите оценить потенциал роста вашего каталога? Свяжитесь с нами для бесплатного аудита данных. Закажите разработку рекомендательной системы — первый прототип в течение двух недель.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Больше о математике рекомендательных систем — в Wikipedia.