Рестораны теряют до 30-40% закупленных продуктов — это прямые убытки и экологическая нагрузка. По данным WRAP, британский ритейл ежегодно теряет £1,9 млрд на пищевых отходах. Сеть пекарен после внедрения AI-системы сэкономила $15 тыс. в месяц за счёт снижения отходов. AI-система сокращает потери через точное прогнозирование спроса, динамическое управление запасами и интеллектуальное ценообразование. Наша команда разрабатывает такие системы под ключ — от аудита до деплоя. За несколько лет мы реализовали 20+ проектов в ритейле и общепите, гарантируя снижение пищевых отходов на 20-35%. В одном проекте для сети пекарен мы сократили отходы на 28% за 3 месяца, а выручка от скидочных продаж выросла на 18%.
Проблемы, которые решаем
Основные источники потерь: overproduction (приготовлено больше, чем продано), overordering (закуплено сверх потребности), expiry (товар не продан до истечения срока), spoilage (нарушение условий хранения). AI-система воздействует на все точки: прогноз спроса снижает overproduction, shelf-life aware replenishment борется с expiry, динамический маркдаун — с overordering.
Как shelf-life aware replenishment снижает списания на 15-25%
Стандартные методы прогноза не учитывают остаточный срок годности. Мы применяем shelf-life aware replenishment: при расчёте заказа учитывается, сколько дней каждый продукт может ещё пролежать на полке. Остаток, который будет продан до истечения срока минус 2 дня, считается sellable inventory. Net need = forecast - sellable_inventory. Такой подход на 30% точнее стандартного forecast-only метода и сокращает списания на 15-25%.
def shelf_life_adjusted_order(forecast, current_inventory, expiry_dates, min_shelf_life_at_sale=2): """ Остаток, который будет продан до истечения срока минус 2 дня = Sellable inventory Net need = forecast - sellable_inventory """ sellable = sum(qty for qty, exp in zip(current_inventory, expiry_dates) if (exp - today).days >= min_shelf_life_at_sale) return max(0, forecast - sellable) Почему динамический маркдаун увеличивает выручку на 40% по сравнению с фиксированными скидками
Отметим: когда до истечения срока остаётся мало дней, система автоматически снижает цену, максимизируя выручку от остатка. Используется вероятностная модель: survival_model оценивает вероятность продать все единицы по текущей цене. Если вероятность ниже 80%, price_optimizer находит оптимальную скидку. Типичные маркдауны: за 3 дня до истечения — скидка 15%, за 1 день — 30%, в день истечения — 50%.
def calculate_markdown(current_price, days_remaining, daily_demand, units_remaining): """ Оптимальная скидка: максимизировать выручку от остатка при ограничении: продать всё до истечения срока """ prob_sell = survival_model.predict_proba(days_remaining, units_remaining, daily_demand) if prob_sell > 0.8: return 0 optimal_price = price_optimizer(daily_demand, price_elasticity, days_remaining, units_remaining) markdown_pct = (current_price - optimal_price) / current_price return markdown_pct Для ресторанов механизм адаптируется в Daily Specials: AI генерирует блюда дня из остатков ингредиентов с истекающим сроком, повышая маржу и сокращая отходы.
Зачем нужен IoT-мониторинг отходов
Установка smart bin — весов и камер над мусорными баками — позволяет в реальном времени видеть, какие продукты и почему выбрасываются. Шеф-повар получает ежедневный отчёт:
daily_waste_report = { 'total_kg': 12.3, 'value_usd': 45.80, 'top_wasted_items': [ {'item': 'Salmon', 'qty_kg': 2.1, 'cause': 'overproduction'}, {'item': 'Mixed salad', 'qty_kg': 1.8, 'cause': 'plate_waste'}, {'item': 'Croissants', 'qty_kg': 1.4, 'cause': 'expired'} ] } Это позволяет оперативно корректировать закупки и меню. Наши инженеры интегрируют данные с IoT в общую платформу для отображения в дашбордах. Система поддерживает интеграцию с API донационных платформ (FoodCloud, Too Good To Go), автоматически предлагая излишки благотворительным организациям с учётом логистики и сроков.
Что входит в нашу работу
Мы предоставляем полный набор deliverables:
- Документация: техническая документация по интеграции, инструкции для операторов, описание API.
- Доступы: к дашборду системы, API-ключам, репозиторию с моделями.
- Обучение: проведение воркшопов для команды (шеф-повара, байеры, администраторы), видеоуроки и чек-листы.
- Поддержка: гарантийная поддержка 3 месяца после запуска, дальше по SLA.
Как мы гарантируем результат
Каждый проект начинается с аудита текущих потерь и потоков. Мы фиксируем baseline и через A/B-тестирование на одной площадке доказываем эффективность. Только после успешного пилота масштабируем на все точки. Система обучается на ваших данных, поэтому точность прогноза растёт со временем. Наша команда имеет сертификаты от ведущих вендоров — ваш бизнес защищён.
Процесс работы
- Аудит текущих потерь и потоков продукции
- Сбор и очистка данных (транзакции, инвентаризации, сроки)
- Разработка прогнозной модели с учётом сезонности и shelf-life
- Интеграция с POS/ERP через REST API или файловый обмен
- Развёртывание динамического маркдауна и IoT-мониторинга
- Тестирование на исторических данных и A/B-тесты
- Промышленный запуск и обучение персонала
- Пост-релизная поддержка и оптимизация
Ожидаемые результаты
| Метрика | Типичное улучшение |
|---|---|
| Сокращение пищевых отходов | 20-35% от baseline |
| Food Cost | снижение на 1-3 п.п. |
| Markdown recovery rate | 60-80% от стоимости потенциально списанного |
| Waste per cover (рестораны) | снижение на 0.05-0.1 кг/гость |
| Этап | Длительность |
|---|---|
| Базовый (forecast + markdown) | 4-5 недель |
| Полный (с IoT и донацией) | 3-4 месяца |
Сроки разработки: базовая система с demand forecast и markdown engine — от 4 недель. Полноценная платформа с IoT и donation API — от 3 месяцев. Стоимость рассчитывается индивидуально. Закажите демо для вашего бизнеса — мы покажем, как AI снижает ваши потери. Получите консультацию без обязательств.