ChatGPT и Claude анализируют данные продаж и себестоимости блюд, выявляют низкомаржинальные позиции и предлагают решения по структуре меню — без найма консультанта. Главная польза: систематизация данных, которые обычно лежат в таблицах без анализа. Нюанс: ИИ работает только с данными, которые вы предоставите — качество вывода прямо зависит от полноты вашего учёта.
ИИ структурирует и интерпретирует данные продаж: находит позиции с высокой выручкой но низкой маржой, выявляет блюда с падающим спросом, сравнивает сезонную динамику. Также помогает категоризировать меню по матрице «популярность — маржинальность» (BCG-подобный анализ для F&B). Нюанс: модель не имеет доступа к вашей кассе или CRM — все данные нужно выгрузить и вставить вручную или через CSV.
Матрица меню делит все позиции на четыре категории по осям «популярность» и «маржинальность»: звёзды (высокое и то, и другое), рабочие лошади (популярны, но низкая маржа), загадки (высокая маржа, низкий спрос), балласт (низко по обоим). ИИ строит эту классификацию по вашим данным за минуты и даёт рекомендации по каждой группе. Нюанс: без данных о себестоимости каждого блюда матрица строится только по выручке — неполная картина.
Дайте модели состав блюда (ингредиенты и граммовку) и цены закупки. ИИ рассчитает food cost и маржинальность каждой позиции. Это особенно полезно при изменении закупочных цен: обновите одну строку в таблице и попросите пересчитать весь список. Нюанс: ИИ не знает актуальных цен поставщиков — вы вводите данные вручную. Погрешности в граммовке дают ошибку в расчёте.
Дайте модели три параметра по каждой позиции: количество продаж за период, выручка, маржинальность. Попросите ранжировать по совокупному вкладу в прибыль и выделить кандидатов на удаление. ИИ покажет, какие позиции занимают место в меню, создают операционную нагрузку и при этом слабо влияют на прибыль. Нюанс: некоторые низкомаржинальные позиции удерживают гостей — ИИ не видит этого без дополнительного контекста.
Да — это одна из сильных сторон текстового анализа. Вставьте отзывы с упоминанием блюд и попросите ИИ выделить позиции с негативными и позитивными отзывами. Затем сопоставьте с данными продаж: блюдо с плохими отзывами и падающими продажами — явный кандидат на переработку или замену. Нюанс: небольшая выборка отзывов не репрезентативна — нужно минимум несколько десятков упоминаний на блюдо для достоверных выводов.
Оптимальная периодичность — ежеквартально или при существенном изменении закупочных цен. Ежемесячный анализ оправдан в периоды сезонных изменений спроса. Разовый анализ при запуске или кардинальном обновлении меню — обязателен. Нюанс: анализ без последующих действий бесполезен — закладывайте время на внедрение изменений, иначе данные устаревают быстрее, чем вы успеваете реагировать.
Минимально значимый объём — данные за полные 3 месяца по всем позициям. Меньший период даёт искажения из-за сезонности и случайных всплесков. Для небольшого кафе с меню до 50 позиций этого достаточно для первых выводов.
| Задача | Что вводите | Что получаете |
|---|---|---|
| Матрица меню | «Ты эксперт по ресторанному бизнесу. Вот данные по блюдам за квартал: [таблица: название — кол-во продаж — выручка — себестоимость]. Раздели все позиции на 4 категории: Звёзды (топ по продажам и марже), Рабочие лошади (топ по продажам, низкая маржа), Загадки (высокая маржа, низкие продажи), Балласт (низко по обоим). Для каждой категории — 1-2 предложения рекомендации.» | Готовая классификация всего меню с конкретными рекомендациями по каждой группе |
| Расчёт food cost | «Рассчитай себестоимость и food cost% для каждого блюда. Данные: [таблица: блюдо — ингредиенты и граммовка — цена закупки за кг/л]. Цена продажи каждого блюда: [список]. Выдели позиции с food cost выше 35% — это проблемные с точки зрения маржинальности.» | Таблица с себестоимостью, маржой и флагами проблемных позиций |
| Анализ отзывов | «Вот отзывы гостей за последние 3 месяца: [вставить текст]. Выдели все упоминания конкретных блюд. Раздели на позитивные и негативные. Для блюд с негативными упоминаниями — сформулируй гипотезу о причине (вкус, подача, соотношение цена/качество).» | Структурированный список блюд с тональностью отзывов и гипотезами для проработки |
| Рекомендации по ценообразованию | «Вот меню с текущими ценами и себестоимостью: [таблица]. Целевой food cost: не выше 30%. Укажи, какие позиции требуют повышения цены и на сколько процентов — с округлением до 50 рублей. Сохрани конкурентоспособность: не поднимай цену более чем на 20% за раз.» | Конкретные рекомендации по ценообразованию с обоснованием |
| Критерий | ИИ-анализ (ChatGPT / Claude) | Ручной анализ в Excel |
|---|---|---|
| Скорость классификации | Минуты при готовом промпте | Часы на формулы и сортировку |
| Текстовый анализ отзывов | Сильно — обрабатывает сотни отзывов | Невозможно без специальных инструментов |
| Точность расчётов | Требует проверки — возможны ошибки | Высокая при правильных формулах |
| Генерация рекомендаций | Автоматически по данным | Требует экспертизы аналитика |
| Порог входа | Низкий — нужен только промпт | Средний — нужны навыки Excel и аналитики |
Получите отчёт за период (квартал или полгода): название блюда, количество продаж, выручка. Большинство кассовых систем (iiko, r_keeper, Poster) позволяют экспортировать это в Excel или CSV за несколько кликов.
К каждой позиции добавьте себестоимость — из технологических карт или калькуляций. Если данных нет, начните с топ-20 позиций по выручке: они дают основную часть прибыли и анализ по ним уже ценен.
Вставьте таблицу в ChatGPT или Claude с промптом на построение матрицы. Укажите ваш целевой food cost как ориентир для разграничения «высокой» и «низкой» маржинальности. Проверьте классификацию по 2-3 знакомым позициям.
Для позиций из категории «балласт» и блюд с падающими продажами соберите отзывы из агрегаторов (Яндекс Карты, 2ГИС, Яндекс Еда). Вставьте в ИИ для анализа тональности и выявления конкретных жалоб.
Попросите ИИ ранжировать выявленные проблемы по потенциальному влиянию на прибыль. Зафиксируйте топ-5 изменений с конкретными действиями и сроками — анализ без плана внедрения не меняет выручку.
Минимально значимый объём — данные за полные 3 месяца по всем позициям. Меньший период даёт искажения из-за сезонности и случайных всплесков. Для небольшого кафе с меню до 50 позиций этого достаточно для первых выводов.
Частично — на основе анализа трендов из текстов (отзывы, соцсети) и паттернов ваших данных. Но это гипотезы, а не прогнозы. Любую новую позицию всё равно нужно тестировать на реальных гостях — ИИ сужает список гипотез, но не заменяет рыночный тест.
Дайте модели данные продаж за аналогичный период прошлого года и текущее меню. Попросите выявить позиции с сезонным спадом и предложить логику замен. Это помогает принимать решения на основе исторических данных, а не интуиции шеф-повара.
Нет — базовое умение работать с таблицами и формулировать запросы. Главный навык: подготовить чистую таблицу с данными. Грязные данные (разные названия одного блюда, пропуски) дают неверные выводы — очистка данных важнее навыков промптинга.
Да, через API: настроить автоматическую выгрузку из кассы в таблицу и отправку на анализ через API OpenAI или Anthropic по расписанию. Это требует базовых навыков программирования или no-code инструментов (Make, n8n). Для большинства небольших заведений ручной анализ раз в квартал эффективнее по соотношению затрат и пользы.