飲食・レストラン向け
スマートソリューション

需要予測

需要は、レストランのほぼすべての判断に影響します。

例えば：

過去の金曜日の売上+現在の予約+天気+地域のイベント+最近の需要の傾向→見込まれるディナーの需要

重要なのは、単に売上を予測することではありません。

予測は、レストランが次にとる行動を改善するものであるべきです。

需要を仕込みの計画に変える

今夜、レストランで次の数が売れるとAIが予測したとします。

• チキン料理 150皿
• パスタ料理 90皿
• サラダ 60皿

運営のつながりは、次のようになります。

1. 需要予測
2. メニュー
3. レシピ
4. 必要な食材
5. 仕込みの計画

ここで、AIが運営の役に立つようになります。

ダッシュボードに置かれたままの予測には、限られた価値しかありません。

仕入れ、仕込み、人員配置を変える予測は、シフトを改善できます。

在庫と食品ロス

レストランは、傷みやすい食材を扱っています。

そのため、在庫の管理は特に難しくなります。

AIは、次のものを結びつける手助けができます。

見込まれる需要+現在の在庫+レシピの要件+保存できる期間

それにより、仕入れと仕込みの判断を支えます。

これは、運営にとってはるかに役立つ問いです。

人員の計画

人員も、需要と直接つながっている判断の一つです。

店長は、不要な人件費を生まずに、良いサービスを提供できるだけのスタッフを確保する必要があります。

AIは、見込まれる稼働に基づいて、必要な人員を見積もる手助けができます。

AIは、より確かな出発点を示します。

現場での判断は、店長が担います。

厨房の流れと注文の調整

忙しい厨房は、さまざまな種類の作業のバランスを絶えず取っています。

AIとインテリジェントな自動化は、どこに作業がたまり、どこでサービスが滞り始めているのかをチームが把握する手助けができます。

AIが、料理人に調理の仕方を指示する必要はありません。

その価値は、調理を取り巻く業務の流れを改善するところにあります。

メニューのインテリジェンス

メニューは、利益を生まないまま人気があることもあります。

一方で、大きな利益を生むものの、厨房に大きな手間をかけるメニューもあります。

AIは、メニューのパフォーマンスを、複数の観点から同時に分析する手助けができます。

役に立つモデルが、次のものです。

人気×収益性×オペレーションの複雑さ

これにより、次のようなメニューを見つけられます。

よく売れて、利益率も高いメニュー

守る価値のある、好調なメニュー。

よく売れるが、利益率が低いメニュー

価格やレシピの見直しが必要かもしれない人気メニュー。

利益率の高いチャンス

もっと目立たせる価値があるかもしれない、利益を生むメニュー。

オペレーションが難しいメニュー

厨房に不釣り合いなほど負担をかける料理。

目的は、AIにメニューを書かせることではありません。

メニューが事業に何をもたらしているのかを、店長が理解できるようにすることです。

AIによる注文受付とお客様の支援

AIは、お客様を直接支援することもできます。

しかし、役に立つレストランのAIには、実際の運営情報へのアクセスが必要です。

もっともらしく聞こえるというだけで、答えを作り出すべきではありません。

価値は、会話を、その背後にあるレストランのシステムとつなぐことから生まれます。

リアルタイムの運営

予測は、レストランが見込んでいることを表します。

実際のシフトは、それとは大きく異なるかもしれません。

• 需要が急に増えるかもしれない。
• スタッフが病気で休むかもしれない。
• フライヤーが故障するかもしれない。
• デリバリーのプラットフォームから、予想外の注文の集中が起きるかもしれない。
• 食材が切れるかもしれない。

AIは、次の二つを比べる手助けができます。

見込みと実績

例えば：

1. 01予測12:00〜13:00に100件の注文。
2. 02実績140件の注文が、見込みより速いペースで入っている。
3. 03AIが検知需要が予測を大きく上回っている。
4. 04レストランが対応
   • 店長に通知
   • 厨房の処理能力を見直す
   • 仕込みを調整
   • 出勤可能な人員を再検討

これにより、もう一つの重要な運営のサイクルが生まれます。

1. 予測
2. 観察
3. 適応

シフトの状況が明らかに変わったのに、朝の計画に従い続けるべきではありません。

食品安全のモニタリング

レストランのAIは、食品安全の業務を支えることもできます。

AIは、異常を見つけやすくできます。

アレルゲンの情報についても、同じことが言えます。

AIが食品安全に関する情報をスタッフやお客様に伝えるときは、不確かな情報から答えを作り出すのではなく、信頼できるレストランのデータに基づくべきです。

厨房設備の予知保全

レストランの運営は、設備に支えられています。

予期しない故障は、すぐにサービスに影響します。

それにより、異常な挙動をより早く見つける手助けをします。

価値は、保守の効率だけではありません。

お客様にサービスを提供できる、レストランの力を守ることです。

お客様の声

AIは、こうした情報を整理し、繰り返し現れるパターンを見つける手助けができます。

2,000件のレビューを分析する場面を想像してみましょう。

そして、それらのテーマが時間とともに、あるいは店舗ごとにどう変わるかを示せます。

これにより、お客様の声が運営のインテリジェンスに変わります。

パーソナライズとロイヤルティ

レストランは、AIを使ってロイヤルティの体験を改善することもできます。

すべてのお客様に、同じプロモーションを送る必要はありません。

AIは、より関連性の高い特典やおすすめを見つける手助けができます。

例えば：

ベジタリアン料理をよく注文するお客様には、関係のない品目ではなく、メニューのその分野からおすすめを届けられます。

パーソナライズは、体験を押しつけがましく感じさせるのではなく、お客様にとってレストランをより便利なものにするべきです。

店長のためのAIアシスタント

最も実用的な機会の一つが、店長のためのAIアシスタントです。

そして、簡潔な運営のブリーフを作成します。

例えば：

これは、店長に取って代わるものではありません。

店長が、優先すべきことをより早く見極められるようにします。

POSデータの正しさを確立する

POSは、レストランのAIにとって最も重要なデータ源の一つです。

POSは、実際に何が起きたのかをレストランに教えてくれます。

• どの品目が売れたか？
• いつか？
• どの店舗でか？
• どのチャネルでか？
• いくらでか？
• どんな変更があったか？
• 割引はあったか？
• 注文はキャンセルされたか？
• 品切れの商品はあったか？

この情報に一貫性がなければ、AIはゆがんだ事業の姿から出発することになります。

チキン料理の需要を予測したいレストランを考えてみましょう。

しかし、もし次のようなことがあったら？

• 50食分のまかないが、売上として記録されていたら？
• いくつかの品目の紐づけが誤っていたら？
• デリバリーの注文が重複していたら？
• プロモーションで需要がいつもと違っていたら？
• その晩の一部の時間、商品が品切れだったら？

こうした細部が、データの意味を変えます。

予測、メニューの分析、お客様へのおすすめにAIを使う前に、取引データが実際のお客様の需要を正しく表しているかどうかを、レストランは理解しておくべきです。

つまり、次のものを確立するということです。

売上の履歴は、お客様が何を、いつ、どこで注文したのか、そしてその取引に実際に何が起きたのかを、正確に反映しているべきです。

複数の店舗を持つレストラングループでは、一貫性がさらに重要になります。

店舗ごとにメニューのコードやデータの構造が異なれば、店舗どうしを比べるのはずっと難しくなります。

AIが最もよく機能するのは、その土台にある運営の言葉が統一されているときです。

本当のレシピと食材原価を知る

売上データは、何が売れたかを教えてくれます。

しかし、その売上に利益があったかどうかは教えてくれません。

それを知るには、レストランのAIが商品そのものを理解している必要があります。

パスタ料理が1,600円で売れたとします。

レシピのデータが不正確なら、AIは的外れな提案をするかもしれません。

例えば：

「売上も利益率も高いので、この品目を推しましょう。」

しかし、実際の食材原価は大きく上がっているかもしれません。

あるいは：

「販売数の少ないこのメニューは、やめましょう。」

しかし、そのメニューは利益率が高く、厨房にほとんど追加の手間をかけていないかもしれません。

そのため、レストランには次のものが必要です。

レシピの正しさと食材原価の正しさ

これが、インテリジェントなメニュー分析の土台になります。

役に立つモデルが、次のものです。

売上×食材原価×廃棄×人件費×厨房の複雑さ

時間帯・チャネル・店舗ごとに需要を理解する

レストランの需要は、一つの数字ではありません。

そのため、役に立つAIの予測は、需要の構造を理解している必要があります。

その数字だけでは、運営の役に立ちません。

厨房が知る必要があるのは、次のことです。

• その注文は、いつ入るのか？
• どのメニューが含まれるのか？
• どのチャネルから入るのか？
• どの持ち場に作業がかかるのか？

より役に立つ予測は、例えば次のようになります。

これで、レストランは判断を下せます。

これにより、需要の階層が生まれます。

1. レストラン
2. 店舗
3. 日
4. 時間帯
5. チャネル
6. メニュー

予測は、下される判断に近づくほど、役に立つものになります。

予測は、レストランでは特に価値があります。ほかの多くの判断がそれに左右されるからです。最近の事業者向けの調査では、人員の最適化、人員の予測、在庫の予測、売上の予測、廃棄の検知が、レストラン運営で最も優先度の高いAI機能に挙げられています。

予測を在庫と仕込みにつなげる

予測は、ダッシュボードの上で終わるべきではありません。

計画を変えるべきです。

その予測は、次のものにつながるべきです。

1. 01レシピハンバーガー1個に、肉、パン、チーズ、ソース、付け合わせがどれだけ必要か？
2. 02現在の在庫すでに何があるか？
3. 03見込まれる使用量明日の需要で、どれだけ使うか？
4. 04仕込みの必要量営業の前に、厨房は何を仕込むべきか？
5. 05仕入れ何を発注する必要があるか？

ここで、予測が運営の自動化になります。

同じ原則は、廃棄にも当てはまります。

あるレストランが、ある品目をランチ用に毎回40食分仕込んでいるのに、25食分しか売れていないとします。

AIは、そのパターンを見つけられます。

しかし、仕込みの計画が変わらない限り、何も改善しません。

より強いループは、次のものです。

1. 予測
2. 仕込みの提案
3. 実際の売上
4. 廃棄
5. 予測の調整

これにより、継続的な学習が生まれます。

そうでなければ、AIは運営を変えないまま、情報を生み出すだけかもしれません。

AIを厨房とサービスの流れに合わせる

レストランのスタッフは、時間に追われながら働いています。

AIが何を提案しているかを確かめるために、いくつものダッシュボードを絶えず切り替えることはできません。

テクノロジーは、シフトがすでに回っているやり方に合わせる必要があります。

これは、ホールでも厨房でも重要です。

厨房のボトルネックを考えてみましょう。

AIが、グリルの持ち場に負荷が集中していることを見つけたとします。

では、その次に何が起きるでしょうか？

• その情報は、キッチンディスプレイに表示されるか？
• 店長にアラートが届くか？
• 注文の優先順位を組み替えられるか？
• 仕込みを移せるか？
• それとも、その気づきは、また別の分析画面に置かれたままになるのか？

人員についても同じです。

AIが忙しいディナーを予測しても、その提案がシフト作成の業務に届かなければ、ほとんど価値を生みません。

指針となる原則は、次のものです。

全米レストラン協会（National Restaurant Association）も同様に、AIを孤立したツールとして扱うのではなく、在庫、仕込み、スタッフのシフト作成、注文、保守、顧客対応への応用を重視しています。

顧客体験、食品安全、人の判断を守る

レストランのすべての判断を、スピードやコストだけで最適化すべきではありません。

AIの注文アシスタントを考えてみましょう。

AIは、その場で答えを作り出すべきではありません。

信頼できるアレルゲンの情報と、明確に定められたエスカレーションのルールが必要です。

情報が不確かな場合、正しい対応は次のようなものかもしれません。

研修を受けたスタッフに確認する。

同じ原則は、食品安全のモニタリングにも当てはまります。

AIは、冷蔵の温度の異常や、確認の漏れを見つける手助けができます。

しかし、どのような対応が必要かは、引き続き確立された食品安全の手順が定めるべきです。

そして、お客様に向けた自動化にも、境界が必要です。

しかし、怒っている、困っている、深刻なアレルギーの心配がある、あるいはいつもと違う状況にあるお客様には、人が必要かもしれません。

役に立つレストランのモデルが、次のものです。

• 自動化する定型的で、繰り返し発生し、明確に定義されたやり取り。
• 支援するAIが情報やおすすめを提供できる場面。
• エスカレーションするおもてなし、安全、判断、例外への対応のために、人が必要な場面。

目的は、サービスから人を取り除くことではありません。

目指すのは、次のことです。

シフトの経済性と、店長による活用を測定する

シフトに何が起きたかを測定しましょう。

ユースケースによって、例えば次のようなものです。

しかし、測定だけでは十分ではありません。

店長とスタッフが、実際にシステムを使う必要もあります。

技術的には店長よりも正確なAIの予測を想像してみましょう。

しかし、予測がなぜ変わったのかがわからないために、店長はそれを無視します。

運営の観点では、そのシステムは失敗しています。

そのため、レストランにはフィードバックの関係が必要です。

1. AIの提案
2. 店長の判断
3. シフトの結果
4. 店長のフィードバック
5. より良い提案

事業者は、AIがどこで役立ち、どこで自分たちの判断が重要であり続けるのかを理解する必要があります。

レストランのAIは、運営の経験とぶつかるのではなく、それを増幅するべきです。

レストランの判断を一つ選ぶ

繰り返し発生する、運営上の判断を一つ選びましょう。

始めやすいのは、例えば次のような判断です。

需要

時間帯ごとに、何件の注文を見込むべきか？

仕込み

厨房は、各品目をどれだけ仕込むべきか？

在庫

どの食材を再発注する必要があるか？

人員

何人のスタッフと、どの役割が必要か？

厨房

注文の流れは、どこで滞り始めているか？

メニュー

食材原価、廃棄、オペレーションの複雑さを踏まえて、利益を生んでいる品目はどれか？

設備

どの厨房設備に注意が必要か？

最初のプロジェクトは、店長がすでに認識している課題を解決するものであるべきです。

テクノロジーは目的ではありません。

目的は、レストランの成果です。

判断を中心に、シフトを描き出す

課題を選んだら、その判断が今どのように行われているかを描き出しましょう。

レストランが、仕込みの計画を改善したいとします。

そのうえで、次のことを問いましょう。

• 情報は、どこから来ているのか？
• 判断を下すのは誰か？
• それは、いつ行われるのか？
• 需要が変わったら、どうなるのか？
• 結果は、どのように測定されるのか？

これが重要なのは、AIは既存の運営のサイクルを改善するべきであって、まったく別の業務をつくるべきではないからです。

役に立つレストランの見取り図には、三つの時間帯があります。

1. 01営業前お客様が来る前に、どのような判断が行われるか？
2. 02営業中営業している間に、何が変わるか？
3. 03営業後次のシフトを改善するために、どのような情報があるか？

導入では、この三つをすべてつなぐ必要があります。

レストランの中核となるデータをつなぐ

レストランのAIが、POSのデータだけでうまく機能することはめったにありません。

判断が違えば、必要な情報も違います。

役に立つ運営の土台には、例えば次のものがあります。

POS

何が売れたか？ いつか？ いくらでか？ どのチャネルでか？

メニューとレシピ

各品目には、どんな材料が必要か？ 盛りつけの量は？ 調理にどれくらいかかるか？

在庫

今何があるか？ 何が入荷したか？ 何が廃棄されたか？

人員

誰が働いたか？ どんな役割か？ 何時間か？

予約

どのような需要が、すでにわかっているか？

デリバリー

外部のプラットフォームから、どのような需要が来ているか？

厨房

注文にどれくらい時間がかかっているか？ どこでボトルネックが生じているか？

設備

冷蔵庫、冷凍庫、フライヤー、オーブン、その他の設備は正常に動いているか？

目的は、始める前にあらゆるデータ源を集めることではありません。

選んだ判断に必要な情報をつなぐことです。

仕込みの計画であれば、例えば次のとおりです。

POSの売上+予測+レシピ+現在の在庫→推奨される仕込みの量

それだけで、役に立つ最初の導入をつくるには十分です。

運営の言葉を整える

AIがレストランの役に立つ判断を下すには、データの意味が統一されている必要があります。

これは、複数の店舗を持つ事業で特に重要になります。

• ある店舗では、次のように記録し、Grilled Chicken Bowl
• 別の店舗では、次のように記録し、CHK BOWL
• さらに別の店舗では：Chicken Bowl Large

• これらは同じ品目か？
• レシピは一致しているか？
• 食材原価は一致しているか？
• パフォーマンスを比べられるか？

AIは、不完全なデータでも扱えます。

しかし、自分たちの運営の言葉が何を意味するのかを知らない組織を、AIが確実に立て直すことはできません。

展開を広げる前に、そのユースケースを支える重要なデータについて、統一された定義をつくりましょう。

これが、レストランの運営の言葉になります。

基準を確立する

AIを導入する前に、現在のパフォーマンスを測定しましょう。

そうしなければ、意味のある比較の対象がありません。

基準があることで、プロジェクトはビジネスの実験になります。

そのほうが、はるかに価値があります。

提案モードから始める

最初に稼働させるバージョンで、レストランを自動化する必要はありません。

まずは、AIに提案をさせましょう。

AIが、明日の需要を予測したとします。

発注や仕込みの量を自動で変えるのではなく、店長に次のように示します。

店長は、その提案を

受け入れる修正するまたは却下する

ことができます。

これには、いくつかの効果があります。

• 実際の運営上の判断と照らし合わせて、AIを検証できる。
• どこでデータが足りないのかがわかる。
• さらに自動化を進める前に、店長が信頼を築ける。

店長の判断を記録する

店長がAIの提案を変えたときは、その情報を捨てないでください。

それは、きわめて価値のある情報になり得ます。

なぜでしょうか？

できる範囲で、その理由を記録しましょう。

これにより、過去のデータだけでは含まれていないかもしれない、レストランの文脈をシステムが学べます。

店長による上書きは、AIが失敗した証拠とは限りません。

ときには、それが手に入る中で最も良い学習のシグナルの一つになります。

一つの店舗、一つの時間帯で試す

最初のAIの導入を、いきなりすべての店舗に展開しないでください。

管理できる、運営上の範囲を選びましょう。

例えば：

一つの店舗

一つのレストランで試す。

一つの時間帯

ディナーのみ。

一つの判断

仕込みの予測。

一つのメニュー分類

販売量の多いたんぱく質の料理。

一つのチャネル

デリバリーの需要。

これにより、実験がわかりやすいものになります。

例えば：

通常のシフトと、いつもと違うシフトの両方で試す

レストランの運営には、例外がつきものです。

良いパイロットでは、静かで予測しやすい日以外も経験するべきです。

これが重要なのは、レストランのAIは、平均的なシフトを予測するだけではいけないからです。

事業者が、ばらつきに対応できるよう支援するべきです。

役に立つシステムは、次のことを認識できる必要があります。

毎日の予測から、シフト中のインテリジェンスへ

次のステップは、予測を、朝に一度つくるものとして扱うのをやめることです。

レストランの状況は、絶えず変わります。

しかし18:30の時点で、実際の需要は予測を25%上回っています。

システムは、次の二つを比べるべきです。

見込みと実績

そして、まだ行動できるうちに、その違いを見つけるべきです。

これにより、次の流れが生まれます。

1. 予測
2. 観察
3. 適応

現代のレストランのAIは、行動できる機会が過ぎた後に店長が読むレポートを作るのではなく、シフト中の判断を支えるとき、はるかに役立つものになります。

店長がすでに働いている場所にAIを組み込む

本当に必要でない限り、新しいダッシュボードをつくるのは避けましょう。

AIは、既存の判断のすぐ近くに現れるべきです。

例えば：

ルールは、次のとおりです。

インテリジェンスを探すために、スタッフにワークフローを離れさせないでください。

AIが実際に何をしてよいかを定める

信頼が高まるにつれて、提案の一部は自動化された行動になるかもしれません。

しかし、レストランのAIには、明確な運営上の境界が必要です。

役に立つ段階は、次のとおりです。

例えば、在庫のAIは、最初は発注量を提案するかもしれません。

その後、発注書を自動で用意するようになるかもしれません。

やがて、あらかじめ定められた定型の発注は、承認された範囲内で自動的に送信できるようになるかもしれません。

しかし、いつもと違う量や高額な仕入れは、引き続きエスカレーションするべきです。

食品安全とアレルゲンの情報を守る

レストランの情報の中には、決して軽く扱ってはならないものがあります。

食品安全とアレルゲンには、信頼できる情報源と定められた手順が必要です。

AIアシスタントは、承認されたアレルゲンの情報を使うべきです。

データがはっきりしない場合、正しい対応は次のようなものかもしれません。

研修を受けたスタッフにエスカレーションする。

しかし、何か問題があったときに何をすべきかは、確立された食品安全の手順が決めます。

仕組みの上でも、この区別を明確にするべきです。

1. 01AIが検知できること

   異常の可能性がある状態。

2. 02承認された手順が定めること

   どのような対応が必要か。

AIは、安全の仕組みを強化するべきものであり、独自の安全のルールを作り出すべきではありません。

AIの理論ではなく、判断について店長を研修する

店長に、機械学習の講座は必要ありません。

店長が知る必要があるのは、次のことです。

• この提案は、何を意味しているのか？
• なぜ、これが表示されているのか？
• 自分は何をすべきか？
• どんなときに、提案を上書きすべきか？
• 良くない提案は、どのように報告するのか？
• 何が、引き続き自分の判断に任されているのか？

研修は、運営に即したものであるべきです。

例えば：

予測される需要が通常の量をX%以上上回ったら、シフト前のミーティングの前に仕込みの提案を確認する。

こうした研修は、予測モデルの内部の仕組みを店長に教えるよりも役に立ちます。

AIが成功するのは、シフトの中で理解できるものになったときです。

AIの活動ではなく、シフトを測定する

これらが測っているのは、利用の度合いです。

レストランにとっての価値を測っているとは限りません。

レストランを測定しましょう。

成功した導入は、運営のパフォーマンスに表れるはずです。

AIの提案と実際の結果を比べる

シフトが終わるたびに、ループを閉じましょう。

レストランは、その差を記録するべきです。

1. 01AIの提案：品目Aを80食分。
2. 02厨房が仕込んだ量：75食分。
3. 03実際の売上：72食分。
4. 04廃棄：3食分。

これは、価値のある情報です。

これが、予測をインテリジェントな運営の仕組みに変えるものです。

店舗・時間帯・チャネルごとに監視する

全社の平均は、重要な違いを隠してしまうことがあります。

これは、良い数字に聞こえます。

しかし、実際には次のようになっているかもしれません。

• 店舗A：95%
• 店舗B：94%
• 店舗C：71%

店舗Cには、明らかに調査が必要です。

レストランのAIは、判断が行われるのと同じ運営の文脈で評価されるべきです。

運営のばらつきを、一つの平均値の中に隠さないでください。

運営のモデルそのものを改善する

需要予測が、品目ごとに信頼できる予測を出せるようになったとします。

これまで店長は、朝の決まった手順で料理を仕込んでいました。

より良いインテリジェンスがあれば、仕込みは次のように変えられるかもしれません。

営業前の最初の仕込み+営業中の小さな補充の判断

これにより、廃棄が減り、鮮度が上がるかもしれません。

これは、導入における重要な原則です。

複数店舗に展開する前に標準化する

レストラングループに複数の店舗がある場合、パイロットをすぐにそのまま複製しないでください。

まず、土台を標準化しましょう。

そうしなければ、店舗ごとに個別のAIプロジェクトになってしまいます。

拡張できるレストランの仕組みは、システム全体をつくり直さなくても、共通のAI能力が店舗ごとの違いを学べるようにするべきです。

考え方は、次のとおりです。

共通のプラットフォーム+店舗ごとの文脈

都心の店舗と郊外の店舗では、動きが違うかもしれません。

運営のモデルは、その両方を支えられるべきです。

判断の能力として広げる

AIツールを増やすことだけを考えないでください。

実証された判断の能力を広げることを考えましょう。

例えば：

一つの予測の土台が、レストランの複数の判断を支え始めます。

これは、ばらばらな七つのAI製品よりも強力です。