一家餐饮连锁企业赚不赚钱很多时候并不取决于后厨的手艺而取决于前一天晚上那张采购单填得准不准。备多了生鲜烂在冷库里资金压在里面备少了招牌菜沽清客人转身就走。厦门卡方科技有限责任公司近期利用AI技术为某餐饮连锁企业落地的一套食材储备预测项目正是要把这件长期“靠感觉”的事变成“靠数据”的事。一张采购单背后的两难餐饮企业的成本结构里食材通常占据大头而食材又是最容易出问题的一环。蔬菜、鲜肉、水产这些品类保质期短当天用不掉第二天几乎只能报废反过来备货不足时午市晚市高峰期热门菜沽清损失的不只是当笔生意还有顾客对门店的印象。难就难在需求每天都在变。同一家门店周末的客单结构和平日截然不同商圈店与社区店的销量曲线也各走各路。碰上天气突变、节假日客流暴涨、平台大促经验再老的店长也容易判断失准。过去通行的做法是看历史平均值再加一点保险量一旦遇到异常波动便频频失灵要么浪费要么缺货。企业希望找到一种办法能根据历史点餐数据把每天各类食材的消耗量提前算出来给采购一份靠谱的依据。为什么选中随机森林在方案选型阶段卡方科技对比了时间序列模型、线性回归、梯度提升树与深度神经网络等多种思路最终确定以随机森林为核心算法。随机森林的原理并不神秘它由许多棵决策树组成每棵树在不同的样本子集与特征子集上训练最后通过投票或取平均值给出结论。正因为是“集体判断”个别树跑偏的影响会被相互抵消模型整体更稳。这套特性恰好对得上餐饮场景的三个要求。一是抗过拟合。门店经营数据里噪声多、异常多模型如果太“敏感”很容易把偶发的促销爆单当成长期规律随机森林的集成机制能有效抑制这一点。二是可解释性强。模型可以直接给出各特征的重要程度排序运营和采购人员能看懂“为什么明天建议多备三成牛肉”而不是面对一个黑箱数字。三是对小样本高维数据适配性好。餐饮企业往往只有一两年的完整流水却要同时刻画几十个影响销量的因素随机森林在这种“维度高、样本不算多”的条件下依然表现稳健。把点餐流水翻译成食材用量模型的原料是数据。项目组打通了企业的点餐系统、外卖后台、仓储台账与会员系统收集到几类关键信息逐单的点餐流水记录了什么时间、哪家店、卖了什么菜、卖了多少份菜品配方表这是把“菜”换算成“料”的桥梁一份菜里用多少主料、多少辅料都要一一对应还有天气数据、节假日日历、门店位置与商圈属性、促销活动记录以及历史采购与报损台账。数据到手并不意味着能用。项目组花在清洗上的时间不比建模少把不同门店、不同时期的菜品编码统一把配方调整前后的口径对齐剔除因系统故障产生的异常订单处理缺货沽清造成的销量截断——一道菜当天卖完了并不代表它只卖了这么多这个细节如果不处理模型会系统性地低估真实需求。在此基础上项目组构造出一批对预测真正有用的特征星期几与是否节假日、当天气温与降水、促销力度、近七日的滑动平均销量、去年同期表现、门店的客流画像等。每一类食材的消耗量都由菜品销量经配方表拆解后汇总得到作为模型的预测目标。为每类食材单独建模型不同食材的“脾气”差别很大叶菜保质期只有一两天波动大、容错低米面粮油储存时间长对精度要求相对宽松水产与鲜肉既受季节影响又受价格波动牵制。项目组没有用一套模型通吃而是按食材品类分别建模再按门店做细化让每个模型只专注自己那一段规律。训练过程中团队采用滚动预测的方式模型每天用最新数据重新校准而不是一次训练管半年同时用平均绝对百分比误差等指标评估预测效果并重点关注误差最大的那几类食材。验证阶段特意把节假日、极端天气等“考卷是新的”的时段留出来做检验确保模型不是记住了历史而是真的学到了规律。最上层的输出则是一张覆盖未来数日的食材需求量清单。让预测值走进订货流程预测做得再准如果落不到采购单上也等于零。项目组把模型封装成标准接口与企业的采购与仓储系统打通系统根据预测需求量叠加安全库存系数与各品类的自然损耗率自动生成建议订货量推送到门店与中央仓储。系统没有把人排除在外。店长和采购员看到的不是一串冷冰冰的数字而是带着说明的建议值附近有什么活动、天气会怎么变、为什么这一项比平时多。遇到系统不了解的临时情况店长可以手动微调而每一次微调都会被记录下来成为下一轮优化的输入。这样模型越用越贴合实际人的经验也没有被浪费。当订货不再靠“拍脑袋”项目上线运行一段时间后最直观的变化出现在后厨的冷库和门店的报损单上因备货过量造成的食材浪费明显减少因备货不足引起的沽清情况也少了。食材周转更快占用的采购资金随之下降采购与店长每天花在盘算订货上的时间大幅压缩可以把精力放回出品与服务上。更重要的是企业的订货逻辑从依赖个人经验转变为有数据支撑的标准化流程新店开张、新店长上手都变得更容易。几条可以复制的经验回顾这个项目有几条经验值得记下来。其一场景要聚焦先把一个品类、一个环节做深做透再向全品类复制。其二数据要先行配方口径、菜品编码这些看似琐碎的基础工作往往决定模型的成败。其三可解释优先只有当采购和店长看得懂模型的理由他们才会真正信任并使用它。其四人机协同AI负责算得快、算得全人负责处理系统看不到的临时状况两者配合才最稳妥。接下来卡方科技将继续结合门店反馈优化模型把预测能力从食材储备延伸到排班、备餐与新品铺货等更多环节帮助更多餐饮企业把成本真正降下来。