AI怎么预测餐厅销量？海外公司的数据与场景拆解

"AI 预测销量"听起来玄，拆开看其实是一套很工程化的流程：喂什么数据、怎么算、算完输出什么、谁来执行。上一篇我们盘点了海外 8 家做 AI 餐饮预测的公司，这一篇把它们的共性方法拆开，讲清楚 AI 到底怎么预测一家餐厅的销量，以及为什么有的系统能做到 95% 以上准确率，有的只是个好看的报表。

一、喂给模型什么数据：三层输入

所有跑得通的方案，数据输入都分三层：

• 第一层：交易数据（地基）——POS 流水是核心。不是"昨天卖了 2 万"这种日汇总，而是精确到每小时、每个 SKU 的明细。日汇总只能预测"大概"，小时级 SKU 级数据才能预测"几点备几份"；
• 第二层：运营数据（修正项）——排班人力、库存水位、采购价格、线上外卖平台订单。这些解释"为什么卖多/卖少了"，让人工经验和模型对得上；
• 第三层：外部数据（拐点捕捉）——天气、节假日、周边活动赛事、竞争对手动作、社交媒体热度。Tenzo、5-Out 都把外部数据列为核心输入，因为销量的异常波动几乎都来自外部事件：一场演唱会、一次降温，足以让某家门店当天的饮料销量翻倍。

二、怎么算：不是黑盒，是"基准+修正"

拆开海外公司的模型逻辑，基本都是两步：

第一步，用历史交易算基准曲线——每个门店、每个时段、每个 SKU 的正常销量基线，自动剔除促销、闭店等异常样本；第二步，用运营和外部数据做实时修正——明天有雨，外卖占比上调；周五是节前最后一个工作日，客单价上调。5-Out 宣称的"98% 准确率"、PreciTaste 的"90% 准确率"，本质上都是这两步做得足够细。

三、输出什么：小时级、单品级、可执行

这是区分"真预测系统"和"BI 报表"的分水岭。真正可用的预测输出长这样：

• 时间到小时：不是"明天营业额 2 万"，而是"明天 11-12 点出餐 85 单、18-19 点出餐 120 单"；
• 颗粒到单品：不是"备货 5000 元"，而是"牛肉备 12 公斤、净菜备 30 份"；
• 直接给动作：预测完成后自动生成排班建议、采购单草稿、备餐计划。PreciTaste 走得最远——把预测直接推送到厨房终端，指导员工"现在做几份"；Chipotle 在加州 8 家门店的试点里，靠这套机制把食品浪费降了约 10%，店长每班节省 45 分钟。

四、落地顺序：先打通，再智能

海外这批公司有个共同的隐性前提：客户的 POS、库存、排班数据本身是干净的、在线的。Tenzo 接了 70 多个系统做整合，就是因为很多餐厅的数据散落在不同工具里。这给国内连锁的启示很直接：AI 预测的效果上限，取决于数据一体化的程度。如果 POS、供应链、财务是三套割裂的系统，预测模型再好也巧妇难为无米之炊；反过来，像启赋这样把门店 ERP、供应链和业财数据原生打通的一体化系统，预测落地时不需要先花半年做数据治理。

五、写在最后

预测的终点不是"算得准"，而是把预测结果变成每天的动作：智能补货的量、排班表的人数、央厨的生产计划、采购的资金安排。想了解预测如何直接驱动补货和采购，可以看我们供应链系统里的智能补货模块；想看预测如何支撑管理层决策，可以读用 EPM 把数据变成利润。下一篇中国落地篇，我们讲国内连锁品牌具体能怎么抄这份作业。

写在最后：把AI预测从"看得懂的报表"变成"可直接执行的采购单与排班表"，正是启赋餐饮AI应用的核心设计。了解启赋餐饮AI智能应用 →