aicanyin
餐饮连锁智能排班和智能订货，是这两年 AI 在餐饮行业里真正跑起来的两个场景。炒菜机器人还在门店后厨做演示，这两件事已经在几千家店里天天运转了。核心原因很朴素：它们本质上是算账的活，有数据、有明确目标，算错了顶多亏点钱，不会出安全事故。
我接触过不少做连锁的老板，问到 AI 靠前反应是「跟我没关系」。其实你每天让店长干的那两个小时排班、半小时订货，就是最该交给机器的地方。
为什么 AI 在餐饮连锁里先落地在排班和订货？
因为这两件事是算术题，不是手艺活。炒菜要手感、要火候，机器替代不了；排班和订货要的是把客流、天气、历史销量、员工可用时间这些变量算清楚，机器天生比人算得准、算得快。
排班和订货的痛点其实是同一个
一家店的时候，店长凭感觉排，错了第二天就调整。开到十几家店，区域经理拿 Excel 一家一家对，一周下来表还没对齐。门店数过三十家，这套流程基本就崩了——不是人不用心，是变量太多，人脑处理不过来。餐饮行业里人工成本一般占到营收两成左右，食材成本占三到四成，这两个数字稍微算粗一点，一年下来就是几十万的差额。
数据本来就在，只是过去没人拿来算
POS 流水、外卖平台的时段单量、天气接口、节假日日历，这些数据你的系统里全有。过去它们只被拿来做月底报表，看完就躺在数据库里。AI 排班和订货做的靠前件事，就是把这些死数据变成预测输入。说白了，不是缺数据，是缺一个把它们串起来算的环节。
AI 排班到底是怎么排出来的？
说穿了就一句话：把「每个时段需要几个人」和「每个员工能上什么班」这两张表对上。听起来简单，麻烦全在变量上——需求侧要看客流曲线，供给侧要看技能和工时，两边还都受规则约束。
它读的是哪几类数据
- 历史客流的分时段数据，通常要拉过去半年到一年，颗粒度细到半小时。
- 员工的技能矩阵和可用时间，谁只会做前厅、谁只能上早班，都得录进去。
- 工时上限和加班成本，这一条决定了系统会不会为了省钱把人排到违反规定。
- 天气、节假日、周边商圈活动，这些是修正因子，能解释掉一部分异常波动。
排出来的表和店长手排的差在哪
店长排班靠经验和人情，谁跟谁关系好、谁家里有事，都会照顾一下。AI 排班靠成本函数，它会把每个人的时薪、加班倍数、岗位匹配度全部折成钱来算。结果往往是高峰时段人刚好够、低谷时段人立刻减下来，人力成本能省下几个点。但它不会照顾情绪，这是优点也是缺点。
有个点容易被忽略：员工感受
纯按成本排，老员工容易被排到最碎、最差的班次，干两个月人就走了。餐饮本来就不好招人，流失一个熟手的成本远高于省下的那点工时费。所以系统里必须留出「偏好权重」这一项，让店长能手动干预。这招不是多场景适用的，遇到人员本来就紧缺的门店，排得再优也变不出人来。
智能订货真能把损耗降下来吗？
能，但有前提。订货预测的准确度完全取决于你的历史数据质量，数据脏的系统算出来一样是垃圾。生鲜品类的损耗在行业里通常按百分之几算，能压下来两三个点就已经是很实在的收益了。
预测的原理不复杂
系统看的是这个 SKU 在过去同一星期几、同一天气条件下的销量分布，再叠加当天预订量、团购券核销量、周边有没有活动，给出一个建议订货区间。它不会只给你一个数字，而是给上限和下限，让你自己拍板。这个设计很重要——真给你一个死数字，店长反而不敢用。
什么情况下会失灵
新店开业前三个月基本没法预测，没有历史数据可依。菜单大改、换了供应商导致品质波动、商圈突然施工封路，这几种情况都会让模型失准。系统一般会有异常提醒，但最终还是得靠人判断。所以别指望上了系统就彻底放手。
上线靠前个月该盯什么
盯两件事就够了：一是建议订货量和实际订货量的偏差，偏差大说明店长不信任系统，得找出原因；二是报损单，看看哪些品类还在稳定地扔东西。跑满一个月，你就能判断这套系统在你这里到底管不管用。
多少家店开始上才划算？有哪些坑？
我的判断是十家店起步比较合适。五家以下的门店，店长自己拿本子记反而更快，上系统的钱和磨合成本收不回来。十家到三十家这个区间，收益最明显，因为这时候人工已经算不过来了。
规模门槛大概在哪
决定门槛的不是门店数量本身，是门店之间的相似度。同城同业态的十家店，一套模型能复用；跨省跨业态的十家店，每个区域都得单独训练，成本就上去了。连锁品牌扩张到外地时，排班和订货模型通常要重新跑一遍冷启动。
三个最常见的坑
靠前个坑是把系统当甩手掌柜，店长不看了，出问题才发现。第二个坑是数据没清洗就导进去，员工工时录错、菜品编码不统一，算出来的结果全是错的。第三个坑是只考核成本不考核人效，排班是省钱了，翻台率和服务评分掉下来，得不偿失。
如果你正准备动手，建议先拿一个区域、五到十家店做三个月试点，把 AI 建议的排班和订货准确率跟人工基线对比。数据拿在手里，再决定要不要往全国推。中国连锁经营协会每年发布的餐饮行业报告里，对人力成本和损耗都有分业态的统计，可以先拿来当参照系。