aicanyin
上周去朋友开的一家小馆子吃饭。打烊后他解开围裙，坐在收银台前盯着一堆表格发呆，嘴里念叨：“数据有了，但看完更不知道明天该干嘛。”
我凑过去一看，里面密密麻麻记着每天的菜品销量、进货成本和外卖平台扣点。他问我：“你说这些数据到底能干啥？”
其实，这不是他一个人的困惑。这两年餐饮AI概念被炒得火热，好像餐厅不用AI就要被时代抛弃了。但作为看多了餐饮案例的人，我觉得真正的变革点不是刷脸支付，不是炒菜机器人，而是你每天做决策的方式——从拍脑袋，变成用数据说话。而这，恰恰是餐饮AI重构餐厅运营决策最核心的底层逻辑。
餐厅真的缺数据吗？缺的是把数据用起来的习惯
很多老板一说上系统就头疼，觉得自家是小本生意，用不着那么复杂。但你想过没有——每天打烊后，收银系统会打出报表，外卖平台有经营分析，进货有采购单，会员有充值记录。这些其实都是数据。
我特别认同一个说法：行业里有句老话叫“餐饮的钱一半是赚出来的，一半是省出来的”。按一般水平来算，一份菜的食材成本要控制在售价的40%以内，净利润通常只有10%上下。这意味着只要你在采购上多浪费5%，几天的盈利就悄悄溜走了。可现实是，几乎没几个老板会仔细对一遍损耗和库存。
所以，餐饮AI和数据驱动决策的靠前步，不是立刻买套昂贵系统，而是先把散落的经营数据当成一回事。
真正落地的餐饮AI，首先改变这三个决策动作
AI在餐饮行业能干的事其实没有传说中那么玄乎。落到一线，它主要在帮你做三个以前只能凭经验判断的动作。
靠前个动作：决定菜单上留谁、砍谁。很多人调整菜单靠“我觉得这个菜顾客会喜欢”。但更靠谱的做法是看销售结构数据。一个菜销量高但毛利低，是引流菜；销量低但毛利高，是利润菜；如果销量和毛利都低，就该果断下架。这个交叉分析并不复杂，Excel里拉个透视表就能搞定。
第二个动作：决定明天备多少货。麦当劳在2019年就收购了一家叫Dynamic Yield的AI公司，用来让菜单根据天气、时间和门店客流动态调整推荐——目的就是减少备错货带来的浪费。中小餐厅虽然用不上这么先进的技术，但至少可以从历史销售数据里找到规律：比如下雨天外卖单量通常会涨，周六日海鲜类销量翻倍。这些规律靠脑子记容易漏，但系统不会。
第三个动作：决定把优惠券发给谁。顾客超过60天没回购，系统可以自动打上“流失风险”的标签；每月来三四次的顾客，就别再发那种赔本的大额满减了。RFM模型听起来高大上，说白了不过就是搞清楚谁值得你花心思去挽回。商业顾问刘润在一次分享里讲过一句话，大意是：数字化的终局，应该是让每一个判断都有依据，而不是继续靠第六感。
餐饮AI落地难，三个坎绕不过去
理想虽然丰满，实际推进中确实容易翻车。
最普遍的问题，是数据不通。很多餐厅收银一套系统，库存一套表格，外卖平台的数据又要单独导出，全要靠人工来回倒腾。数据一旦对不上，后面分析等于白做。
第二个坎，是期望错位。有人觉得上了AI系统就该直接告诉我“明天该进多少斤排骨”，但AI不是算命。它只能告诉你“如果按历史规律和明天天气预测，进货量大概是多少”。系统提供的是一个决策参考，不是拍板的嘴巴。把因果关系搞反了，再贵的餐饮AI也用不起来。
第三个坎来自老板自己。店里装了全套系统，但店长每天还是要打电话问老板“这个团购券能不能用”“这道菜能不能退”。组织授权没有跟着系统一起“数字化”，数据系统自然就变成了一个昂贵的摆设。
小餐馆想试水数据化，低成本可以从这三步开始
讲到这儿，可能有人会说：我只是个开面馆的，用得着这么折腾吗？
我的看法是：不需要一步到位，但可以从很小的切口开始。
靠前步，选一个最头疼的指标，比如食材损耗率。每天打烊后花两分钟，把当日进货量和实际消耗量记在同一个本子上。坚持两周，你大概率会发现自己店里的浪费比你想象中严重。
第二步，去外卖平台后台把近一个月的经营数据导出来，重点看三个时间点：一周里的哪几天单量最少？一天里的哪个时段集中出单？顾客差评里提到最多的菜品是哪一个？这些问题的答案，会直接告诉你下周的工作重心该放在哪。
第三步，做一个特别小的实验。比如你怀疑某个套餐不好卖，那就把它从菜单上拿掉一周，换上新组合，看总营业额有没有变化。用数据验证你的感觉，而不是凭感觉直接拍板。
通常有人会追问：要不要专门雇个懂数据分析的人？至少现阶段不用。先逼着自己养成看数据的闭环习惯，等你发现人工处理已经跟不上了，再考虑引入工具。那时候你才会真正清楚自己想要什么功能，不会被销售话术牵着鼻子走。
说到底，餐饮AI重构餐厅运营决策这件事，本质上是让经营回到事实本身。技术只是放大器——如果基础的数据习惯没有建立，再强的AI也帮不上忙。反过来，当你真正开始用数据做决策时，哪怕只是每周多省下几百块损耗，就已经跑赢了大多数同行。
