.png)
Quanto sono davvero efficaci le previsioni di vendita basate sull’intelligenza artificiale nella ristorazione collettiva – non solo sulla carta, ma nella realtà quotidiana delle attività? È proprio questa la domanda a cui hanno cercato di rispondere GoNina e SV Group, uno dei principali gruppi di ristorazione della Svizzera, nell’ambito di un progetto pilota congiunto. Per due mesi, le previsioni di GoNina sono state testate sul campo in dieci sedi della ristorazione collettiva, dai ristoranti per il personale agli istituti di formazione fino alle strutture pubbliche.
Questo articolo illustra come è stato strutturato il progetto pilota e quali sono stati i risultati ottenuti.
La struttura: due fasi, un criterio chiaro
Fase 1 - Laboratorio. Nel primo mese, le previsioni basate sull’intelligenza artificiale sono state elaborate parallelamente alla routine quotidiana, senza interferire con la pianificazione: per ogni sede e ogni giorno, la previsione di GoNina relativa al volume di vendite effettivo è stata confrontata con la pianificazione elaborata dai manager esperti dei ristoranti. In questo modo è stato possibile effettuare un confronto oggettivo in condizioni reali, senza alcun rischio per l’attività.
Fase 2 - Live. Nel secondo mese, le previsioni sono state messe a disposizione dei team nell'ambito della pianificazione quotidiana della produzione. Parallelmente, i modelli sono stati costantemente perfezionati: ogni giorno di vendita in più è stato integrato come nuovo materiale di addestramento.
Il criterio è stato scelto volutamente rigoroso: non il confronto con una semplice regola empirica, bensì la realtà quotidiana della progettazione da parte di professionisti che conoscono le loro aziende da anni.
I risultati: estrema precisione, con una curva di apprendimento ripida
Il risultato principale del progetto pilota: le previsioni basate sull’intelligenza artificiale si sono rivelate molto precise in tutte le sedi – dalla mensa del personale alla mensa universitaria –, nonostante profili di domanda, ritmi settimanali e composizioni della clientela completamente diversi.
Altrettanto importante quanto il livello è stato lo sviluppo: i modelli sono stati costantemente migliorati durante la fase pilota e si sono notevolmente affinati nel corso del tempo. È proprio questo il punto di forza del machine learning nell’applicazione pratica: mentre la conoscenza empirica cresce nel corso degli anni, un modello migliora nel giro di poche settimane, e questo per ogni singola sede.
Importante per contestualizzare: l’obiettivo delle previsioni non è quello di sostituire l’esperienza del personale del ristorante, ma di alleggerirne il carico di lavoro – la macchina calcola gli andamenti su tutte le sedi e le linee di menu, mentre i professionisti si concentrano su ciò che non è riportato nei dati.
Cosa ci insegna il progetto “Pilot” sulla ristorazione collettiva
È possibile imparare a gestire queste fluttuazioni. I ritmi del lavoro da casa, le vacanze, il tempo e i profili delle sedi possono sembrare caotici, ma seguono degli schemi – ed è proprio questi schemi che il modello ha appreso dai dati sulle vendite, per ogni sede e linea di menu.
È la curva di apprendimento a fare la differenza. Un modello predittivo è meno preciso il primo giorno e migliora di settimana in settimana: chi valuta i risultati iniziali al livello di partenza sottovaluta sistematicamente il livello raggiunto dal sistema dopo poche settimane.
L’uomo rimane protagonista. La previsione è un suggerimento, non un meccanismo automatico: sono i team dei ristoranti ad avere l’ultima parola e a tenere conto di ciò che non è riportato nei dati, dai grandi eventi ai cantieri davanti alla porta.
Domande frequenti
È possibile attuare un progetto pilota di questo tipo anche in aziende di dimensioni più ridotte?
Sì: il principio del confronto in laboratorio seguito dall’applicazione pratica funziona già a partire da una singola sede. Le previsioni vengono inizialmente elaborate in parallelo alla pianificazione esistente e vengono verificate sulla base dei dati interni, prima di essere integrate nella routine quotidiana.
Quali dati sono necessari per iniziare?
I dati relativi alle vendite o alle transazioni di cassa registrati dall’azienda: sono questi a fornire il materiale di formazione. A questi si aggiungono i menu pianificati e i piatti in offerta. L’integrazione viene configurata dal team di GoNina durante la fase di onboarding.
Conclusione
Il progetto pilota con SV Group dimostra cosa sono in grado di offrire le previsioni basate sull’intelligenza artificiale nella ristorazione collettiva: previsioni precise in condizioni reali, con una curva di apprendimento che diventa visibile nel corso delle settimane – convalidate in dieci sedi nel corso di due mesi di attività operativa. Per un settore che produce quotidianamente in base alla domanda, ciò costituisce la base per ridurre le eccedenze e semplificare la pianificazione – come supporto ai team, non come loro sostituto.
Per scoprire come funzionano in generale le previsioni di vendita basate sull'intelligenza artificiale nel settore della ristorazione, leggi la nostra guida completa dedicata al settore.
