Külalislahkuse maailmas on olemas varjatud kulu, mis ei ilmu kunagi eraldi reana kasumiaruandes, kuid mis kurnab kasumit rohkem kui peaaegu ükski teine tegur. Ma nimetan seda oletuste maksuks.
See on kulu, mis tekib, kui peakokk sulatab kolmkümmend liigset ribeye-pihvi, sest „on päikeseline reede“, kuid ootamatu äikesetorm jätab kõik kliendid koju. See on kulu, mis tekib, kui juhataja määrab teisipäevasesse vahetusse viis teenindajat, kui kliente on vaid kümme – või mis veel hullem, määrab kaks teenindajat, kui kohalik teatritrupp pärast etendust ootamatult sisse astub.
Aastaid oleme aktsepteerinud seda ettearvamatust kui „valdkonna eripära“. Kuid eelmisel aastal töötasin ma viie asukohaga sõltumatu restoranigrupiga, kes otsustas, et nad on oletuste maksu piisavalt maksnud. Rakendades lahendusi, mida peetakse laialdaselt parimateks AI tööriistadeks külalislahkuse valdkonnas, ei piirdunud nad vaid marginaalide timmimisega – nad muutsid põhjalikult oma köökide ja saalide toimimist. Tulemused olid hämmastavad: kuue kuu jooksul vähenes toidujäätmete hulk 40% ja viietärniarvustuste arv kasvas 100%.
Oletuste maksu anatoomia
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Enne kui vaatame lahendust, peame mõistma, miks see probleem on nii püsiv. Enamik külalislahkuse ettevõtteid tegutseb „intuitiivse prognoosimise“ alusel. Juhataja vaatab eelmise aasta müüki, kontrollib kohalikku ilmaäppi ja teeb sisetunde põhjal otsuse.
Inimese intuitsioon on suurepärane kastme maitsestamiseks, kuid see on kohutav mitme muutujaga andmete töötlemisel. Inimene ei suuda samaaegselt arvutada, kuidas kell 15.00 algav vihmasadu, lähedal toimuv keskkooli lõpuaktus ja kohalike toidukaupade hindade 12%-line tõus mõjutavad Caesari salati nõudlust neljapäeva õhtul. ChatGPT ja teised sarnased AI süsteemid suudavad.
Kui intuitsioon alt vedab, langete te varieeruvuse lõksu. See on olukord, kus teie operatiivne tegelikkus kõigub nii drastiliselt, et personalil on kas igav (mis toob kaasa kõrged tööjõukulud) või on nad ülekoormatud (mis viib halva teeninduskvaliteedini). See restoranigrupp oli lõksus. Nende toidujäätmete hulk oli umbes 12% kogu laoseisust ja nende arvustused olid kui ameerika mäed: „Suurepärane toit, aga ootasime tund aega“ ja „Tühi restoran, tekitas ebamugavust“.
Ettevalmistusprobleemi lahendamine: ennustav laohaldus
Nende transformatsiooni esimene sammas oli üleminek staatilistelt ettevalmistusloenditelt ennustavale ettevalmistusele.
Traditsioonilised ettevalmistusloendid põhinevad par-tasemetel – minimaalsetel toidukogustel, mis peaksid alati valmis olema. Probleem? Par-tasemed on staatilised, kuid nõudlus on dünaamiline. Kasutades AI-põhiseid nõudluse prognoosimise tööriistu, hakkas grupp koostama ettevalmistusvajadusi 48-tunnise väljavaate põhjal. Need tööriistad töötlevad ajaloolisi müügiandmeid, kohalikke sündmusi ja üksikasjalikke ilmamustreid, et ennustada täpselt, kui palju iga menüüartikli portsjonit müüakse.
Vähendades lõhet ettevalmistatu ja tellitu vahel, saavutasid nad riknemise 40%-lise vähenemise. Vaadake meie toidujäätmete säästmise juhendit, et süveneda nende süsteemide toimimismehhanismidesse. Algselt skeptilised kokad mõistsid kiiresti, et täpsem ettevalmistusloend tähendas vähem „tühja“ tööd ja puhtamat ning tõhusamat töövoogu.
Personalitöö murekoha lahendamine: nõudluse ja tööjõu tasakaal
Teine sammas oli tegelemine „väsinud teenindaja“ tagasisideahelaga. Kui restoranis on liiga vähe töötajaid, teenindus aeglustub, vead sagenevad ja arvustused langevad. Kui töötajaid on liiga palju, kaob marginaal saali ülalpidamisele.
Läbi automatiseeritud mehitamislahenduste hakkas grupp koostama töögraafikuid, mis peegeldasid nende prognoositud nõudluskõveraid. „Standardsete“ vahetuste asemel läksid nad üle paindlikule planeerimisele.
See tõi kaasa positiivsete arvustuste 100%-lise kasvu. Miks? Sest restorani ei tabatud kunagi ootamatult. Iga kord, kui tekkis külastajate tulv, oli AI seda kolm päeva ette ennustanud ja kohal oli piisav arv abikäsi. Töötajate moraal paranes, sest nad ei pidanud end ribadeks tõmbama ega ka neli tundi järjest tühja seistes klaase poleerima.
Parimate AI tööriistade leidmine külalislahkuse sektoris
Kui soovite neid tulemusi korrata, peate mõistma, et „parimad“ tööriistad ei ole need, millel on kõige rohkem funktsioone, vaid need, mis integreeruvad kõige sügavamalt teie olemasoleva kassa- (POS) ja laohaldussüsteemiga.
Hinnates parimaid AI tööriistu külalislahkuse valdkonnas, otsin ma kolme konkreetset võimekust:
- Andmete kogumine mitmest allikast: Kas tööriist vaatab enamat kui ainult teie varasemat müüki? See peaks kaasama kohalikke sündmuste kalendreid, ilma ja isegi piirkondlikke majandusnäitajaid.
- Detailne prognoosimine: Kas see suudab ennustada nõudlust 15-minutiliste intervallidega? See on tööjõu planeerimisel kriitiline.
- Rakendatavad väljundid: Kas see annab teile lihtsalt graafiku või ütleb peakokale täpselt, mitu kilo kana tellida?
Paljude ettevõtete jaoks algab teekond riistvarast ja infrastruktuurist. Te ei saa jälgida seda, mida te ei mõõda, ning oma toitlustusseadmete kulude mõistmine oma väljundi kontekstis on oluline esimene samm köögi moderniseerimisel.
90/10 reegel köögis
Nagu ma sageli oma klientidele ütlen, ei ole AI eesmärk külalislahkuses asendada restorani „hinge“. Ma nimetan seda külalislahkuse tehisintellekti 90/10 reegliks.
AI peaks tegelema 90%-ga ärist, mis on loogiline, korduv ja andmepõhine – tellimine, planeerimine, ettevalmistuste prognoosimine ja lihtsad kliendipäringud. See vabastab meeskonna keskenduma 10%-le, mis tegelikult loeb: külalislahkusele.
Kui juhataja ei küüru tabelite kohal, püüdes aru saada, miks tööjõukulu on 35%, on ta saalis, vestleb külalistega ja tagab täiusliku atmosfääri. Sealt see arvustuste 100%-line paranemine tegelikult tuleb. AI ei pakkunud teenindust; see lõi tingimused, et inimesed saaksid pakkuda suurepärast teenindust.
Kust alustada?
Kui te maksate hetkel oletuste maksu, ärge püüdke kõike korraga automatiseerida.
- Auditeerige oma raiskamist: Jälgige ühe nädala jooksul täpselt, mis läheb prügikasti ja miks.
- Ühendage oma andmed: Veenduge, et teie kassa- ja laohaldussüsteem suhtlevad omavahel.
- Alustage ühest funktsioonist: Tavaliselt pakub ettevalmistuste prognoosimine kiireimat investeeringutasuvust (ROI).
Kuna juhin ka ise AI-põhist ettevõtet, näen ma seda mustrit igas sektoris: võitjad on need, kes lõpetavad oletamise ja hakkavad kasutama andmeid, mis neil juba olemas on. Külalislahkuses ei ole see üleminek enam luksus – see on ellujäämise nõue. Tehnoloogia on kohal, kulud on madalamad, kui arvate, ning kasumimarginaal ootab teie prügikastides ja üleplaneeritud vahetustes, et te selle uuesti üles leiaksite.