Den 60-sitsiga Karabatak i Istanbuls Karaköy-distrikt serverade 47 brunch-cover förra söndagen; kocken förberedde igen för 47. Algoritmen sa 73 — och 71 kom in före kl. 13. Den skillnaden är vad restauratörer faktiskt söker när de googlar "AI efterfrågansprognos restaurang".
Vad Modellen Använder
Toast Forecast AI använder 12 månaders dagliga cover, timvis POS-försäljning, OpenWeather regnsannolikhet, Google Trends "brunch i närheten" och lokal eventkalender. En bayesiansk ensemble producerar ett 95% konfidensintervall på ±6 cover — tillräckligt smalt för mise-en-place.
Notis kl. 9: "Idag 73 ± 6 cover. 4 äggvarianter, 18 laxportioner." Tidigare förberedde 28 lax, 10 slängdes.
22% Mindre Svinn Mätt
Mars-augusti 2026 slängde Karabatak 27 kg veckovis (lax, avokado, örter). Med aktiv prognos sjönk till 21 kg i slutet av oktober. 312 kg/år × 7€/kg ≒ 2.180€ direkt besparing.
Passar Små Verksamheter?
Pro+ 79$/månad. ROI ~3 månader under 50 platser endast från svinn-besparing. OBS: 4 veckors uppvärmning, 70% noggrannhet första månaden, 88% vecka 12.
FAQ
Vad om väderprognosen är fel? Kl. 6-feed, inte gårdagens — ±2 cover brus.
Ny öppning? Nej, 12 månaders historik krävs.
Erbjuder thMenu? Daglig trendanalys idag; nativ AI-prognos planerad Q2 2027.
Var detta hjälpsamt? Dela det.
Relaterade artiklar
Statisk QR vs dynamisk QR: total ägandekostnad över 3 år
24-bords bistro, 36 månader: 21 000 TRY i omtryck vs 11 640 TRY dynamisk prenume…
Omotenashi möter QR: japansk gästfrihet utan att förlora den mänskliga touchen
Varför Tokyos Sukiyabashi Jiro avvisar QR-menyer medan 68% av mellanklassens iza…
AR-matförhandsvisning via WebXR: webbläsar-3D utan app
Hur Dishoom Soho uppnådde +22% genomsnittsnota med model-viewer. Under-200KB .gl…