كيف يساعد الذكاء الاصطناعي في توقع الطلب وتقليل الهدر في المطاعم ومصانع الأغذية: البيانات المطلوبة، وطريقة البدء بخطوات صغيرة، وحدود التوقعات ومخاطرها.
1. ما المقصود بالذكاء الاصطناعي في توقع الطلب وتقليل الهدر؟
الذكاء الاصطناعي في توقع الطلب وتقليل الهدر يعني استخدام نماذج تتعلم من مبيعاتك السابقة والعوامل المؤثرة فيها لتقدير ما ستبيعه غداً أو الأسبوع القادم، ثم تحويل هذا التقدير إلى كميات تحضير وطلبيات شراء أقرب إلى الواقع. الفكرة بسيطة: كلما اقترب ما تحضّره مما يُطلب فعلاً، قلّ ما يُرمى في نهاية اليوم.
في كثير من المطاعم يعتمد تحديد كميات التحضير على خبرة الشيف أو مدير الفرع، وهي خبرة ثمينة لكنها تتأثر بالذاكرة والانطباع. قد يتذكر المدير أن يوم الخميس مزدحم، لكنه لا يتذكر بدقة أن طلب طبق معين ينخفض في الأسبوع الأخير من الشهر، أو أن الطلب على المشروبات الباردة يرتفع مع موجات الحر.
نموذج التوقع لا يلغي هذه الخبرة، بل يضع أمامها رقماً مقترحاً مبنياً على البيانات، ويترك القرار النهائي للإنسان. ويمكن أن يعمل التوقع على عدة مستويات:
- مستوى الطبق: كم وجبة من كل صنف يُتوقع بيعها في كل فترة.
- مستوى المكونات: ما تحتاجه من لحوم وخضار وألبان لتغطية هذه الأطباق.
- مستوى الفرع: الفروق بين فرع في حي سكني وآخر في منطقة مكاتب.
هذا التطبيق جزء من صورة أوسع نشرحها في مقال استخدام الذكاء الاصطناعي في المطاعم.
2. لماذا يحدث الهدر الغذائي في المطاعم والمصانع؟
قبل الحديث عن الحلول التقنية، من المفيد أن نفهم مصادر الهدر نفسها، لأن التوقع يعالج بعضها فقط. يأتي الهدر عادة من أربعة مصادر رئيسية:
- الإفراط في التحضير: تحضير كميات تزيد على المبيعات الفعلية، فتنتهي صلاحية الطعام المحضّر قبل استخدامه.
- الإفراط في الشراء: طلب مواد خام أكثر من الحاجة، فتبقى في المستودع حتى تقترب من انتهاء صلاحيتها.
- أخطاء التخزين: عدم تطبيق مبدأ الوارد أولاً يُصرف أولاً، أو تخزين المواد في درجات حرارة غير مناسبة.
- الهدر بعد التقديم: بقايا الأطباق التي يتركها العملاء بسبب حجم الحصص أو جودة الطبق.
توقع الطلب يستهدف المصدرين الأولين بشكل مباشر، لأنهما يرتبطان بسؤال واحد: كم سنحتاج؟ أما أخطاء التخزين فتحتاج إلى انضباط تشغيلي، مثل تطبيق طريقة FIFO في تخزين الطعام ومراقبة درجات الحرارة. والهدر بعد التقديم يحتاج إلى مراجعة الحصص والوصفات.
من المهم أيضاً التمييز بين الهدر والسلامة. الطعام الذي تجاوز مدة الاحتفاظ الآمنة يجب التخلص منه مهما كانت تكلفته، ولا ينبغي أن يدفع ضغط تقليل الهدر أي موظف إلى استخدام مواد مشكوك في سلامتها. الهدف هو تقليل الكميات الزائدة من البداية، لا إطالة عمر طعام غير آمن.
3. ما البيانات التي يحتاجها نموذج توقع الطلب؟
جودة التوقع مرتبطة مباشرة بجودة البيانات. لا تحتاج في البداية إلى أنظمة معقدة، لكنك تحتاج إلى بيانات منتظمة وصادقة. أهم هذه البيانات:
- سجل المبيعات التفصيلي: من نظام نقاط البيع، بحسب الصنف والتاريخ والساعة والفرع، ويفضل أن يغطي عدة أشهر على الأقل.
- سجل الهدر: ما يُرمى يومياً وسبب ذلك، سواء كان انتهاء مدة الاحتفاظ أو التلف أو خطأ التحضير.
- التقويم المحلي: المواسم والمناسبات مثل رمضان والأعياد والإجازات المدرسية وأيام الرواتب، لأنها تغير نمط الطلب بوضوح في السعودية.
- العروض والحملات: أي خصم أو إعلان يرفع الطلب على صنف معين مؤقتاً.
- قنوات الطلب: الفرق بين الطلب داخل المطعم وتطبيقات التوصيل.
- عوامل خارجية: مثل الطقس أو الفعاليات القريبة من الفرع عند توفرها.
أكثر البيانات إهمالاً هو سجل الهدر. كثير من المنشآت تعرف ما باعته بدقة، لكنها لا تعرف ما رمته. وبدون هذا السجل لا يمكنك قياس أثر التوقع، ولا معرفة إن كانت المشكلة في التحضير أم في الشراء أم في التخزين.
نصيحة عملية: ابدأ بتسجيل الهدر بنموذج بسيط في نهاية كل وردية، يحدد الصنف والكمية والسبب. هذا السجل وحده قد يكشف لك فرصاً واضحة قبل أن تستخدم أي نموذج ذكي.
4. كيف تقلل التوقعات الدقيقة كميات الهدر فعلياً؟
التوقع وحده رقم على الشاشة. أثره الحقيقي يظهر عندما يرتبط بقرارات يومية محددة. هذه أبرز النقاط التي يتحول فيها التوقع إلى تقليل فعلي للهدر:
- قوائم التحضير اليومية: بدلاً من تحضير الكمية نفسها كل يوم، تحصل الوردية الصباحية على كمية مقترحة لكل صنف بحسب اليوم المتوقع.
- التحضير على دفعات: عندما يعرف المطبخ أن الطلب يتركز في ساعة الغداء، يمكنه تحضير دفعات أصغر ومتكررة بدل كمية كبيرة واحدة.
- طلبيات الشراء: ربط الكميات المتوقعة بالمكونات يساعد على طلب ما يكفي فقط، خاصة للمواد سريعة التلف مثل الخضار الورقية والألبان.
- توزيع المخزون بين الفروع: في المجموعات التي لديها مطبخ مركزي، يساعد التوقع على توزيع الكميات بحسب حاجة كل فرع.
- تخطيط الورديات: معرفة الأوقات المزدحمة تساعد على توزيع الموظفين، مما يقلل أخطاء التحضير تحت الضغط.
مثال توضيحي: مطعم يحضّر كمية ثابتة من الأرز يومياً، ويلاحظ أن جزءاً منها يُرمى في الأيام الهادئة. عندما يقترح النموذج كميات أقل لأيام الأحد والإثنين وأكثر لنهاية الأسبوع، يقل الفائض دون أن ينفد الطبق في الأيام المزدحمة. وهذا مهم أيضاً لسلامة الغذاء، لأن الأرز المطبوخ من الأطعمة التي تحتاج إلى تبريد وحفظ دقيقين.
بعد ذلك يأتي دور إدارة النفايات في المطاعم للتعامل الآمن مع ما يتبقى رغم كل التخطيط.
5. كيف تبدأ بخطوات صغيرة دون استثمار كبير؟
لا تحتاج إلى مشروع ضخم لتجربة توقع الطلب. البداية الصغيرة والمدروسة أفضل من مشروع كبير يتوقف بعد أشهر. هذه خطة مرحلية مقترحة:
- الخطوة الأولى، اختر نطاقاً محدوداً: فرع واحد وعدد قليل من الأصناف الأكثر هدراً أو الأعلى تكلفة.
- الخطوة الثانية، نظّف البيانات: تأكد أن أسماء الأصناف موحدة في نظام نقاط البيع، وأن سجل الهدر يُعبأ يومياً.
- الخطوة الثالثة، ابدأ بالأبسط: متوسط مبيعات اليوم نفسه في الأسابيع الماضية قد يكون بداية جيدة قبل أي نموذج معقد.
- الخطوة الرابعة، أضف الذكاء تدريجياً: كثير من أنظمة نقاط البيع وإدارة المخزون تقدم اليوم ميزات توقع مدمجة يمكن تفعيلها.
- الخطوة الخامسة، قارن وقِس: قارن الكميات المقترحة بالمبيعات الفعلية والهدر لعدة أسابيع.
- الخطوة السادسة، وسّع بحذر: انتقل إلى أصناف وفروع أخرى بعد أن تثبت الفائدة.
الأهم من الأداة هو إشراك الشيف ومدير الفرع منذ البداية. إذا شعروا أن الرقم المقترح مفروض عليهم دون فهم، فسيتجاهلونه. أما إذا شاركوا في مراجعته وتعديله، فسيصبح أداة يعتمدون عليها.
وإذا كنت تبحث عن جانب المخزون وتواريخ الصلاحية تحديداً، فراجع مقال الذكاء الاصطناعي في إدارة المخزون.
6. ما حدود التوقعات ومخاطرها؟
التوقع تقدير وليس يقيناً، ومن يتعامل معه كحقيقة ثابتة سيقع في أخطاء مكلفة. هذه أبرز الحدود التي يجب أن تعرفها:
- الأحداث غير المسبوقة: إغلاق طريق قريب أو فعالية مفاجئة أو تغيير كبير في القائمة، كلها أمور لا يعرفها النموذج إن لم تظهر في البيانات السابقة.
- الفروع الجديدة: الفرع الذي افتُتح حديثاً لا يملك تاريخاً كافياً، فتكون توقعاته أقل دقة في الأشهر الأولى.
- الأصناف قليلة المبيعات: يصعب توقع طبق يُباع مرات قليلة في اليوم، والأفضل التعامل معه بقواعد بسيطة.
- البيانات الملوثة: أيام انقطاع نظام نقاط البيع أو نفاد صنف معين تُظهر مبيعات منخفضة غير حقيقية، وقد تضلل النموذج إن لم تُعالج.
- خطر النقص: التركيز المفرط على تقليل الهدر قد يؤدي إلى نفاد أصناف مهمة، وهذا يضر بتجربة العميل.
لهذا يجب أن يبقى الإشراف البشري حاضراً. اجعل الرقم المقترح نقطة بداية، وامنح مدير الفرع صلاحية تعديله مع تسجيل السبب. هذه التعديلات نفسها بيانات مفيدة تحسن النموذج مع الوقت.
ومن جهة البيانات، تذكر أن سجلات المبيعات قد ترتبط ببيانات العملاء في تطبيقات التوصيل أو برامج الولاء. إن كانت كذلك، فاحرص على التعامل معها وفق نظام حماية البيانات الشخصية PDPL الذي تشرف عليه الهيئة السعودية للبيانات والذكاء الاصطناعي SDAIA، واستخدم البيانات المجمعة كلما أمكن.
7. كيف تقيس نجاح توقع الطلب في منشأتك؟
بدون قياس واضح لن تعرف إن كان التوقع يستحق الجهد. حدد مؤشراتك قبل البدء، وقارنها بفترة سابقة مماثلة قدر الإمكان. أهم المؤشرات:
- كمية الهدر لكل صنف: بالوزن أو بعدد الحصص، أسبوعياً.
- نسبة الهدر إلى المبيعات: لأن ارتفاع المبيعات قد يخفي ارتفاع الهدر.
- مرات النفاد: عدد المرات التي نفد فيها صنف قبل نهاية الفترة، لتتأكد أنك لا تقلل الهدر على حساب العميل.
- دقة التوقع: الفرق بين الكمية المقترحة والمبيعات الفعلية.
- نسبة الالتزام: كم مرة استخدم الفريق الكمية المقترحة، وكم مرة عدلها ولماذا.
راجع هذه المؤشرات في اجتماع أسبوعي قصير مع الشيف ومدير الفرع. إذا ظهر أن الهدر لم ينخفض رغم دقة التوقع، فالمشكلة غالباً في التنفيذ أو التخزين لا في النموذج.
وهنا يتكامل توقع الطلب مع أدوات الجودة الأخرى. فالهدر الناتج عن تلف المواد في الثلاجات مثلاً لا يحله التوقع، بل مراقبة درجات الحرارة والتفتيش الدوري على مناطق التخزين. في منصة مثل لائق365 يمكن متابعة حرارة الثلاجات بالحساسات، ورصد ملاحظات التخزين المتكررة في تقارير التفتيش عبر التحليل الذكي، مما يغلق مصدراً مهماً من مصادر الهدر لا يغطيه توقع الطلب.
الخلاصة
الذكاء الاصطناعي في توقع الطلب وتقليل الهدر لا يحتاج إلى مشروع ضخم ليبدأ بإحداث فرق. سجل مبيعات منظم، وسجل هدر صادق، وتجربة على فرع واحد وأصناف محدودة، ومراجعة أسبوعية مع الشيف، كلها كافية لتعرف إن كانت التوقعات تقلل الفائض دون أن تحرم العميل من أطباقه. تذكر أن الرقم المقترح نقطة بداية، وأن القرار يبقى لفريقك.
وبما أن جزءاً من الهدر يأتي من سوء التخزين وتعطل التبريد، فإن مراقبة الثلاجات والتفتيش المنتظم يكملان الصورة. تعرّف على ما يقدمه لائق365 في صفحة الباقات، وتصفح المزيد في مقالات الذكاء الاصطناعي.
اقرأ أيضاً: تحليل بيانات الحساسات بالذكاء الاصطناعي: من القراءات إلى القرار · الذكاء الاصطناعي في سلامة الغذاء: دليل عملي للمطاعم والمصانع
الأسئلة الشائعة
- هل يناسب توقع الطلب بالذكاء الاصطناعي المطاعم الصغيرة؟
نعم، لكن بأسلوب مبسط. المطعم الصغير يستطيع البدء بسجل مبيعات منتظم وسجل هدر يومي ومقارنة بسيطة بين الأيام المتشابهة. كثير من أنظمة نقاط البيع الحالية تقدم ميزات توقع مدمجة لا تحتاج إلى فريق تقني. المهم أن تكون البيانات منتظمة وأن يراجع صاحب المطعم النتائج أسبوعياً.
- كم شهراً من البيانات أحتاج حتى تصبح التوقعات مفيدة؟
لا يوجد رقم ثابت، لكن التوقع يتحسن كلما غطت البيانات فترة أطول ومواسم أكثر. عدة أشهر من المبيعات المنتظمة تكفي عادة لالتقاط نمط الأسبوع، أما تأثير المواسم مثل رمضان فيحتاج إلى بيانات من سنة سابقة على الأقل. في البداية، اعتمد على خبرة الفريق في المواسم مع الرقم المقترح.
- هل يمكن أن يسبب التوقع نفاد الأصناف؟
نعم، إذا ضُبط بشكل متحفظ أكثر من اللازم أو تُرك دون مراجعة. لهذا يجب قياس مرات النفاد إلى جانب الهدر، وإضافة هامش أمان للأصناف الأساسية في القائمة. منح مدير الفرع صلاحية تعديل الكمية المقترحة مع تسجيل السبب يحمي من هذا الخطر ويحسن النموذج.
- هل يحل توقع الطلب مشكلة الهدر بالكامل؟
لا، فهو يعالج الإفراط في التحضير والشراء فقط. أما الهدر الناتج عن أخطاء التخزين أو تعطل الثلاجات أو حجم الحصص فيحتاج إلى حلول أخرى، مثل تطبيق FIFO ومراقبة درجات الحرارة ومراجعة الوصفات. أفضل النتائج تأتي من الجمع بين التوقع والانضباط التشغيلي.
- هل يجوز استخدام المواد القريبة من انتهاء صلاحيتها لتقليل الهدر؟
يجوز استخدامها ما دامت ضمن تاريخ الصلاحية ومخزنة بشكل صحيح وسليمة عند الفحص، ويفضل تقديمها للاستخدام أولاً. أما المواد التي تجاوزت تاريخ الصلاحية أو مدة الاحتفاظ الآمنة بعد التحضير فيجب التخلص منها. تقليل الهدر لا يبرر أبداً المخاطرة بسلامة الغذاء.
