Overview
プロジェクト概要
競合メニュー価格の自動調査、メニューデザインの効率化、勤怠管理、発注予測まで、飲食店オペレーション全体をAIで一気通貫化。店長の「どんぶり勘定」を排除し、利益率を2桁％改善した事例です。
| 業種 | 飲食業（多店舗展開 / 直営＋FC混在） |
| 対象業務 | メニュー戦略・販促・勤怠・発注までの店舗運営全般 |
| 導入期間 | 約10週間（4領域を段階的にリリース） |
| 対象店舗数 | 都内・近郊の12店舗（同業態・同ブランド） |
Before — 飲食店を蝕む”どんぶり勘定”
飲食店の本部人員は常に不足気味で、店長は調理・接客・発注・シフト・販促まで一人で抱え込みがちです。結果として、以下のようなオペレーション上の無駄が慢性化していました。
- 競合店の価格改定に追随できず、メニュー価格がエリア相場から乖離
- 季節メニューのデザイン制作を外注→入稿まで2〜3週間かかる
- シフト作成は店長が紙で手書き／エクセル。月末に労務データの集計で疲弊
- 仕入れが「去年の今頃のノリ」で決まり、廃棄ロスとチャンスロスが両方発生
Solution — 4領域をAIで統合したオペレーション基盤
店舗運営を「メニュー」「販促デザイン」「勤怠」「発注」の4領域に分解し、それぞれにAIを組み込みました。データはPOS・予約・入退館・仕入伝票を1つのデータ基盤に集約し、各AIが同じデータソースを参照します。
| 領域 | 実装内容 |
|---|---|
| ① メニュー・価格調査 | 競合店10店舗のデリバリー／グルメサイトを週次クロールし、主力カテゴリの価格帯とボリューム帯を抽出。Claudeが「自店の価格差 / 粗利インパクト / 推奨改定額」を1枚のレポートにまとめ、店長向けに毎週配信。 |
| ② メニューデザイン生成 | ブランドのトンマナJSONに沿って、季節メニュー・LINE用バナー・店頭ポップを画像生成AIで作成。店長は商品写真とコピー案を入れるだけ。最短30分で量産。 |
| ③ AI勤怠・シフト最適化 | 打刻データ・予約数・曜日・イベント有無から必要人員を予測し、スタッフ希望と制約（労働時間・資格・時給）を踏まえてシフト原案を自動生成。店長は微修正するだけ。 |
| ④ 発注予測 | POSの販売実績・天候・曜日・近隣イベントから、翌日〜翌週の食材使用量を予測し、食材ごとに推奨発注量を提示。仕入伝票の入力まで自動化。 |
特に効いた「発注予測」の中身
飲食店の利益を最も削るのは「仕入れ過多による廃棄」と「品切れによる販売機会損失」の両方です。本案件では以下のインプットを組み合わせ、食材SKUごとに翌日の使用量を予測→発注量に変換しました。
- POSの過去12ヶ月の時間帯別販売数
- 予約データ（席数・コース比率・団体客の有無）
- 気象予報（気温・降水確率）— 業態によって寄与度が変わる
- 近隣イベント・ライブ・周辺施設の開催情報
- 在庫棚卸し結果（前日残）
予測は1SKU単位で出力され、発注書は既存の仕入先システムのフォーマットに合わせて自動生成。店長は「数量を見て承認ボタンを押すだけ」になりました。
成果（運用6ヶ月実績）
食材廃棄ロス
△32%
発注予測＋棚卸し連動で縮小
品切れ発生率
△45%
需要予測の精度改善による
店長の事務時間
月70時間 → 18時間
発注・シフト・デザインで削減
店舗営業利益率
+3.8pt
価格改定・廃棄削減・工数削減の総合効果
使用スタック
- LLM: Claude（競合比較レポート生成 / 店長向けアドバイス文章化 / シフト制約の自然言語理解）
- 画像生成: 画像生成API（メニュー・ポップ・SNS用バナー）
- データ基盤: POS・予約・勤怠・仕入伝票をBigQueryに統合
- 予測エンジン: 時系列モデル＋LightGBM（気象・イベントなど特徴量を追加）
- 配信: 店長向けにLINE WORKS / Slackで日次レポート
- 発注連携: 既存仕入先の発注フォーマットに合わせた自動生成
この事例から得られる示唆
飲食店のAI活用は「注目されるほど派手ではない領域」で一番効きます。価格改定の鮮度・販促物の内製化・シフト効率・発注精度の4点は、どれも「店長の暗黙知」に依存していた領域で、ここをデータとAIで置き換えると利益率が二桁改善するケースが多い。for,Freelanceでは4領域の同時導入に加え、業態ごと（居酒屋／カフェ／ラーメン／焼肉など）に予測モデルと制約条件をカスタマイズしています。
