老叶聊AI餐饮 · AI管店实验室
EXPERIMENT 01 / PROCUREMENT
采购靠经验还是靠数据？未来餐饮采购会怎么变化？
经验不会消失，但会从“每天拍脑袋下单”，变成“处理数据解释不了的例外”。
30秒先看结论
餐饮采购应该靠经验还是靠数据？答案不是二选一：数据给出基线，经验判断例外，AI负责持续计算和预警。
本期内容是采购数据化的方法推演，不代表相关系统功能已经上线；文中能力状态以“现在能做／测试中／不应承诺”为准。
什么是餐饮数据化采购？就是把销量预测、标准用量、出成率、可用库存、在途库存和交货周期放进同一套口径，由系统生成建议采购量，再由人审核异常。
作者：老叶｜更新于2026年7月31日｜适用于单店及小型连锁的短周期食材采购
做餐饮久了，很多老板都有一套自己的采购方法：
看昨天卖了多少，摸一摸冰柜还剩多少，再问后厨一句“今天要不要多进一点”。天气热就多备饮料，周末就多买肉，供应商说要涨价，能囤就先囤一点。
这种方法有没有用？当然有用。
问题是，经验通常只存在于一个人的脑子里。老板在店里，采购还算稳定；老板一离开，库存、损耗和缺货可能就一起失控。
蔬果摊位实拍｜作者 Anastasiya Badun / Pexels
实验 01
采购真正要解决的，不是“买多少”，而是卖多少
采购是经营结果的上游。买多了，库存和损耗增加；买少了，畅销菜缺货，营业额和顾客体验都会受影响。
所以一张采购单，至少要回答五个问题：
01 未来一两天大概会卖多少份？
02 每份菜实际消耗多少原料？
03 清洗、切配和烹饪后的出成率是多少？
04 仓库里真正可用的库存还有多少？
05 供应商多久能送到，临时补货是否可靠？
只看“昨天用了多少”，最多回答了第一个问题的一部分。采购一旦没有连接菜单、销量、库存、损耗和交货周期，所谓数据化，就只是把手写单换成电子表格。
实验 02
一张“建议采购单”，应该是怎样算出来的？
先看一个泛化示例。
某快餐店预计明天卖出80份招牌鸡肉饭，每份标准使用鸡肉180克，验收、修切后的综合出成率是85%。
采购公式｜建议采购量
max〔0，预测销量 × 单份标准用量 ÷ 出成率＋安全库存 − 可用库存 − 在途库存〕
若计算结果小于0，本次建议采购量按0处理。
仅看理论消耗，明天需要的鸡肉约为：
80 × 0.18 ÷ 85% ≈ 16.9公斤
如果门店还要保留8%的波动缓冲，可用库存有4公斤，在途库存2公斤，那么系统给出的建议采购量约为：
16.9 × 108% − 4 − 2 ≈ 12.3公斤
说明：以上数据仅用于解释计算逻辑，不代表任何具体门店标准。安全库存应根据销量波动、保质期、送货频次和断货损失分别设置。
实验 03
价格最低的供应商，不一定让门店成本最低
很多采购只比单价：A供应商便宜两毛，就换A；B供应商送货快一点，但贵五毛，就觉得不划算。
但真正该比的，是“可用成本”。
成本公式｜每公斤可用食材成本
采购金额 ÷（到货毛重 × 验收合格率 × 出成率）
便宜的蔬菜如果叶损高、含水大、规格不稳，清理后真正能下锅的部分可能更少；看似贵一点的供应商，如果稳定、准时、退换货快，门店的综合成本反而可能更低。
新鲜蔬果实拍｜作者 Pixabay / Pexels
未来的供应商评分，不应该只有“报价”一栏，还应该包括到货准时率、验收合格率、实际出成率、退换响应、价格波动和临时补货能力。这才是采购数据真正能改变经营的地方。
实验 04
AI进入采购后，最先改变的会是这五件事
变化 01｜从固定订货变成滚动预测
系统每天根据近期开单、星期、节假日、促销、天气和外卖活动更新预测，而不是一张采购表用一个月。
变化 02｜从盘点库存变成识别异常
AI不必替员工数完每一颗菜，但可以发现“理论库存与实盘差异突然放大”“某原料连续三天损耗异常”。
变化 03｜从看单价变成看可用成本
系统把验收、退货、出成率和缺货影响放在一起，让老板看到“便宜采购”背后的真实代价。
变化 04｜从统一库存变成分类策略
叶菜、冻品、调味料和包材的保质期、交期、波动不同，未来不会再用同一个“多备一点”处理。
变化 05｜从自动下单变成人机共审
系统先生成建议单并标出原因，采购员确认异常，老板只审批金额大、涨价快或供应风险高的项目。
后厨出餐实拍｜作者 Nick Souza / Pexels
实验 05
别急着谈AI，先把这四类数据记准
采购系统最怕的，不是算法不够先进，而是基础数据不可信。
销售数据：卖了什么、卖了几份、何时卖出、是否促销。
菜品数据：标准用量、替代原料、出成率、制作损耗。
库存数据：期初、入库、领用、退货、报损、期末。
供应数据：报价、交期、到货率、合格率、退换记录。
如果菜名、单位和规格都没统一——同一种鸡腿肉，有人记“箱”，有人记“袋”，有人记“公斤”——再强的模型也只能把错误算得更快。
联合国粮农组织在其餐饮食物浪费工具中，同样把“记录进货和废弃量、按品类与服务点分析”放在数据行动的起点。逻辑很简单：先能测量，才谈得上优化。
实验 06
哪些已经能做，哪些还只是“未来感”？
现在就能做
销量趋势、库存上下限、标准用量、建议采购量、价格波动提醒、供应商履约评分。
适合小范围测试
结合天气和活动的短期预测、异常损耗识别、自动生成多供应商比价建议、按保质期动态调整安全库存。
不应写成已经实现
完全无人审核的自动采购、任何门店都能精准预测、系统自动换供应商且不产生经营风险。
现有研究表明，在特定餐饮和团餐场景中，机器学习需求预测具有降低浪费和未满足需求的潜力。一项使用三个餐饮服务场景、3至9年日数据的研究显示，其模型推演结果中，浪费餐食数量相对基线可减少14%—52%，未满足需求相对基线可下降3%—16%。这些是特定研究样本下的模型比较结果，不能直接当作一家门店上线后的收益承诺。
AI最现实的角色，不是替老板签采购单，而是让老板少花时间做重复计算，把精力放在异常、谈判和供应风险上。
蔬果市场实拍｜作者 Mason C / Unsplash
实验 07
一家门店，怎样用30天迈出第一步？
第1—7天｜统一口径
统一原料名称、采购单位、库存单位和换算关系，先选20个高金额或高损耗原料。
第8—14天｜补齐记录
记录到货、验收、领用、报损和期末库存，不要求一步覆盖全部SKU。
第15—21天｜建立基线
用近四周同星期销量、标准用量和现有库存，生成第一版建议采购量。
第22—30天｜只看偏差
每周复盘预测与实际、理论与实盘、采购价与可用成本的差异，再调整安全库存。
本期实验结论
未来不是“系统替你采购”，而是每一张采购单都能说明：为什么买、买多少、错在哪里。
经验仍然重要。临时停电、供应商突然缺货、附近会展带来客流、厨师判断某批菜品质不稳定，这些都不是一条公式能完全处理的。
但经验最有价值的地方，应该是处理例外，而不是每天重复做加减法。
常见问题
关于餐饮数据采购，老板最常问的四个问题
Q1：单店数据少，能不能做预测？
可以先用近四周同星期平均值做基线，不必一开始就上复杂AI。数据稳定后再逐步加入天气、促销和节假日。
Q2：数据预测错了怎么办？
保留安全库存和人工审核，并持续记录偏差。预测的价值不是永远正确，而是让误差可见、可修正。
Q3：先做采购系统，还是先做库存？
先统一原料、单位、配方和库存口径。没有可信库存，建议采购量就没有落点。
Q4：AI能不能完全替代采购员？
现阶段不建议。AI适合计算、提醒和发现异常，供应谈判、品质判断和突发情况仍需要人负责。
资料与口径
1. UNEP《Food Waste Index Report 2024》：2022年全球食物浪费估计中，餐饮服务环节约占2.9亿吨。
2. Rodrigues 等，Journal of Cleaner Production（2024）：使用三个餐饮服务场景、3至9年日数据比较需求预测模型；14%—52%与3%—16%均为其研究样本中的模型推演结果。
3. Chae 等，Decision Support Systems（2024）：大型连锁餐厅需求预测研究，讨论内部销售与外部环境数据的价值。
4. FAO Optiwaste（2025）：建议餐饮服务组织记录进货与废弃数据，并按食品类别和服务点分析。
本文经营数字均为泛化演示，不对应具体门店，不构成软件效果、利润或降损承诺。系统状态应始终区分“规划中、开发中、测试中、已上线”。
AI管店实验室
不神化AI，只验证它能否解决一个真实的经营问题。
