Menyoptimering med AI – vilka rätter ska du satsa på?

Menyn är restaurangens viktigaste ekonomiska dokument. Vilka rätter du erbjuder, hur du prissätter dem och var du placerar dem avgör direkt marginal och lönsamhet. Ändå uppdaterar de flesta restauranger menyn baserat på tradition, kokens preferenser eller vad som "känns rätt."

Menu engineering – att systematiskt analysera menyns lönsamhet – har funnits sedan 1980-talet. Med AI kan processen göras i realtid och med avsevärt mer data.

Grunderna i menu engineering

Matrisen

Klassisk menu engineering delar in rätter i fyra kategorier baserat på popularitet och marginal:

Stjärnor (hög marginal + hög popularitet). Dina bästa rätter. Behåll och lyft fram.

Dragare (låg marginal + hög popularitet). Säljer bra men genererar lite vinst. Kan du höja priset eller minska råvarukostnaden?

Pussel (hög marginal + låg popularitet). Lönsamma men säljer dåligt. Kan du placera dem bättre, byta namn eller justera receptet?

Hundar (låg marginal + låg popularitet). Varken lönsamma eller populära. Kandidater för att tas bort.

Hur du beräknar

Popularitet: Andel av totala sålda rätter. En rätt som säljs oftare än genomsnittet räknas som populär.

Marginal: Försäljningspris minus råvarukostnad. En rätt med högre marginal än genomsnittet räknas som lönsam.

Vad AI tillför

Klassisk menu engineering görs kvartalsvis med manuell datasammanställning. AI gör det kontinuerligt och med fler variabler:

Realtidsanalys

AI analyserar försäljningsdata i realtid. Om en ny rätt säljer dåligt efter första veckan behöver du inte vänta till kvartalsanalysen – du ser det direkt.

Säsongs- och veckodagsanpassning

En rätt som säljer bra på fredagar men dåligt på tisdagar behöver inte tas bort – den behöver kanske bara erbjudas fredagar. AI identifierar dessa mönster automatiskt.

Priskänslighet

AI kan visa hur prisförändringar påverkar efterfrågan. Om du höjer priset med 15 kr – hur många färre portioner säljer du? Ibland är svaret "ingen minskning alls."

Kombinationsmönster

AI ser vilka rätter som beställs tillsammans. Om pasta carbonara nästan alltid beställs med en Chianti kan du skapa ett paketrbjudande – eller se till att servitören rekommenderar vinet.

Matsvinnkoppling

AI kan koppla menydata till svinndata. En rätt med hög popularitet men hög svinnfaktor (stor portion, ofta mat kvar på tallriken) kan behöva portionsjustering.

Praktiska steg

1. Samla data

Du behöver försäljningsdata per rätt (antal sålda, intäkt) och råvarukostnad per rätt. Om ditt kassasystem loggar detta har du redan grunden.

2. Klassificera

Kör matrisen: stjärnor, dragare, pussel, hundar. De flesta restauranger har 2–3 hundar som borde tas bort och 3–5 pussel som borde lyftas fram.

3. Agera

Ta bort hundar – frigjord plats ger bättre fokus. Lyft pussel med bättre placering, ny beskrivning eller rekommendation. Höj priset på dragare eller minska portionen. Behåll stjärnor i bästa positionerna.

4. Mät effekten

Jämför försäljningsmix och marginal före och efter ändringen. En bra menyoptimering höjer snittmarginalen med 3–8 procentenheter.

Vendion: menyanalys i plattformen

Vendions analysverktyg ger dig menu engineering-data direkt:

Försäljning per rätt, per dag, per veckodag. Marginalanalys om du angett råvarukostnader. AI-identifierade mönster: säsongsvariation, kombinationer, priskänslighet. Koppling till svinndata och snittnotsanalys.

Eftersom Vendion samlar alla data i en plattform behöver du inte exportera och kombinera – analysen är redo att använda.

Sammanfattning

Menyoptimering är ett av de mest effektiva sätten att öka en restaurangs lönsamhet utan att ändra prisnivån radikalt. Klassisk menu engineering ger grunden, AI tillför realtid, precision och mönster som är omöjliga att se manuellt.

Vendions analysverktyg och AI-funktioner gör menyoptimering till en löpande process istället för en kvartalshändelse.