Hur gick helgen? Vilka restauranger ökade sin försäljning? Och hur mycket arbete krävs egentligen för att uppdatera priserna på en meny?

Svaren finns ofta redan i restaurangens system. Utmaningen är att få fram dem och hinna göra något av dem.

Med AI och en teknik som heter MCP blir det möjligt att koppla ihop en AI-assistent med verksamhetens data och funktioner. Det öppnar för ett enklare sätt att både analysera försäljning och utföra administrativa uppgifter genom vanliga frågor och instruktioner i en chatt.

Det är den möjligheten vi bygger vidare på med Ancon Intelligence: förstå mer, administrera mindre.

Vad är MCP?

MCP står för Model Context Protocol och är en öppen standard för att koppla AI-applikationer till externa system, datakällor och verktyg. Den gör det möjligt för en AI-assistent att hämta relevant information och använda funktioner som ett anslutet system tillhandahåller.

I en restaurang kan det exempelvis handla om att hämta försäljningsdata från kassasystemet eller använda en funktion för att uppdatera artikelpriser.

En MCP-server är den del av anslutningen som gör utvalda data och funktioner tillgängliga för AI-assistenten. Vad assistenten faktiskt kan göra beror på vilka funktioner som har byggts, vilka behörigheter användaren har och vad den valda AI-tjänsten stöder.

MCP är alltså själva kopplingen. AI-assistenten tolkar frågan, använder tillgängliga verktyg och presenterar resultatet.

Hur kan AI hjälpa en restaurang att förstå sin försäljning?

Med tillgång till restaurangens försäljningsdata kan AI hjälpa till att sammanställa resultat, jämföra perioder och upptäcka avvikelser. Du kan börja med en fråga, utan att först behöva bestämma hur en rapport ska byggas.

Till exempel:

”Sammanfatta förra veckans försäljning. Jämför med motsvarande veckodagar förra året och lyft de tre största förändringarna.”

För en restauranggrupp kan frågan vara:

”Vilka restauranger ökade sin försäljning förra månaden? Visa förändringen per restaurang och hur snittnotan utvecklades.”

Därefter kan du ställa följdfrågor:

”Bryt ner ökningen på lunch och middag. Beror den främst på fler köp eller på en högre snittnota?”

På så sätt kan analysen utvecklas i samma takt som frågorna. Det blir lättare att gå från en övergripande bild till det som behöver uppmärksamhet.

För att jämförelsen ska bli användbar behöver underlaget vara tydligt: vilka restauranger och perioder som ingår, hur nyckeltalen definieras och om någon information saknas.

 

Kan AI kombinera försäljning med väder, evenemang och t.ex. flygtrafik?

Ja, när AI-assistenten också har tillgång till relevanta externa datakällor kan restaurangens försäljning analyseras tillsammans med exempelvis väder, lokala evenemang eller flygtrafik.

Det kan ge mer sammanhang till förändringar i verksamheten:

• En restaurang med uteservering kan jämföra försäljning med temperatur och nederbörd.
• En restaurang nära en arena kan undersöka försäljningsmönster under konsert- och matchdagar.
• En verksamhet nära en flygplats kan jämföra efterfrågan med passagerarflöden.

En fråga kan vara:

”Jämför försäljningen under de senaste åtta lördagarna med vädret och större evenemang i närheten. Vilka mönster ser du?”

Det är viktigt att skilja på mönster och bevisade orsaker. Att försäljningen ökade samma kväll som en konsert hölls visar inte i sig hur stor del av ökningen konserten förklarar. Däremot kan analysen ge ett bättre underlag för planering och vidare frågor.

Externa uppgifter behöver hämtas från egna källor eller anslutningar. De ingår inte automatiskt i kassasystemets data.

 

Hur kan AI förenkla pris- och artikelhantering?

När anslutningen också innehåller funktioner för att ändra uppgifter kan AI hjälpa till att utföra administrativa uppgifter.

Att uppdatera priser är ett exempel. En instruktion kan vara:

”Höj priserna på öl med fem procent och avrunda till närmaste hela kronbelopp som slutar på nio. Visa nuvarande och föreslagna priser innan ändringen genomförs.”

Instruktionen beskriver både vad som ska ändras och hur resultatet ska kontrolleras. Samma arbetssätt kan användas för att förbereda artikeluppdateringar utifrån ett underlag.

Det gör det möjligt att hantera flera ändringar samlat, med en tydlig överblick över vilka artiklar som påverkas.

 

Kan en prisfil från mejlen användas som underlag?

Ja, ett sådant arbetsflöde är möjligt när AI-assistenten har åtkomst till både mailen och/eller filen och de funktioner som behövs i restaurangsystemet.

Tänk dig att en kollega mejlar en uppdaterad prislista. Den som ansvarar för priserna kan då ge en instruktion som:

”Hämta prisfilen i mejlet från vår ekonomichef. Matcha artiklarna mot Ancon och visa vilka priser som skiljer sig. Flagga artiklar som du inte kan matcha entydigt och invänta mitt godkännande.”

Arbetsflödet blir att läsa underlaget, matcha artiklar, granska skillnader och sen godkänna ändringarna. Osäkra matchningar behöver redas ut innan uppdateringen görs.

 

Vad är Ancon Intelligence?

Ancon Intelligence är Ancons satsning på att låta restauranger analysera verksamheten och hantera administration genom frågor och instruktioner till en AI-assistent.

Vi fokuserar på två områden: att göra verksamhetens data lättare att förstå och att förenkla uppgifter som annars kräver många manuella steg.

MCP är en del av tekniken bakom detta. Ambitionen är att hjälpen ska finnas i den AI-miljö du är bekväm med, med stöd för de anslutningar och funktioner som behövs.

Du ska kunna börja med det du vill veta eller få gjort:

Hur gick helgen? Vad förändrades? Hjälp mig att uppdatera priserna.

För oss handlar det om att ge krögare mer tid och bättre underlag för att utveckla sina restauranger.

 

Less clicking. More doing.

Vill du veta hur Ancon Intelligence kan användas i din verksamhet? Kontakta oss så berättar vi mer.