KPI ristorante: i numeri da guardare ogni settimana
I cinque numeri da guardare ogni lunedì: scontrino medio, food cost, labor cost, occupazione e no-show. Con il prime cost sopra tutti. Quindici minuti a settimana, non quaranta indicatori.
Leggi
Numeri e controllo di gestione 8 min di lettura
Per scrivere e rispondere non ti servono dati storici. Per le previsioni bastano 12-18 mesi ordinati. Il problema è il sistema, non la quantità.
In due righe
Quanti dati servono per usare l'AI? Dipende da cosa le chiedi. Per scrivere email, riassumere documenti o rispondere usando le tue procedure servono zero dati storici: l'AI generativa è già addestrata, a te basta darle i documenti giusti. Per le previsioni, come le vendite del mese prossimo o il cliente che sta sparendo, servono dati storici, ma quasi sempre bastano 12-18 mesi ordinati. Il numero non è quasi mai il problema: lo sono la qualità e il sistema che li produce.
La frase la sento spesso entrando in un'azienda. Con Delera ho affiancato oltre 2.000 PMI italiane e il problema non è mai stata la quantità di dati. È l'assenza di un sistema che li produce. Entro e trovo fogli sparsi, processi fatti a mano, persone stressate. «Ecco, ci risiamo», penso. I dati in realtà ci sono quasi sempre: sono dispersi tra Excel, gestionale e mail. La domanda vera non è «quanti dati ho», è «a cosa mi serve l'AI». Se non sai rispondere a questa, stai cercando la risposta alla domanda sbagliata. Se i dati ci sono ma sono sporchi, il discorso è un altro: ne ho parlato in sistemare i dati sporchi.
Prima di contare i dati devi capire di quale AI parli. L'AI generativa è quella che produce testi, immagini o risposte nuove: è già addestrata su enormi quantità di testo, tu le dai il contesto e le regole. Non impara dalla tua azienda, usa quello che sa già più quello che le carichi. L'AI predittiva è quella che impara dai tuoi dati storici per fare previsioni, come le vendite del mese prossimo o il cliente che sta sparendo. Qui il tuo storico conta. Senza questa distinzione, ogni discorso sul numero di dati diventa una media senza senso. La stessa azienda può avere bisogno di zero dati per il primo uso e di 18 mesi di ordini per il secondo.
Un chatbot che risponde ai clienti con le tue procedure, un assistente che prepara la bozza di un preventivo, un sistema che riassume un contratto di otto pagine: niente di tutto questo richiede uno storico. Serve soltanto il documento giusto. La tecnica si chiama RAG (Retrieval-Augmented Generation): l'AI recupera i passaggi giusti nei tuoi documenti e li usa per rispondere, senza addestrare niente. Con ChatGPT o Claude puoi partire oggi. Il lavoro vero è decidere cosa le fai fare, non aspettare di avere migliaia di righe in un database.
Le previsioni sono l'altra faccia. Se vuoi stimare le vendite del mese prossimo, capire quali clienti stanno sparendo o segnalare scorte a rischio, ti servono dati storici veri. Ma non ti servono archivi enormi. Come riporta Neosperience, per individuare i pattern di acquisto basta spesso uno storico di 12-18 mesi. Quei dati li hai già, nella maggior parte dei casi: ordini con data, importo e cliente. Il lavoro è metterli in ordine, non raccoglierli. Non guardare a cosa ti manca: decidi cosa registrare da oggi. Se parti da zero, tra sei mesi avrai già un primo storico da usare. E per capire quali numeri guardare, ho scritto quali KPI guardare.
Il primo passo
Scopri dove l'AI ripaga nella tua azienda.
Gratuito · 45 minuti · nessun impegno · punteggi confrontati con 2.800+ aziende
Chi dice che l'AI richiede milioni di dati confonde due mestieri. I big data sono le enormi quantità di dati che solo le grandi piattaforme raccolgono: non ti servono per usare l'AI in una PMI. Addestrare un modello da zero richiede molte migliaia, se non milioni, di esempi: lo spiega IBM. È il lavoro delle grandi piattaforme, non tuo. Tu usi modelli già addestrati. Al massimo li adatti con il fine-tuning, cioè riadattare un modello già pronto al tuo compito specifico, e richiede molti meno dati, come documenta Microsoft Learn. Un set più piccolo di dati di alta qualità vale più di un archivio enorme e sporco. La tua partita si gioca sui pochi dati che ti servono davvero, tenuti bene.
Per non perderti, usa un metodo in tre passi:
La tabella qui sotto mette in fila i casi più comuni, il tipo di AI e il dato che basta.
| Cosa vuoi ottenere | Tipo di AI | Dati che ti servono | Quanto basta |
|---|---|---|---|
| Scrivere email, preventivi, post | Generativa | Nessuno storico: solo il contesto che le dai | Zero dati storici |
| Rispondere ai clienti con le tue procedure | Generativa + RAG | Procedure, risposte approvate, schede prodotto | I documenti che hai già |
| Riassumere offerte, contratti, verbali | Generativa | I documenti da riassumere | Zero storico |
| Prevedere le vendite | Predittiva | Ordini con data, importo, cliente | 12-18 mesi |
| Vedere i clienti che stanno sparendo | Predittiva | Storico ordini per cliente | 12-18 mesi |
| Segnalare scorte a rischio | Predittiva | Movimenti di magazzino | 12-18 mesi |
Se il tuo caso non è in tabella, il metodo è lo stesso: parti dal lavoro, non dal dato. Se non sai quale caso scegliere per primo, ho scritto quale primo progetto di AI scegliere.
La parte generativa costa un abbonamento e parte oggi: il costo in dati è zero, perché non stai alimentando un tuo modello. La parte predittiva è diversa. Il costo vero è il tempo per mettere in ordine 12-18 mesi di storico: si conta in ore di lavoro, non in euro di licenze. Prima viene il sistema, poi viene lo strumento. Se un processo produce dati disordinati, comprare un software predittivo non lo sistema: lo accelera. La regola dei piccoli passi vale anche qui: parti da un solo caso, misura il risultato e poi decidi. Non ti serve un budget di progetto: ti serve un pomeriggio per fare ordine.
Tre errori tornano più degli altri. Il primo è aspettare di «avere abbastanza dati» prima di partire: così non parti mai. Il secondo è comprare un modello predittivo quando bastava un generativo: spendi tempo e soldi per una previsione che non ti serve. Il terzo è raccogliere dati senza un processo che li produca: dopo due mesi hai un archivio pieno di buchi. Non fare la collezione di dati fine a se stessa. Prima decidi il lavoro, poi scegli il dato. Se il dato non serve a una decisione, non registrarlo.
Domande frequenti
No. Per scrivere, riassumere o rispondere con le tue procedure non servono dati storici: l'AI generativa è già addestrata, tu le dai i documenti. Per le previsioni bastano 12-18 mesi di ordini ordinati. La quantità non è quasi mai il problema.
Sì, spesso è il punto di partenza giusto. Prima però i dati vanno messi in ordine: colonne coerenti, date uniformi, niente doppioni. Un file pulito da 12 mesi vale più di dieci anni di dati sporchi.
Per i primi pattern di acquisto bastano spesso 12-18 mesi. Per previsioni più fini, stagionalità compresa, più anni aiutano. Ma anche uno storico breve, se ordinato, dà segnali più affidabili del solo intuito.
Parti comunque: scegli un processo, come preventivi o email, e comincia a registrarlo in modo uniforme da oggi. Tra sei mesi avrai già uno storico utile. Intanto usa l'AI generativa sui documenti che hai.
No. Prima decidi a cosa ti serve l'AI, poi guardi i dati che quel caso richiede. Comprare un gestionale per avere dati senza sapere a cosa servono è un costo, non un passo avanti.
Il primo passo
45 minuti per fotografare la tua azienda in 5 aree, con i punteggi confrontati con 2.800+ aziende. Compili qui sotto e ti arriva il link monouso per farlo con calma. Gratuito, e il report resta tuo comunque vada.
Continua
I cinque numeri da guardare ogni lunedì: scontrino medio, food cost, labor cost, occupazione e no-show. Con il prime cost sopra tutti. Quindici minuti a settimana, non quaranta indicatori.
Leggi
Tre KPI bastano per capire se lo studio guadagna. Parti da costo orario, margine per pratica e tempi di incasso.
Leggi
Il fermo macchina costa più della riparazione: ti spiego come calcolare il costo vero in tre numeri, senza software.
Leggi