Menü Mühendisliği ve Yapay Zeka ile Kârlılık Optimizasyonu

Bir restoranın geliri sadece kaç kişinin geldiğiyle değil, gelenlerin ne yediğiyle şekillenir. “Menü mühendisliği” (menu engineering) tam da bu konuyu kapsar. Menüdeki her ürünü iki boyutta değerlendirmektir: ne kadar sık sipariş edildiği ve tek bir sipariş başına ne kadar kâr bıraktığı. Bu değerlendirmeden sonra ürünün menüdeki sunumu, fiyatı ve hatta hangi konumda yazıldığı optimize edilir.

Klasik menü mühendisliği matrisi

Ürünler iki eksen üzerinde yerleştirilir:

Popülerlik (sipariş frekansı, yani ne sıklıkta sipariş ediliyor)
Kâr marjı (birim ürün başına kalan net kâr)

Bu iki eksenin birleşimi 4 grup oluşturur:

1. Stars ⭐ (Yüksek popülerlik + Yüksek marj)

Menünün kahramanlarıdır. Menüde en görünür yerde durmalı, tanıtımları devam etmelidir. Bu gruptaki ürünler fiyat artışına en dayanıklı olanlardır, çünkü müşteri onları zaten değerli bulup sipariş eder.

2. Puzzles 🧩 (Düşük popülerlik + Yüksek marj)

Kârlıdır ama az satılır. Sorunlar genellikle şunlardır: ürünün adı veya açıklaması çekici değildir, menüde yanlış konumdadır ya da personel müşteriye önermiyordur. Optimizasyon yolu: yeniden isimlendirme, fotoğraf ekleme, personele öneri stratejisi öğretme.

3. Plowhorses 🐎 (Yüksek popülerlik + Düşük marj)

Çok satılır ama kâr getirmez. Genelde bunlar “fiyat hassasiyeti yüksek” kategorisindeki ürünlerdir, yani müşteri fiyatı yükseldiği an almaz. Stratejiler şöyle olabilir: porsiyon revize etme, yanında yüksek kârlı bir ürünle birlikte kampanya yapma (combo), tedarik maliyetini düşürme.

4. Dogs 🐕 (Düşük popülerlik + Düşük marj)

Bu ürünlerin menüde olmasının iş açısından bir sebebi yoktur. Ya dönüştürürsünüz (isim, sunum, reçete değişikliği) ya da menüden çıkarırsınız.

Yapay zeka neyi hızlandırıyor?

Dinamik sınıflandırma

Klasik yöntemde matrisi yılda 2 kere elle çıkartırsınız. Yapay zeka aynı işi her gün güncel tutar. Haftanın günü, saat, hava durumu ve sezon gibi faktörlere göre farklı matrisler oluşturur. Örneğin pazar brunch menüsü ile salı iş yemeği menüsünün matrisi birbirinden farklıdır.

Fiyat esnekliği testi

Diyelim ki bir ürünün fiyatını 45 TL’den 52 TL’ye çıkardığınızda satışının nasıl etkileneceğini merak ediyorsunuz. Bunu elle test etmek 3 ile 4 hafta sürer. Yapay zeka ise segment bazında mikro-test yapabilir. Müşterilerin %10’una yeni fiyatı, %90’ına eski fiyatı gösterir. Veri toplanır, istatistiksel olarak anlamlı bir fark çıktığı an yeni fiyat tüm menüye yayılır.

Upsell ve cross-sell önerisi

Müşteri ana yemeğini seçtiğinde, yanında hangi tatlıyı önermek en yüksek kabul oranını verir? Yapay zeka geçmiş siparişlerdeki kombinasyonları analiz ederek pattern çıkarır. Üstelik bu öneri tek yönlü değildir, kişi bazında kişiselleştirilmiş öneri üretir.

Menü konumu optimizasyonu

Fiziksel bir menüde “üst sağ köşe” (gözün Z pattern’inde bittiği yer) en yüksek dikkat alan bölgedir. Dijital menüde ise ilk ekranda görünen ürünler avantajlıdır. Yapay zeka, hangi ürünün hangi konumda daha çok sipariş edildiğini gerçek veri ile gösterir ve önerir.

Menü mühendisliği ve sadakat programı

En güçlü kesişim burada ortaya çıkar. Birkaç örnek senaryo:

Puzzle itme kampanyası

“Trüflü risotto” bir Puzzle ürünüdür. Bu hafta sadakat üyelerine %20 indirimli sunulur.
Üye, kampanya sayesinde ürünü bir kere denemiş olur. Kampanya bittikten sonra da ürünü tanıdığı için sipariş edebilir.
Sonuç: düşük popülerlikten orta popülerliğe doğru bir geçiş sağlanır.

Star koruma

“Klasik cheesecake” bir Star ürünüdür, ama stok risklidir. Stoka bağlı kampanya kurabilirsiniz.
Stok yüksek olduğu günlerde üyelere “bugün cheesecake hazır” hatırlatması gönderilir.
Sonuç: Star ürünün cirosu istikrarlı kalır, stok israfı azalır.

Plowhorse combo

“Flat white” bir Plowhorse ürünüdür, tek başına kârlı değildir.
Sadakat üyesine şöyle bir teklif sunulur: “Flat white + croissant 95 TL”. Croissant yüksek marjlıdır.
Sonuç: sepet büyür, kombinasyon artık kârlı hâle gelir.

Kritik uyarı: değer algısı

Yapay zeka fiyatları optimize ederken, müşterinin ürüne atfettiği değer algısını zedelememelidir. “Bu ürün pahalandı, marka düştü” algısı bir kere oluşursa, sadakat kaybı başlar. Yapay zekanın sunduğu önerilerin şu kurallara uyması gerekir:

Her segmentte farklılaştırılmış olmalı, yani herkese aynı fiyat artışı uygulanmamalı
Toplam menü algısını bozmayacak şekilde yayılmalı
Çok sık değişmemeli. Haftada bir fiyat değişimi görülmesi psikolojik olarak risk yaratır.

Veri ihtiyacı

Yapay zeka destekli menü mühendisliği için minimum veri gereksinimi şöyledir:

90 günlük POS fiş satırı (ürün, miktar, fiyat bilgileri)
Ürün maliyet bilgisi (tercihen reçete bazlı detaylı maliyet)
Kampanya geçmişi (hangi kampanyanın etkisi ne kadar sürdü)
Sezon etiketleri (bayram, okul tatili, hava durumu)

Bu veriyi toplayan ve işleyen bir platform olmadan menü mühendisliği elle yapılır. Elle yapıldığında ise yılda sadece 2-3 kere güncellenebilir. Bu hız, market koşullarının değişme hızıyla uyumlu değildir.

Sonuç

Menü mühendisliği doğru yapıldığında restoranın kâr marjını 3 ile 8 puan arasında yukarı çeker. Çoğu restoran için bu, toplam kârda %15 ile %40 arası bir artış demektir. Manuel analizden veri odaklı sürekli optimizasyona geçmek, 2026 restorancılığının standartı hâline geliyor.