AI菜单工程与定价策略：3步搭出能反复算的定价模型

摘要 :

菜单工程与定价策略的核心，说白了就一句话：把每一道菜当成一笔投资，用销量和毛利两个坐标给它定位，再决定谁涨价、谁下架、谁当招牌。AI 加进来不是为了炫技，是让这……

菜单工程与定价策略的核心，说白了就一句话：把每一道菜当成一笔投资，用销量和毛利两个坐标给它定位，再决定谁涨价、谁下架、谁当招牌。AI 加进来不是为了炫技，是让这套判断从老板拍脑袋，变成一张能反复算、能拿着数据吵架的表。下面讲从零搭这个模型框架要走的三步，以及哪几个地方最容易翻车。

什么是菜单工程？加了 AI 之后变了什么？

菜单工程是拿销量和毛利给菜品分类，再据此决定价格和菜单位置的一套方法。AI 的作用是把分类、试算、复盘这几件重复劳动自动化，让人少凭感觉做决定。

靠前件是卖得好不好，第二件是赚得多不多。两个维度交叉，菜就落进四个格子里：卖得好又赚得多的叫明星，卖得多但毛利薄的叫耕马，卖得少毛利高的叫谜题，两样都不行的直接砍掉。传统做法是一张 Excel 手工填，几十道菜填一下午。

顺序是先搭数据表，再定成本口径，最后才让模型出价。这个顺序颠倒过来，算出来的数一定对不上账，你会以为是模型有问题，其实是地基没打平。

至少要有这些字段：菜品名、售价、食材成本、近 30 天销量、毛利额、毛利率、所属品类。这里最容易出问题的地方是规格，一道菜有大份小份、有加料，要么拆成两行分别算，要么按销量加权折算成一行，别两种混着来，否则毛利永远对不上。

食材成本率普遍压在 30% 到 35% 之间，菜单综合毛利率做到 65% 上下算健康，这是餐饮里比较通行的口径，不是相对标准。定死的意思是：算成本时含不含损耗、含不含调料、外卖包装算在哪一头，一次说清楚，后面所有计算都按同一套走。

模型输出「22 到 25 元」比输出「23.6 元」有用得多。落到具体数字靠三件事：周边同类菜的挂牌价、自己的毛利底线、顾客的心理价位。三件事对上了，价格才算定完。

能跑，但字段可以砍到最少五个：菜品名、售价、食材成本、近 30 天销量、是否主推。缺的部分用替代指标顶上，跑一个月真实数据再回头校准。

新店或者新上的菜没有历史数据，就拿同类门店的公开菜单价、外卖平台上的月售数来估一个基准，哪怕是区间也行。估出来的数一定不准，但比空着强得多，因为模型要的是相对关系，不是相对精确。

我见过一家做简餐的店，菜单上六十多道菜，前十几道贡献了六成以上的营业额，后面三十多道一个月卖不出十份。模型跑完砍掉二十来道，剩下的重新分象限，备货压力当场轻了一截。这个结论其实跟 AI 关系不大，是菜单工程本身的功劳，AI 只是让它出现得快一点。

三个坑最常见：把模型当算命、只调价格不动结构、忽略价格的心理锚点。这三个坑跟技术没关系，全是判断上的偏差。

模型只能算「在这个假设下会怎样」，算不出顾客愿不愿意掏钱。价格最后是个商业决策，模型给的是依据，不是答案。

涨一道菜的价很容易，但它可能连带把套餐的性价比打乱。定价是整套菜单的事，单点调价经常出现这种情况：这道菜毛利上去了，整体客单价反而掉了。

29 元和 30 元在账上差一块钱，在顾客眼里差一个档位。尾数定价、套餐锚点这类东西模型算不出来，得人来定。

别一上来就搭模型。先花两天把菜单数据整理成一张表，字段对得上、口径统一了，再谈模型。

数据表是整个框架的地基。地基歪了，后面调参调到天亮也没用，而且你会一直怀疑是模型错了。

挑十道主推菜先跑一遍，把模型给的建议价和现在的挂牌价摆在一起看差异。差异大的那几道，就是你下一步要去后厨和前厅问清楚的地方。这一步做完，你对这套菜单工程与定价策略的理解，会比看完十节课都实在。