去年一个连锁快餐老板做了件事：让研发团队三个月研发了8款新品，全线上架。三个月后看数据，8款新品里有5款的月销量不到总量的2%，占着菜单位、占着备料、占着后厨注意力，几乎零贡献。老板说：「我花了20万研发的新品，只有3款有人买。」
这不是研发的问题，是产品决策流程的问题——凭感觉上菜，凭感觉下菜。
今天拆解连锁品牌最核心的利润杠杆：怎么用AI做菜单优化，让每一道菜都知道自己该不该留在菜单上。
一、菜品四象限——每道菜的数据身份证
AI从POS数据里提取每家店、每道菜的销量和毛利，自动归入四个象限：
| 象限 | 特征 | 策略 | 示例 |
|---|---|---|---|
| ⭐ 明星品 | 高销量 + 高毛利 | 主推，放菜单C位，加大备货 | 占销量15%贡献25%利润 |
| 💰 利润品 | 低销量 + 高毛利 | 提升曝光，降价或促销测试弹性 | 卖得少但每单赚得多 |
| 🚦 流量品 | 高销量 + 低毛利 | 维持但不主推，作为引流钩子 | 9.9元引流爆款 |
| 🗑️ 问题品 | 低销量 + 低毛利 | 砍掉、大改或合并 | 占菜单8%却贡献不到2%利润 |
📊 典型发现
分析100家连锁门店的菜单后你会发现：通常15-20%的菜品属于问题品——它们占着菜单空间、供应链成本、后厨注意力，但对利润几乎没有贡献。砍掉这些品种，菜单精简10-15%，顾客点单效率提升、后厨出品更稳定、供应链更简单。多维度收益。
二、关联销售挖掘——找出隐藏的「黄金搭档」
AI分析所有订单数据，找出「买了A的顾客有多少也买了B」。比如某快餐品牌的数据：买了红烧牛肉面的顾客中68%也买了酸梅汤（强关联），52%也买了拍黄瓜（中关联），8%也买了一份甜品（弱关联）。
AI基于关联矩阵自动做三件事：
- 菜单设计：强关联菜品在菜单上放在一起。眼睛扫过牛肉面，旁边就是酸梅汤
- 智能推荐：点餐系统自动推荐。客单价平均提升12-18%
- 套餐设计：把强关联的A+B+C打包成套餐，定价比单点便宜10-15%，套餐点单率可占30%+
三、定价弹性测试——涨价还是降价，数据说话
传统定价：老板说「成本涨了，我们也涨1块」。涨了之后呢？销量降了多少？总利润是涨是跌？——不知道。
AI定价弹性测试的流程：选2-3家门店做A/B测试。A组保持原价，B组调价（涨1元或降1元），跑1周看结果。AI自动对比：
- 涨价5%，销量降了2% → 总利润涨了3% → 可涨
- 涨价5%，销量降了10% → 总利润降了5% → 别涨
- 降价5%，销量涨了15% → 总利润涨了8% → 该降（薄利多销）
配合AI财务管控的成本追踪，你还能验证「涨价后的实际利润是不是真的涨了」——不只是看理论弹性，而是真实数据闭环。
四、季节菜单AI预测——提前1个月准备好
AI分析过去3年的销售趋势，自动识别季节规律：
- 品类季节波：6-8月冰品类销量涨300%，12-2月热汤火锅涨200%
- 单品生命期：某些新品上市后2周是峰值，然后衰减——新品窗口期只有14天
- 区域差异：同品牌南方门店冰品季比北方早1个月开始
AI4月底就推送：「根据历史数据，建议5月15日上架冰品系列，推荐5款候选冰品（基于去年冰品销量Top5），预估首月销量约XXX单，备货量建议XXX。」不是到了夏天再想，是提前一个月就准备好了。
案例：某连锁茶饮品牌菜单优化
该品牌菜单上有42款饮品。AI四象限分析后发现11款属于问题品，占菜单26%却只贡献4%利润。关联分析发现「杨枝甘露+芒果班戟」的关联购买率达72%。定价测试发现3款明星品有涨价空间。
执行后结果：砍掉7款弱品、保留4款做改良。将强关联组合做成套餐。3款明星品涨价1-2元（销量只降3%但总利润涨了9%）。菜单从42款精简到35款，整体毛利率从58%提到63%，客单价从26元提到29元。
菜单优化的逻辑和AI供应链管理天然联动——砍掉弱品后供应链精简了、备料SKU减少了、损耗也降了。一个数据驱动的菜单决策，对整个运营链产生连锁正向反应。配合AI决策清单的优先级框架，菜单优化应该排在前5个必做场景里——它的ROI路径非常清晰。