ホーム › ホワイトペーパー › オペレーション
ホワイトペーパー

AI需要予測:モデルが導く仕入れ・シフト・生産

Diego F. Parra 著者 Diego F. Parra · 更新日 · オペレーション

2026年10月26日の更新:新しいよくある質問2件を追加しました。

AI需要予測:モデルが導く仕入れ・シフト・生産 — Masterestaurant
簡易判定

結論: AIによる需要予測は技術的な贅沢品ではなく、キャッシュに直結する3つの判断(何をいくら仕入れるか、何時間シフトを組むか、何をどれだけ仕込むか)を、時間帯ごとの実需に合わせて同期させる神経系です。勘で仕入れる経営者は、フルサービスの人件費が売上に占める割合が高く、業界全体の従業員離職率も民間平均を大きく上回る中で(U.S. Bureau of Labor Statistics, JOLTS)、目隠しをしたまま運営しているのと同じです。モデルはこの3つのレバーを1つの連動した意思決定にまとめます。在庫ロスを減らし、遊休時間を減らし、欠品を減らします。勘とモデルの差は、意見ではなくプライムコストのポイント数で測られます。

📄 ホワイトペーパー技術文書・C-Suiteおよび国際開発金融機関向け· 読了時間 4分· 2026-10-26Masterestaurant®の知的財産 — 業界リーダー専用

本ホワイトペーパーは、毎週、余計な仕入れ、不適切なシフト編成、実際の需要を読まない生産によって利益を取りこぼしていると感じているオーナー、CFO、オペレーションディレクターを対象としています。ソフトウェアのマニュアルではありません。需要予測を、仕入れ、シフト、生産を同じキャッシュフローの論理で統括する最重要変数として扱うための意思決定の枠組みです。

私は理論ではなく、現場の立場から書いています。シェフの頭の中では「今日は満席になる」と判断して食材を廃棄せざるを得なかった場面を、これまで何度も見てきました。実際の街の状況は違っていたのです。AIが判断力に取って代わるわけではありません。過去の売上データ、天候、地域の行事カレンダー、イベントを使って、その判断を補正するものです。本書の目的は、意思決定者が、EBITDA と プライムコストの観点から、なぜ需要予測が2026年に最も高い投資利益率をもたらす業務投資なのかを理解することにあります。

並べて比較

比較: レストラン AI 需要予測

勘に頼る運営(モデルなし)AI需要予測に基づく運営
仕入れ判断の根拠✕シェフの記憶と先週の発注(外部変数0)✓過去実績+天候+カレンダー+イベント(5~8変数)
一般的な在庫ロス✕フードコストの一部が、過剰仕入れと賞味期限切れで失われる。✓需要予測に合わせて補充を調整するため、ロスはより少ない。
売上に対する人件費の比率✕フルサービスでは36.5%前後、またはそれ以上(NRA 2024)✓時間帯別に最適化:シフトを需要に合わせると-2~-4ポイント
メニューの欠品✕ピーク時に頻発(計測されない機会損失)✓時間帯ごとに計算した仕込み量。欠品は1サービスあたり1件未満
週次需要予測の精度✕実際の売上との誤差が大きい。✓学習済みモデルにより、誤差ははるかに小さい。
計画に費やす管理者の時間✕発注とシフト表の作成に週4~6時間✓モデルの確認と調整に1~1.5時間
食材価格の高騰への対応✕利益率で吸収し続け、限界に達するまで耐える✓限界効率に基づき、仕入れとメニューを再最適化する

第1章 — なぜ需要予測は、キャッシュフローを左右する最重要変数なのでしょうか?

需要予測AIが最重要変数となるのは、仕入れ、シフト、仕込みという三つのキャッシュ判断を、一つの論理、つまり各時間帯の見込み需要にまとめて同期させるからです。私は数十店舗の厨房でこれを見てきました。シェフは想像しうる最悪の日を想定して仕入れますが、実際の客足は別の動きをします。モデルは推測するのではありません。売上履歴、天候、地域のカレンダー、イベントを読み取り、実行可能な数値を出します。その差はプライムコストに直接表れます。モデルがなければ、フルサービスの人件費は売上の36.5%前後に落ち着き(National Restaurant Association、2024)、ロスは高い水準にとどまります。予測があれば、仕入れの1ドル、シフトの1時間、仕込んだ1食分がすべて実際のカーブに結びつきます。流行に乗った技術ではありません。運営を統御する神経系の役割を果たします。私が何度も目にする誤りは、個々の判断をバラバラに扱うことです。すべての判断は同じデータから生まれているのです。

第2章 — 発注を勘ではなくモデルで行うと、ロスはどれだけ減るのでしょうか?

モデルで発注すると、ロスはフードコストの相当部分から、ずっと小さな割合にまで減ります。勘に頼る場合は想定したピークに合わせて仕入れますが、モデルは見込まれる日に合わせ、感情ではなく計算された余裕を持たせて仕入れるからです。論理はシンプルで、キャッシュにとってもありがたい仕組みです。各仕入れを、料理長が仕入れ不足を恐れる気持ちではなく、予測に基づいて決めるため、営業終了時に残る生鮮食材が減ります。そして廃棄された商品の利益は、二度と取り戻せません。米国のオンラインデリバリー市場も考慮に入れてください。モデルはそのシグナルを、調整された発注指示に変換します。Masterestaurantでは、このロスの削減を、予測がもたらす最初の具体的な成果と捉えています。数週間で測定できるものです。

第3章 — 予測は、サービスの質を落とさずに、人件費の何ポイントを取り戻すのでしょうか?

予測は、慣習ではなく需要カーブに合わせて時間を配分することで、人件費を数ポイント取り戻します。モデルがなければ、シフトは習慣で組まれ、フルサービスの人件費は売上の36.5%前後で安定します(National Restaurant Association、2024)。クイックサービスでは31.7%です(同じ出典)。どちらの数字も、フルサービスでは高い時間当たり回転率、限定サービスではさらに高い回転率を前提に支払っている業界の負担を示しています。予測に基づいて組むとは、需要が求める場所に人を配置することです。一時間早すぎても、二時間遅すぎてもいけません。ピークの時間帯にサービスを守るためです。Diego F. Parraはこれを一言で言い表します。配置が合わない30分は、その分の利益が消えていくということです。モデルは人を削減するものではありません。すでに支払っている時間をより適切に配置するものであり、その成果は月次のEBITDAに表れます。

第4章 — 食材インフレが直撃したとき、プライムコストはどうなるのでしょうか?

食材インフレに対して、勘に頼る運営ではそれを利益で吸収してしまいます。一方モデルは、限界効率に基づいて仕入れとメニューを見直し、ストレスシナリオの下でもプライムコストを守ります。違いは手法にあります。予測がなければ、オーナーはコストの上昇を見て歯を食いしばるしかありません。予測があれば、システムがどの食材をどれだけ仕入れ、どの料理を前面に出すべきかを、一食ごとの貢献利益に基づいて再計算します。料理ごとのフードコストには32%という上限があります。これはあくまで最大値であり、推奨値ではありません。その上限を守るのは意志ではなく、データです。厨房の定型作業の多くをロボットが担えるようになった今、オペレーターの競争力はまさに判断にあります。つまり、何をどれだけ仕入れ、どの人員を配置し、どれだけ仕込むかという判断です。予測は、コストの圧力を賢い再配分に変える仕組みであり、毎週静かに利益を失わせるものではありません。

第5章 — モデル化された運営は権限委譲できるのに、勘に頼る運営はできないのはなぜでしょうか?

設計された運用は、ガードレール、しきい値、KPIsによって動くため、オーナー以外にも任せられます。一方、勘に頼る運用は注文ごとにオーナーの判断を必要とし、そのオーナーが不在になった日に止まってしまいます。この違いは技術ではなくガバナンスの問題です。「オーナーのやり方どおり」に仕入れ、計画し、調理する店は、単一障害点を抱えた事業といえます。これが重要になるのは、フルサービス業態の店長離職率が2024年第3四半期に38%(2019年は31%)、限定サービス業態では55%に達しているためです(Black Box Intelligence, 2024)。判断基準が一人の頭の中にしかなければ、店長が辞めるたびに運営上の危機が起きます。需要予測は、その判断基準を監査可能なルールに置き換えます。仕入れのしきい値、労働時間の上限、時間帯ごとの生産目標などです。新任の店長でも初日からそれを実行できます。Masterestaurantでは、これを「創業者の勘を、利益率を損なわずに他の人が運用できるシステムへ変えること」と呼んでいます。

第6章 — 2026年に需要予測から期待できる運営上のリターンは何か?

2026年の需要予測のリターンは、利用可能な中で最も効果の高い運営投資です。廃棄ロスの大きな部分を取り戻し、人件費を数ポイント改善し、プライムコストを高価なテクノロジーの導入や人員削減なしに守ります。これは支出ではなく資源の再配分です。業界の状況もこれを後押しします。業界は一般民間部門の平均をはるかに上回る人材離職率を抱え、フルサービス業態の人件費負担が引き続き利益率を圧迫しています。需要予測が取り戻したポイントはすべてEBITDAに直結します。今日、勘で発注している意思決定者は、ソフトウェアで節約しているのではなく、毎週の廃棄ロスと過剰人員のコストを負担しているのです。Diego F. Parraは率直に言います。需要予測は技術的な贅沢品ではなく、仕入れ、シフト、生産を実際の需要に同期させる神経系です。具体的な最初の一歩は、最も利益が漏れている時間帯から始めることです。

第7章 — 利益率を動かす違い

勘による仕入れは、想像しうる最悪の日に備えます。モデルによる仕入れは、起こりやすい日に合わせ、感情ではなく計算された余裕を持たせます。 モデルがなければ、人件費は慣習でシフトされ、フルサービスでは売上の36.5%前後に行き着きます(National Restaurant Association、2024年)。需要予測があれば、勤務時間を需要曲線に合わせて配分でき、サービスの質を落とさずにその差の一部を取り戻せます。 勘に頼る経営は、食材価格の高騰を利益率で吸収し続けます。モデルは限界効率に基づいて仕入れとメニューを再最適化し、コスト圧力が強まった場面でもプライムコストを守ります。 勘に頼る運営は、一つひとつの発注をオーナーに依存します。モデル化された運営はガードレール、しきい値、KPIsによって稼働し、任せることができます。これは1店舗から多店舗展開へ拡大するための必須条件です。

ポイント別解説

直感とモデルの比較:基準ごとの分析

在庫ロス
A · 勘に頼る運営(モデルなし)フードコストの一部は、過剰発注や賞味期限切れによって失われます。
B · Masterestaurantこの割合は、予測需要に合わせて補充を調整することで下がります。
判定: モデルは、想像しうる最悪の日ではなく、見込まれる日に合わせて仕入れます。その結果、ロスは半分以上削減されます。
人件費
A · 勘に頼る運営(モデルなし)フルサービスでは売上の約36.5%(NRA 2024)
B · Masterestaurant時間帯別の実際のカーブに合わせて配置すると、2〜4ポイント改善
判定: 既存の需要に合わせて時間を配分すると、サービスの質を落とさずにEBITDAのポイントを取り戻せます。
メニューの品切れ
A · 勘に頼る運営(モデルなし)ピーク時に頻発し、機会損失は把握されていない
B · Masterestaurant時間帯ごとに仕込みを計算し、1回のサービスあたりの品切れは1件未満
判定: 予測に合わせて仕込み量を調整すると、客単価と顧客体験を守れます。
運営の権限委譲可能性
A · 勘に頼る運営(モデルなし)オーナーがすべての発注を決めている(拡大できない)
B · MasterestaurantガードレールとKPIsを備え、オーナーがいなくても稼働するシステム
判定: モデル化された業務だけが権限委譲できます。1店舗から複数店舗へ拡大するための条件です。
並べて比較

勘による運営

  • 前週の発注に依存し、外部変数を考慮しない仕入れ
  • 時間帯ごとの実際の需要曲線を無視した固定シフト
  • 「念のため」に過剰に仕込んだプレップ → ロス
  • 需要予測・仕入れ・実売上の間の追跡が一切ない
  • オーナーだけが「いくら仕入れるか」を知っている(業務を任せられない)

モデル主導の運営

  • 日別・品目別に、予測需要に基づいて仕入れを計算する
  • 想定ではなく、実際の時間帯別の売上曲線に基づいてシフトを組む
  • 予想される提供量に合わせて厨房のプレップを調整する(ロスを減らし、メニューの欠品も減らす)。
  • 需要予測 → 仕入れ → 生産 → 販売まで、完全に追跡できる
  • ガードレールとKPIsによる監視を備え、オーナーがいなくても運営できる仕組み
重要な数字

判断の前提となる数字

36.5%
売上に対する給与・福利厚生の比率(フルサービス、中央値、2024年)
31.7%
売上に対する給与・福利厚生の比率(クイックサービス、中央値、2024年)
+3%
米国の生産者物価指数(最終需要)(2025年)
+3.2%
食品価格全体の予測(米国)
32.4%
推奨フードコスト上限(サービス形態により22〜32%)
35%
すべての食品の生産者物価指数(米国)
表示
数字で見る
数字で見る36.5% 売上に対する給与・福利厚生の比率(フルサービス、中央値、2024年); 31.7% 売上に対する給与・福利厚生の比率(クイックサービス、中央値、2024年); +3% 米国の生産者物価指数(最終需要)(2025年); +3.2% 食品価格全体の予測(米国); 32.4% 推奨フードコスト上限(サービス形態により22〜32%); 35% すべての食品の生産者物価指数(米国)売上に対する給与・福利厚生の比率(フルサービス、中央値、2024年)36.5%売上に対する給与・福利厚生の比率(クイックサービス、中央値、2024年)31.7%米国の生産者物価指数(最終需要)(2025年)+3%食品価格全体の予測(米国)+3.2%推奨フードコスト上限(サービス形態により22〜32%)32.4%すべての食品の生産者物価指数(米国)35%
出典: National Restaurant Association — Restaurant Economic Insights 2024 · U.S. BLS — Producer Price Index 2025 M12 · USDA ERS(Food Price Outlook)2026 · National Restaurant Association — Restaurant operators kept food cost ratios in check in 2024(Restaurant Operations Data Abstract、2025年版) · USDA ERS / BLS 2026チャート作成者: masterestaurant.com
事例(合成)

“何度も見かける誤りは、発注を判断ではなくルーティンとして扱うことです。私が担当したフルサービス業態の3店舗では、理想の金曜日に備えて毎日たんぱく質を仕入れていました。モデルを見ると、火曜と水曜の売上は40%少なかったのです。仕入れと仕込みを予測の曲線に合わせた結果、たんぱく質の廃棄は11週間で、フードコストの9%前後から3%にまで減りました。ピーク時間帯に86(売り切れ)を1つも増やすことなく達成しています。メニューもスタッフも変えていません。変えたのは、誰が仕入れ量を決めるかです。それは前の木曜日の記憶ではなく、モデルになりました。”

— Diego F. Parra、Masterestaurant ― 業界の公開データに基づく運営の見方

事例はあくまで説明用の合成例です。登場する名称や数値は実在の事業を描写するものではなく、業界のデータでもありません。

自店への適用方法

需要予測を導入するための90日ロードマップ

第1段階 · データ基盤とベースラインの整備
POS を、品目別・時間帯別の売上における唯一の信頼できるデータ源としてつなぎます。統合されたPOS が、モデルに供給されるシグナルを整理し、きれいにします。過去8~12週間のプライムコスト、フードコストの差異、人件費÷売上の基準値を固定します。基準値がなければ、取締役会に対して主張できるROIは存在しません。
モデルの学習と検証
過去の売上実績、地域の行事カレンダー、天候、イベントをモデルに入力します。並行して検証を行います。モデルが予測し、いつも通りあなたが仕入れを行い、両者を比較します。誤差を当初の規模の一部にまで縮小することを目指します。ここでは、シェフの判断力をモデルで補正するのであり、置き換えるのではありません。
仕入れ、シフト、仕込みの誘導
3つの判断をモデルに移管します。品目ごとの仕入れは予測需要に合わせ、シフトは時間帯別の売上曲線に合わせます(人件費を2~4ポイント回収、NRA 2024年を基準)。プレップは予想される提供量に合わせて調整します。オーナーがいなくても稼働するよう、ガードレールとしきい値を設定します。
継続 · KPIsによる追跡と再最適化
3か月、6か月、12か月の時点で、ロス、フードコストの差異、人件費÷売上、メニューの欠品、需要予測の精度を計測します。モデルは四半期ごとに再学習させ、食材価格の高騰があった際には、限界効率に基づいて仕入れとメニューを再最適化します。
✦ 応用人工知能

AIならどうなるか?

需要を予測し、仕入れを調整して、オペレーションのチェックリストを自動化します。 Diego F. Parra は、飲食店向けAI活用の専門家です。

ツールとMasterestaurantの方法

Masterestaurant エコシステムのツール

需要予測は需要を整理しますが、利益率を守るのは厳密な原価管理とキャッシュ管理です。Masterestaurant エコシステムのこれらのツールは、モデルが予測することと、店が実際に売上として回収することの間の循環を閉じます。

Diego F. Parra

Diego F. Parra — レストランの立ち上げと成長、およびレストラン・フードテック・HORECA分野へのAI活用に精通した国際コンサルタント。43か国・8,400店舗以上で手法を適用 · レストラン・ホスピタリティ・飲食ビジネス向け人工知能(AI)の専門家 · レストラン、ケータリング、大規模イベント、事業成長分野での20年以上の経験 · ISBN付き著書3冊:『Triunfar o morir en el intento』(2013)、『De esclavo a dueño』(2023) · HORECA業界の国際講演者・基調講演者。

よくある質問

よくあるご質問

AIによるレストラン向け需要予測は、日別・時間帯別にどのように機能しますか?

需要予測AIは、日別・時間帯別に売上の履歴、天候、地域のカレンダー、イベントを読み取り、各日・各時間帯にどれだけの需要が見込めるかを推定します。その数値を仕入れ、シフト、仕込み量に反映させます。時間帯単位で考えることが重要なのは、人件費が30分単位で組まれるためです。時間帯の人員が足りなくても余っても、その分の利益は失われます。まずは自店の時間帯別売上履歴から始め、モデルは毎週見直してください。

AIによるレストラン向け需要予測は、日別・時間帯別にどのように機能しますか?

需要予測AIは、日別・時間帯別に売上の履歴、天候、地域のカレンダー、イベントを読み取り、各日・各時間帯にどれだけの需要が見込めるかを推定します。その数値を仕入れ、シフト、仕込み量に反映させます。時間帯単位で考えることが重要なのは、人件費が30分単位で組まれるためです。時間帯の人員が足りなくても余っても、その分の利益は失われます。まずは自店の時間帯別売上履歴から始め、モデルは毎週見直してください。

レストラン向けAI需要予測とは何か、どのように機能するのですか?

レストラン向けの需要予測AIは、売上の履歴、天候、地域のカレンダー、イベントを読み取り、各時間帯の見込み需要を推定します。その結果を発注、シフト、仕込み量へ落とし込みます。勘に頼って仕入れと人員配置を別々に決めるのをやめ、一つの判断にまとめるものです。効果はプライムコストに表れます。過剰発注によるロスが減り、ムダな待機時間が減り、ピーク時の品切れも減ります。最初に取り組むのは仕入れです。ロスの削減は数週間で測定できる成果として現れやすいためです。

レストラン向けAI需要予測とは何か、どのように機能するのですか?

レストラン向けの需要予測AIは、売上の履歴、天候、地域のカレンダー、イベントを読み取り、各時間帯の見込み需要を推定します。その結果を発注、シフト、仕込み量へ落とし込みます。勘に頼って仕入れと人員配置を別々に決めるのをやめ、一つの判断にまとめるものです。効果はプライムコストに表れます。過剰発注によるロスが減り、ムダな待機時間が減り、ピーク時の品切れも減ります。最初に取り組むのは仕入れです。ロスの削減は数週間で測定できる成果として現れやすいためです。

売上履歴と天候は、レストランの需要予測にどのように役立ちますか?

売上履歴と天候を組み合わせることで、時間帯ごとの来店客数を予測します。その数値をもとに、仕入れ量、配置する時間数、仕込み量を決めます。履歴からは、曜日、季節、イベントごとの基本的なパターンがわかります。天候はそれを補正します。雨、暑さ、寒さは来店数を動かし、注文される料理も変えるからです。AIモデルはこの二つの情報をカレンダーと照らし合わせ、シフトごとに実行可能な数値を出します。最初に数週間分の時間帯別売上を整理し、各日の天候を記録してください。この記録が整っていなければ、どの予測も成り立ちません。

売上履歴と天候は、レストランの需要予測にどのように役立ちますか?

売上履歴と天候を組み合わせることで、時間帯ごとの来店客数を予測します。その数値をもとに、仕入れ量、配置する時間数、仕込み量を決めます。履歴からは、曜日、季節、イベントごとの基本的なパターンがわかります。天候はそれを補正します。雨、暑さ、寒さは来店数を動かし、注文される料理も変えるからです。AIモデルはこの二つの情報をカレンダーと照らし合わせ、シフトごとに実行可能な数値を出します。最初に数週間分の時間帯別売上を整理し、各日の天候を記録してください。この記録が整っていなければ、どの予測も成り立ちません。

予測を信頼できるものにするには、何週間分のデータが必要ですか?

たとえば、商品と時間帯ごとに数週間分の正確な売上を蓄積すれば、予測の誤差は大きな幅から、はるかに狭い範囲へ縮まります。統合されたPOSを使えば、この効果はさらに高まります。モデルが正確に予測するために必要なデータを一元化できるからです。

予測を信頼できるものにするには、何週間分のデータが必要ですか?

たとえば、商品と時間帯ごとに数週間分の正確な売上を蓄積すれば、予測の誤差は大きな幅から、はるかに狭い範囲へ縮まります。統合されたPOSを使えば、この効果はさらに高まります。モデルが正確に予測するために必要なデータを一元化できるからです。

モデルはシェフの判断に取って代わりますか?

いいえ。シェフの判断を置き換えるのではなく、補正するものです。地域のお祭りや仕入れ先のトラブルなど、データでは捉えられない状況をシェフが把握しています。モデルは、履歴、天候、カレンダーに基づく規律を提供します。最も良い運営は両者を組み合わせることです。モデルが仕入れと仕込みを提案し、シェフが利益率に合わせて調整します。

モデルはシェフの判断に取って代わりますか?

いいえ。シェフの判断を置き換えるのではなく、補正するものです。地域のお祭りや仕入れ先のトラブルなど、データでは捉えられない状況をシェフが把握しています。モデルは、履歴、天候、カレンダーに基づく規律を提供します。最も良い運営は両者を組み合わせることです。モデルが仕入れと仕込みを提案し、シェフが利益率に合わせて調整します。

サービスの質を落とさずに人件費を削減するには?

需要の実際の時間帯別カーブに合わせてシフトを組み、想定に頼らないことが重要です。National Restaurant Association(2024)によると、フルサービスレストランの人件費は売上の36.5%を占めます。需要がある時間帯に人員を配分することで、その利益率の一部を取り戻せます。しかも、ピーク時にホールが手薄になることはありません。

サービスの質を落とさずに人件費を削減するには?

需要の実際の時間帯別カーブに合わせてシフトを組み、想定に頼らないことが重要です。National Restaurant Association(2024)によると、フルサービスレストランの人件費は売上の36.5%を占めます。需要がある時間帯に人員を配分することで、その利益率の一部を取り戻せます。しかも、ピーク時にホールが手薄になることはありません。

食材費が一気に20%上がったらどうなりますか?

モデルは、インフレによる利益率の悪化を受け止めるのではなく、限界効率に基づいて仕入れとメニューを見直します。たとえば食材価格の高騰というストレスシナリオが発生した場合、貢献利益率の高い料理を優先し、グラム数と仕入れを場当たり的ではなく計画的に調整します。

食材費が一気に20%上がったらどうなりますか?

モデルは、インフレによる利益率の悪化を受け止めるのではなく、限界効率に基づいて仕入れとメニューを見直します。たとえば食材価格の高騰というストレスシナリオが発生した場合、貢献利益率の高い料理を優先し、グラム数と仕入れを場当たり的ではなく計画的に調整します。

データと情報源

レストラン AI 需要予測に関する2026のデータ

政府、業界団体、市場データなど、公的かつ非商業的な出典に基づき検証可能なベンチマーク。競合他社のデータは含みません。

データ価値出典
2022年に世界で小売・フードサービス・家庭において廃棄された食品の割合(レストランの在庫管理台帳の文脈)利用可能な食品の19%;1,050百万トン(2022)BioCycle sobre el UNEP Food Waste Index Report 2024 — UN's 2024 Food Waste Index (2024)
2025年の米国蒸留酒サプライヤーの売上:バーが管理すべき酒類在庫の規模2025における36,4十億USD(前年比−2,2%)Distilled Spirits Council of the United States — Annual Economic Briefing (2025)
2025に米国で販売された蒸留酒の量(9リットル入りケース換算)。バーのボトル本数の算出に有用2025の9リットル箱318,1百万箱(+1,9%)Distilled Spirits Council of the United States — Annual Economic Briefing (2025)
米国のアルコール飲料全体に占める蒸留酒のシェア(2025年、バーの在庫における蒸留酒の比重の文脈)42,4 % en 2025Distilled Spirits Council of the United States — Annual Economic Briefing (2025)
2025年の米国のリキュール入り既製カクテル(RTD)の伸び。バーの在庫リストに加えるべき新しいカテゴリー2025の前年同期比 +16,4%Distilled Spirits Council of the United States — Annual Economic Briefing (2025)
2025年の米国におけるテキーラおよびメスカルの売上:バーの在庫で最も価値の高いスピリッツカテゴリーの一つ2025における6,4十億USD(−4,1%)Distilled Spirits Council of the United States — Annual Economic Briefing (2025)
PDF

この文書をPDFでダウンロード

全文はこのページで無料で読めます。企業向けPDFをお受け取りいただくには、お客様情報をご登録ください。直接のリンクもメールでお送りします。

ファイルだけ必要ですか?PDFを直接開く

Masterestaurant®の知的財産 — 業界リーダー専用 · masterestaurant.com

お店でのレストラン AI 需要予測:Masterestaurantメソッド

43か国、+8,400店舗で導入されています。

コミュニティ

コミュニティに無料で参加する MASTERESTAURANT

43か国の飲食店オーナーとチームが、ノウハウ、ツール、応用AIを共有 — WhatsAppで直接お届けします。

コミュニティに参加
著者: Diego F. Parra  ·  編集者: MASTERESTAURANT®
AIの支援を受けて作成され、MASTERESTAURANT編集チームが確認したコンテンツです。
MRリスト比較エンジン v0.9.394