コンサルティングでは、料理が何十品も並ぶ非常に長いメニューによく出会います。厨房のスタッフ全員が完全に把握しているわけではありません。シェフは、どの料理もよく、それぞれに客がついていると言います。メニューエンジニアリング分析を行うと、料理のごく一部が売上の大半を占めていること、そして売れ筋の料理の中に利益率の最も低いものがいくつもあることがわかります。つまり、2倍働いて半分しか稼げていないのです。私はこれを8.400店舗、43か国で見てきましたが、そのパターンはほぼ例外なく共通しています。
メニューエンジニアリングは新しい概念ではありませんが、多くの飲食店がそれを厳密に適用できていないのが現状です。MRという手法を使うと、実践的で行動につなげやすくなります。各料理を、貢献利益率(販売価格 − food cost)と人気度(販売数量)という2つの指標で4つのカテゴリーに分類します。その結果、どの料理を販促し、どの料理を調整し、どの料理を作り直し、どの料理を削除すべきかが正確にわかる意思決定マップができます。現在では、AIがPOSのデータをもとに、この分析を毎週リアルタイムで自動的に行うことができます。
メニューエンジニアリング:並列比較
| 従来型の方法 | Masterestaurant方式 | |
|---|---|---|
| メニュー設計の基本 | ✕シェフの好み、伝統、「いつもこれを出している」という理由 | ✓メニューエンジニアリングによる、貢献利益率 × 人気度の分析 MR |
| メニュー項目の分類 | ✕なし ― すべての料理が「どれも良い」とされている | ✓スター(高利益・高販売)、キャッシュカウ(低利益・高販売)、問題児(高利益・低販売)、負け犬(低利益・低販売) |
| メニュー構成に関する意思決定 | ✕直感に基づき、シェフやオーナーの好みで決まる | ✓データに基づく:スターを宣伝し、キャッシュカウで収益を確保し、問題児を調査し、負け犬を削除する |
| メニューの品数 | ✕際限なく膨らむ:料理が増えれば多様性が高まり、売上も増える(誤り) | ✓回転率の高いコンパクトなメニュー:品数を絞って集中させ、より高い収益性を目指す |
| メニューの見直し | ✕年に1〜2回、「何かが売れていない」と感じたときに行う | ✓販売データを毎月更新し、メニューエンジニアリング分析を実施する |
| 分析におけるAI | ✕なし | ✓AIがPOSのデータを毎週分析し、各料理を自動で再分類する |
好みで作るメニュー:シェフが一人で決めるとき
客のために設計したメニューと、利益を生むために設計したメニューは同じではありません。8.400店舗・43カ国で25年にわたりコンサルティングを行ってきたDiego F. Parraは、同じパターンを何度も目にしてきました。シェフは自分が得意とする料理、情熱を注ぐ料理、あるいは客が価値を感じると思う料理を基準にメニューを組み立てます。その結果、料理数ばかりが膨らんだ提供内容になり、売上の大半が一部の品目に偏るという状況が生まれます。よく売れる料理が、必ずしも最も利益を生む料理とは限りません。これでは、倍の労力をかけて半分しか稼げないことになります。好みで決めたメニューは意図の誤りではなく、方法の誤りです。貢献利益と人気度を測る指標がなければ、飲食店経営者は最も強力な資産であるメニューを手探りで運用することになります。
メニューエンジニアリングが実際に測るもの
メニューエンジニアリングでは、「貢献利益(販売価格からフードコストを引いた額)」と「人気度(一定期間の販売数量)」の2つの変数を使い、各料理を4つのカテゴリーに分類します。利益率が高く売れ行きも良い料理は「スター(花形)」、利益率は高いものの売れ行きが低い料理は「クエスチョンマーク(潜在品)」、利益率は低いものの売れ行きが良い料理は「定番品(トラップ品)」、利益率も売れ行きも低い料理は「ドッグ(不振品)」です。この判断マトリクスは、マイケル・カサバナとドナルド・スミスが1982年に広めたもので、どの料理を販売促進し、どの料理の価格やフードコストを調整し、どの料理を作り直し、どの料理を削除すべきかを、経営者に具体的に示してくれます。これまでの課題は実行面にありました。80品の分析を手作業で行うと、1期間につき4〜8時間かかっていたのです。2026年の現在では、POSに接続したシステムがリアルタイムで更新するため、スプレッドシートも入力ミスも不要になります。
ドッグ品に潜む隠れたコスト
ドッグ品を削除しても売上は減りません。むしろ経営資源を集中できるようになります。Masterestaurantの手法による分析では、Diego F. 仕組みは単純です。稼働する品目数(SKU)が減れば、仕入れが集約され、品種が減ることで廃棄ロスが少なくなり、在庫の回転率が上がり、厨房への指示もシンプルになります。メニューが非常に多い店舗では、稼働中の食材が数百点に及ぶこともあります。一方、短く厳選されたメニューの店舗は食材数がはるかに少なく、それでも売上の大半を維持しています。オペレーションが複雑であることは品質の指標ではなく、気づかないうちにコストが漏れ出す原因になります。
料理ごとのフードコスト:最も操作されやすい指標
料理のフードコストは、食材原価を販売価格で割って算出します。Masterestaurantにおける運用上の基準は、1品あたり32%以下を許容できる上限とすることです。目標値ではありません。好みでメニューを設計するシェフの多くは、各品目の実際のフードコストを把握していません。全体平均だけを見ており、その平均は品目ごとのばらつきを隠してしまいます。同じメニューの中に、フードコストが低い料理と非常に高い料理が混在していることはよくあります。報告された平均値は一見問題なさそうに見えても、損益計算書が合わなくなって初めて問題が表面化します。Diego F. Parraは、手法の例として次のように試算しています。1日の客数が多い店舗では、2〜3品のトラップ品が売上の大部分を占めている場合、毎日かなりの利益が失われていると。測定されないものは、流出するのです。
AIの活用:月次分析からリアルタイムの信号機へ
人工知能によって、メニューエンジニアリングは定期的な作業から、継続的なモニタリングの仕組みへと変わります。POSに接続されたAIモジュールは、各料理の分類(スター、クエスチョンマーク、定番品、ドッグ)を24〜48時間ごとに、手作業なしで再計算できます。3か月間クエスチョンマークに分類されていた料理が、ある週に急に売れ始めた場合、システムはそれをスター候補として検知し、機会を逃す前に販促を行うか、メニュー上の位置を調整するよう経営者に通知します。Masterestaurantのプログラムに参加するメキシコとコロンビアの店舗でのテストでは、このフィードバックサイクルにより、メニュー機会への対応時間が30日から72時間未満に短縮されました。意思決定のスピードは、今や測定可能な競争優位性になっています。
MRによるメニュー改善の進め方
Masterestaurantは、メニューエンジニアリングを4つの具体的なステップで実施します。第1に、データの収集です。各品目の実際のフードコストと、直近90日間の販売数量を集めます。第2に、店舗独自の基準値を用いた4分類です。業界平均は使いません。コスト構造は業態、立地、客単価によって異なるためです。第3に、カテゴリーごとの行動計画です。スターはメニューや販促で前面に出します。クエスチョンマークは30日間、価格や見せ方を調整して試します。定番品は、削除する前にフードコストを最適化します。ドッグ品は次の印刷サイクルでメニューから外します。第4に、60日後に新しい分類で結果を検証します。このデータ、判断、実行、測定という反復サイクルこそが、単に見た目を変えただけのメニューと、本当に改善されたメニューを分けるポイントです。
メニュー上の位置と視覚表現:フードコストには表れない利益
メニューの心理学は、価格を1円も変えずに利益率を高めることができます。客がどの料理を選ぶかに影響を与えるからです。客の視線は予測可能な動きをします。2ページ構成のメニューでは、最初に目が行くのは右上の角です。1ページのメニューでは中央に視線が集まります。Masterestaurantはこれらの原則をリデザインに取り入れています。スターは目立つ基準位置に配置します。将来性のあるクエスチョンマークは高価格帯の料理の隣に置き、価値の印象を支えます。定番品はページの下部に移すか、注文可能な状態であっても視覚的なメニューからは外します。通貨記号を省くと、実験室の研究では価格への敏感さが低下することも分かっています。レイアウトの一つひとつの決定が、利益を生む要素になります。フードコストには表れない要素も、一日の終わりのレジには必ず表れるのです。
期待できる成果:最初の90日で何が変わるか
MasterestaurantによるメニューエンジニアリングとAIモニタリングを導入した飲食店は、数か月で測定可能な成果を期待できます。平均フードコストが下がり、食材の廃棄が減り、スターが適切に配置されることで客単価も上がります。Diego F. 非常に多くのメニューを、厳選され分類された構成に絞り込んだ飲食店では、価格を上げなくても上半期中に営業利益が伸びることがよくあります。メニューは、シェフが書きたいものではありません。飲食店が持つ最も強力な財務ツールです。そのように扱えるかどうかが、生き残るか成長するかの分かれ目になります。
メニューエンジニアリングが売上を増やさずに利益率を高める理由
「好みで作るメニュー」とメニューエンジニアリングに基づくメニューの違いは、紙のメニューを見ただけではわかりません。違いが表れるのは月末の利益率です。実際に、負け犬の料理をいくつか削除したところ、食材のロスが減り、全体の利益率が上がったレストランを見てきました。注文数が減ったわけではありません。より的を絞ったことで、売れる料理が変わったのです。メニューエンジニアリングを正しく適用すると、これが実現します。 AIは、この作業を定期的なものから継続的なものへと変えるため、プロセスそのものを大きく変えます。手作業による月次のメニューエンジニアリング分析には何時間もかかります。POSに接続されたAIシステムなら、各料理の分類をリアルタイムで更新できます。たとえば、今週、問題児だった料理の売れ行きが急に伸びれば、それはすでにスター候補です。すぐにマーケティングをその料理へ振り向けるべきです。この意思決定のスピードが、トレンドを捉えるか、取り逃がすかの違いになります。
項目ごとの比較:従来のメニュー(A)とMasterestaurantによるメニューエンジニアリング(B)
好みで決めるメニューの現状
- スター(高利益・高販売)に特別な販促をしない — すべての料理を同じように扱ってしまう
- 負け犬(低利益・低販売)は、食材、チームの思考リソース、メニューのスペースを消費してしまう
- キャッシュカウ(高販売・低利益)は、多くの労力をかけても利益がほとんど残らない
- 問題児(高利益・低販売)は目に触れず、次のスターになりうるのに埋もれてしまう
- メニュー変更のたびに、データではなく意見に基づく賭けになってしまう
メニューエンジニアリングMRで変わること
- 各料理にはカテゴリーがあります:スター、キャッシュカウ、問題児、負け犬 — それぞれに異なる戦略をとります
- スターは、メニュー、SNS、ホールスタッフのおすすめを通じて積極的に宣伝します
- キャッシュカウは最適化します:味の印象を損なわずにフードコストを下げるか、段階的に価格を見直します
- 問題児には戦略的な露出を行います:メニュー上の位置、ホールスタッフの提案、期間限定のプロモーション
- 負け犬は削除するか作り直します — 料理を1品外すごとに、オペレーション、仕入れ、在庫の負担が減ります
重要な数字
“メニューには78品ありました。MRを使って分析したところ、スター14品、キャッシュカウ22品、問題児18品、負け犬24品に分類されました。負け犬の24品を削除し、キャッシュカウを最適化し、スターを積極的に宣伝しました。2か月後、テーブル数を増やさなくても、利益率は6ポイント上がりました。秘訣は、メニューに載せるべきではないものを見極めたことにありました。”
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。
今週からMRでメニューエンジニアリングを実践する方法
料理ごとに必要な数値は2つです。売れた数(人気度)と、1品あたりに残る貢献利益(販売価格 − フードコスト)です。フードコストを算出していない場合は、まずそこから始める必要があります。データがなければ、メニューエンジニアリングはできません。残るのは意見だけです。
貢献利益 = 販売価格 − フードコスト(金額)。フードコスト率と混同しないでください。たとえば、販売価格が高く、フードコストが目標値の範囲内に収まっている料理は、手元に残る利益の金額が大きくなります。一方、価格が低く、フードコストを抑えられている料理は、率が良く見えても1皿あたりに残る金額は少なくなります。重要なのは率よりも金額ベースの利益です。
メニュー全体の平均利益と平均人気度の2本の線を引きます。高利益かつ高人気度なら「スター」。低利益かつ高人気度なら「キャッシュカウ」。高利益かつ低人気度なら「問題児」。低利益かつ低人気度なら「負け犬」。これがあなたの意思決定マップです。
POSのデータをシステムMRに接続すると、AIが各料理の分類を毎週再計算します。問題児の売上が伸びていれば(スターになる可能性)、スターの利益率が原価の上昇で下がっていれば、キャッシュカウがリターンのないまま運営資源を消費していれば、それぞれ通知します。
Masterestaurantのツールを使って実践してください
Masterestaurantには、この分析を一度も行ったことがなくても、ゼロからメニューエンジニアリングを導入できるメニュー分析システムがあります。
レストランのメニューエンジニアリングに関するよくある質問
メニューエンジニアリングを用いたメニューとは何で、好みで決めたメニューとはどこが違うのですか?
メニューエンジニアリングを用いたメニューとは何で、好みで決めたメニューとはどこが違うのですか?
メニューエンジニアリングを用いたメニューでは、各料理を貢献利益と人気度によって分類し(スター、キャッシュカウ、問題児、負け犬)、データに基づいて何を推すか、調整するか、削除するかを決めます。好みで作るメニューは、シェフの直感に頼っています。NeatMenu — Menu Psychology 2026によると、メニューの心理学を活用すると、価格を上げなくても平均客単価が+15%上がります。
価格を上げずに売上を伸ばす、工夫を凝らしたメニューはどのように設計しますか?
価格を上げずに売上を伸ばす、工夫を凝らしたメニューはどのように設計しますか?
まずデータから始めます。各料理を利益と売上で分類し、スターを目立たせ、負け犬を外します。NeatMenu — Menu Psychology 2026によると、メニューの心理学を活用すると、価格を上げなくても平均客単価が+15%上がります。魅力的な説明文も効果的です。Cornell University Food and Brand Lab(Wansink)によると、売上が+27%増加しました。
よく設計されたメニューには、料理が何品あるべきですか?
よく設計されたメニューには、料理が何品あるべきですか?
魔法の数字はありませんが、収益性の高いレストランの実例では、コンパクトなメニューが主流です。客単価が中〜高めのアラカルトのレストランでは、20-35品が目安です。品数が多いほど、仕入れは増え、ロスも増え、オペレーションは複雑になります。MRによるメニューエンジニアリングを行うと、売上を落とさずに品数を大きく減らし、利益を増やせることが多くあります。
花形の料理は値上げすべきですか?
花形の料理は値上げすべきですか?
必ずしもそうではありません。スターはすでに機能しています。価格を上げるリスクは、人気が下がり、問題児に格下げされてしまうことです。正しい戦略は、価格を維持したうえで、メニュー上の露出(位置、写真、説明文)を高め、スタッフがそれを積極的に勧められるように教育することです。まず守り、その後に最適化してください。
負け犬なのか、それとも単に販促が必要なのかは、どう見分けますか?
負け犬なのか、それとも単に販促が必要なのかは、どう見分けますか?
メニュー上での露出、戦略的な位置、ホールスタッフのおすすめを少なくとも60日間受けたのに、利益が低く人気も低いままであれば、その料理は負け犬です。一度も露出や販促を受けていなければ、まだ機会を与えられていない問題児かもしれません。60日間、露出を積極的に行う検証が、答えを教えてくれます。
AIは、メニューに追加すべき新しい料理を提案できますか?
AIは、メニューに追加すべき新しい料理を提案できますか?
はい。レストランの過去データと市場のトレンドを使えば、AIは、需要の見込みが高いのにメニューで過小評価されている料理カテゴリーを特定できます。ただし、最終的な判断は、AIのデータとシェフの料理に対する判断、そして常連客の理解を組み合わせて行います。AIは情報を提供し、シェフとオーナーが決めます。
メニューエンジニアリングに関する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。
関連コンテンツ
メニューは、あなたの文化的アーカイブではなく、最も利益を生む営業担当であるべきです。
Masterestaurantの手法でメニューエンジニアリングを行い、利益とオペレーションを奪う料理を削除して、メニューを収益力のある仕組みに変えましょう。数字はすでにあなたのデータの中にあります。この手法がそれを見えるようにします。

