Saurav Pandey åpner dashboardet og peker på et kontorbygg i Oslo. Han scroller forbi grafer og tabeller til han finner gårsdagens tall. 234 gjester predikert. 231 dukket opp. Tre i avvik.
Han lener seg tilbake. «Det er ikke det at tallet er perfekt.» «Det er at kjøkkensjefen slipper å gjette.»
Vi satte oss ned med Saurav, senior backend developer i Izy og en av utviklerne bak prediksjonsmodellen, for å forstå hva som faktisk skjer når en algoritme overtar planleggingen i kantinen.
Gjetting koster
Hver dag tar kjøkkensjefer i Norge den samme beslutningen: hvor mange porsjoner skal vi lage? For mange betyr svinn. For få betyr tomme serveringsfat og misfornøyde gjester.
Saurav begynte å jobbe med kantinedata for å forstå omfanget. Det han fant overrasket ham.
Noen dager lager kjøkkenet for mye, og maten kastes. Andre dager lager de for lite, og gjestene blir skuffet. Bemanningen svinger på samme måte. Med prediksjon ser vi typisk 15 prosent forbedring i innkjøp og svinn.
Magefølelsen treffer som regel. Men når den bommer, bommer den begge veier.
Hva systemet ser som kjøkkensjefen ikke ser
Prediksjon i kantinen starter med historikk: salgsdata per dag, per rett og per tidspunkt. Ukedag, helligdager, ferier, arrangementer i bygget. Vær, møtekalendere, lokale hendelser. Maskinlæring analyserer sammenhenger på tvers av alt dette.
Men det interessante er ikke datamengden. Saurav forklarer det slik:
NettverkseffektenSystemet ser ikke bare på historikk for én kantine. Det kryssrefererer med andre kantiner i nettverket. Hvis et nytt bygg kobles på, lærer modellen fra lignende bygg mens den bygger egen historikk. En ny kantine starter ikke på null.
Og så er det helligdagene. Saurav lyser opp når vi spør om den største usikkerhetsfaktoren.
Det er ikke helligdagen selv som er vanskelig. Det er fredagen før. Og at Oslo kan ha vanlig uke mens nabofylket har fri. Den effekten er større enn man tror.
Basert på disse mønstrene leverer systemet tall for i dag, denne uken og fire uker frem. Kjøkkensjefen ser prediksjonen, vurderer om noe er annerledes, og planlegger deretter. Over tid lærer systemet av avvikene.
Confidence, ikke prosenter
Den vanlige måten å snakke om prediksjon på er «95 prosent nøyaktighet». Saurav er tydelig på at det er feil metrikk.
Accuracy vs. confidence: Accuracy gir inntrykk av at systemet enten har rett eller feil. Confidence forteller deg hvor sikker modellen er på sin egen beregning. Når dashboardet viser «234 gjester, 92 prosent confidence», vet kjøkkensjefen at det er en liten usikkerhet og kan planlegge deretter.
234 predikert, 231 faktisk. Den typen resultat, dag etter dag, gjør at kjøkkensjefen stoler på systemet. Ikke fordi tallet er perfekt. Men fordi det konsekvent slår erfaring og magefølelse.
Confidence bygges raskest i kantiner med stabil brukermasse og faste mønstre. Den tar lengre tid i bygg med stor variasjon i leietakere, eller etter store omorganiseringer. Men spørsmålet er alltid det samme: Er dette bedre enn gjetting? Svaret er ja.
Hva det betyr i kroner
Hausmanns Hus er et kontorbygg i Oslo sentrum med rundt 600 daglige brukere. De tok i bruk Izy med prediksjon, forhåndsbestilling og selvbetjening.
+17pp
Bruttomarginen i kantinen gikk fra 50 til 67 prosent. 17 prosentpoeng forbedring fra prediksjon, selvbetjening og forhåndsbestilling som virker sammen.
Matsvinn alene gikk ned med 34 000 kroner per måned. 92 prosent av brukerne svarer «great» eller «good» på tilfredshet, og over 85 prosent bruker Izy App aktivt.
Tallene er gode, men det som gjør meg mest fornøyd er hva kjøkkensjefene forteller meg. De sier at de endelig kan planlegge fremover i stedet for å reagere bakover.
Hva som trengs for å komme i gang
Det største hinderet er sjelden teknisk. De fleste kantiner med et digitalt kassasystem har allerede dataene som trengs. Seks til tolv måneders historikk er tilstrekkelig. Resten handler om vilje.
De første ukene parallellkjøres systemet med kjøkkenets egne estimater. Ingen bryter om på dag én. Kjøkkensjefen ser prediksjonene ved siden av egen vurdering, og registrerer gradvis at tallene stemmer. Det tar fire til seks uker fra oppstart til full drift.
Vanligste innvendingen«Vi har ikke nok data.» Men du trenger ikke tolv måneder med perfekte data for å starte. Du trenger nok til at modellen har noe å jobbe med. Resten henter den fra nettverket.
Det neste Saurav bygger
Prediksjon i dag gir totalt antall gjester. Men kjøkkensjefen trenger mer enn det. Neste steg er å predikere per rett: ikke bare «234 gjester», men «120 velger kylling, 80 velger pasta, 34 velger salat.» Koblet mot mAIfood kan det automatisere planlegging av meny og innkjøp.
Dashboardet er i dag den viktigste flaten. Men det er ikke den eneste. Ukentlig e-post med ukeprognose, push-varsler ved store avvik, og chat-widgets i driftssystemer er allerede på vei.
La systemet ta seg av støyen i planleggingen, så du kan fokusere på håndverket.
Vanlige spørsmål
Fungerer prediksjon i kantinen for små kantiner?
Ja. Modellen trenger et minimum av datapunkter, ikke et minimum av gjester. Men verdien er proporsjonal med størrelsen: en kantine med 300 daglige gjester sparer mer i kroner enn en med 50, normalt sett.
Trenger vi spesialutstyr?
Nei. Alt kjøres som software på eksisterende kassasystem. Ingen sensorer, ingen hardware, ingen ombygging.
Hvor lang tid før systemet gir pålitelige prognoser?
De fleste kantiner ser brukbare tall innen fire til seks uker. Den første måneden kjøres systemet parallelt med kjøkkenets egne estimater, slik at ingen tar beslutninger i blinde.
Kilder og metode
Denne artikkelen er basert på:
- Intervju med Saurav Pandey, senior backend developer ved Izys Oslo-kontor (17. februar 2026).
- Driftsdata fra Izy-plattformen, verifisert mot intern plattformdata.
Prediksjonseksempelet (234 vs 231) er fra faktisk drift, anonymisert.
Relaterte artikler:
Sist oppdatert: Februar 2026
