رستیار و انقلاب هوش مصنوعی در مدیریت ابری رستوران‌ها: چگونه پیش‌بینی تقاضا ۳۰٪ هزینه‌ها را کاهش می‌دهد؟

مقدمه: چالش‌های بی‌پایان مدیریت رستوران‌ها

صنعت رستوران‌داری همواره با چالش‌های پیچیده‌ای دست‌وپنجه نرم کرده است: از مدیریت موجودی مواد اولیه گرفته تا ثبت سفارشات، حسابداری روزانه و حفظ ارتباط با مشتریان وفادار. اما در سال ۲۰۲۶، این چالش‌ها ابعاد جدیدی پیدا کرده‌اند. افزایش قیمت مواد اولیه، کمبود نیروی کار ماهر، نوسانات شدید تقاضا و فشار برای ارائه تجربه‌ای شخصی‌سازی‌شده به مشتریان، همگی مدیریت رستوران را به یک معادله پیچیده تبدیل کرده‌اند.

مدیریت رستوران و مدیریت کافه در این فضای جدید، دیگر با روش‌های سنتی و مبتنی بر شهود امکان‌پذیر نیست. مدیرانی که هنوز از صفحات گسترده و ثبت‌های دستی برای پیش‌بینی نیازهای خود استفاده می‌کنند، نه‌تنها زمان ارزشمندی را از دست می‌دهند، بلکه با ریسک‌های جدی‌تری مانند کمبود موجودی در ساعات اوج یا انباشت مواد اولیه فاسدشدنی مواجه هستند.

پیش‌بینی تقاضا (Demand Forecasting) در این میان به‌عنوان یکی از اساسی‌ترین ابزارهای مدیریتی ظاهر شده است. پیش‌بینی تقاضا فرآیند تخمین میزان تقاضای آینده برای یک محصول یا خدمت در یک دوره مشخص است که با استفاده از داده‌های تاریخی، روندهای بازار، تحلیل‌های آماری و عوامل مؤثر بر تقاضا انجام می‌شود؛ این فرآیند به کسب‌وکارها کمک می‌کند تا تصمیمات بهتری در زمینه تولید، موجودی انبار، قیمت‌گذاری، توزیع و برنامه‌ریزی منابع بگیرند.

رستیار به‌عنوان یک پلتفرم هوشمند ابری جامع، با ارائه مدیریت یکپارچه ابری و بهره‌گیری از الگوریتم‌های پیشرفته هوش مصنوعی، این امکان را برای رستوران‌ها و کافه‌ها فراهم کرده است که از مزایای پیش‌بینی هوشمند تقاضا بهره‌مند شوند و هزینه‌های خود را تا ۳۰ درصد کاهش دهند.

بخش اول: پیش‌بینی تقاضا چیست و چرا برای رستوران‌ها حیاتی است؟

۱-۱. تعریف و اهمیت پیش‌بینی تقاضا

پیش‌بینی تقاضا به معنای برآورد میزان تقاضا برای محصولات یا خدمات یک شرکت در آینده است. این کار به شرکت‌ها کمک می‌کند تا برای تولید، موجودی و توزیع محصولات خود برنامه‌ریزی کنند. در صنعت رستوران‌داری، پیش‌بینی تقاضا به مدیران کمک می‌کند تا بدانند در هر روز، هر شیفت و حتی هر ساعت، چه میزان از هر ماده اولیه و چه تعداد نیروی کار نیاز دارند.

اهمیت پیش‌بینی تقاضا در رستوران‌ها را می‌توان در چند حوزه کلیدی خلاصه کرد:

• جلوگیری از کمبود یا مازاد موجودی: اگر تقاضا را کمتر از واقعیت پیش‌بینی کنید، با کمبود محصول مواجه می‌شوید و فروش را از دست می‌دهید؛ اگر بیش از حد تخمین بزنید، موجودی انبار افزایش پیدا می‌کند و هزینه‌های نگهداری و ضایعات بالا می‌رود.
• کاهش هزینه‌های عملیاتی: با پیش‌بینی صحیح، تولید، خرید مواد اولیه و لجستیک به‌گونه‌ای برنامه‌ریزی می‌شود که هزینه‌های اضافی حذف شوند؛ مثلاً یک رستوران با پیش‌بینی تقاضای فصل تابستان، می‌تواند موجودی نوشیدنی‌های خنک را افزایش دهد و از انباشت مواد کم‌فروش جلوگیری کند.
• بهبود برنامه‌ریزی تولید و زنجیره تأمین: با استفاده از پیش‌بینی تقاضا می‌توان ظرفیت تولید را تنظیم کرده و زمان‌بندی سفارش مواد اولیه را بهینه کرد و از توقف به‌دلیل کمبود مواد یا انبارهای پر جلوگیری کرد.
• افزایش رضایت مشتری و وفاداری: اگر محصول موردنظر مشتری همیشه در دسترس باشد، اعتماد به برند افزایش می‌یابد؛ آمازون با استفاده از هوش مصنوعی برای پیش‌بینی تقاضا، تحویل سریع‌تر و موجودی بهتری ارائه می‌دهد.
• تصمیم‌گیری بهتر در قیمت‌گذاری و تخفیف‌ها: پیش‌بینی تقاضا کمک می‌کند در فصل‌های کم‌تقاضا، تخفیف‌های هوشمندانه اعمال شود و در اوج تقاضا از فروش با حاشیه سود بالاتر بهره برد؛ هتل‌ها و خطوط هوایی با پیش‌بینی تقاضا، قیمت‌گذاری پویا (Dynamic Pricing) را اعمال می‌کنند.

۱-۲. چالش‌های پیش‌بینی تقاضا در رستوران‌ها

علی‌رغم اهمیت حیاتی آن، پیش‌بینی تقاضا در رستوران‌ها با چالش‌های متعددی مواجه است:

• تغییرات ناگهانی در بازار: رویدادهای غیرمنتظره مانند بحران‌های اقتصادی، بلایای طبیعی و تغییرات در ترجیحات مشتریان می‌توانند پیش‌بینی‌ها را با مشکل مواجه کنند.
• داده‌های ناکافی یا نادرست: عدم دسترسی به داده‌های دقیق و کامل می‌تواند دقت پیش‌بینی‌ها را کاهش دهد؛ بسیاری از رستوران‌ها هنوز از سیستم‌های سنتی استفاده می‌کنند که داده‌های دقیقی تولید نمی‌کنند.
• پیچیدگی مدل‌های پیش‌بینی: برخی از مدل‌های پیش‌بینی بسیار پیچیده‌اند و نیاز به دانش تخصصی دارند که در بسیاری از رستوران‌ها در دسترس نیست.
• مدیریت موجودی انبار و ضایعات: رستوران‌ها با مواد اولیه فاسدشدنی سروکار دارند که هرگونه اشتباه در پیش‌بینی می‌تواند به ضایعات قابل‌توجهی منجر شود؛ مدیریت موجودی انبار و انبارداری دقیق، یکی از بزرگ‌ترین چالش‌های صنعت رستوران‌داری است.

بخش دوم: رستیار و انقلاب هوش مصنوعی در مدیریت رستوران

۲-۱. معرفی رستیار: پلتفرم یکپارچه مدیریت رستوران

رستیار به‌عنوان اولین پلتفرم هوشمند مدیریت صنعت F&B در ایران، یک پلتفرم هوشمند ابری جامع است که تمام جنبه‌های مدیریت رستوران و کافه را در یک بستر یکپارچه ارائه می‌دهد. با بهره‌گیری از سیستم هوشمند ابری و مدیریت یکپارچه ابری، رستیار امکان زیر را فراهم می‌کند:

• یکپارچگی کامل سیستم فروش رستوران، نرم‌افزار انبارداری رستوران، نرم‌افزار حسابداری کافه و نرم‌افزار حسابداری رستوران
• ارائه باشگاه مشتریان هوشمند و CRM رستوران یکپارچه
• مدیریت سفارش آنلاین، مدیریت پیک و رزرواسیون در یک بستر واحد
• ارائه منو دیجیتال با ترجمه بین‌المللی منو و ترجمه هوشمند منو
• بهره‌گیری از چت‌بات مدیریتی و هوش مصنوعی در بازاریابی رستوران

نرم‌افزار مدیریت کافه و سیستم مدیریت کافه رستیار با معماری ابری خود، امکان دسترسی به داده‌ها را از هر مکان و هر زمان برای مدیران فراهم می‌کند؛ این قابلیت به‌ویژه برای مدیران چندشعبه که نیاز به نظارت لحظه‌ای بر عملکرد مجموعه خود دارند، حیاتی است.

۲-۲. نقش هوش مصنوعی در پیش‌بینی تقاضا

رستیار با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشین و هوش مصنوعی، پیش‌بینی تقاضا را به سطحی بی‌سابقه از دقت رسانده است. سیستم‌های پیشرفته هوش مصنوعی مانند شبکه‌های عصبی و الگوریتم‌های Ensemble با دقت بالا و توانایی پردازش داده‌های پیچیده و بلادرنگ، توسط شرکت‌های پیشرو برای بهینه‌سازی عملیات استفاده می‌شوند.

مکانیزم عملکرد پیش‌بینی هوشمند رستیار:

• جمع‌آوری داده‌های چندمنبعی: رستیار به‌طور هم‌زمان داده‌های سیستم فروش رستوران، نرم‌افزار سفارش‌گیر گارسون، تاریخچه خرید از باشگاه مشتریان رستوران، الگوهای فصلی و حتی داده‌های آب‌وهوا و رویدادهای محلی را پردازش می‌کند.
• تحلیل پیش‌بینی‌کننده با یادگیری ماشین: الگوریتم‌های یادگیری ماشین رستیار با تحلیل داده‌های تاریخی، الگوهای پنهان را شناسایی کرده و پیش‌بینی‌های دقیقی برای آینده ارائه می‌دهند؛ این سیستم‌ها با هر بار اجرا، خود را بهبود می‌بخشند.
• به‌روزرسانی لحظه‌ای و تطبیق پویا: برخلاف مدل‌های ماهانه سنتی، سیستم رستیار به‌صورت لحظه‌ای و پیوسته به‌روز می‌شود و با تغییرات ناگهانی (مانند موج گرما یا رویداد خاص) تطبیق می‌یابد.
• یکپارچگی با مدیریت موجودی انبار: پیش‌بینی‌های سیستم به‌صورت خودکار به نرم‌افزار انبارداری رستوران و مدیریت موجودی انبار منتقل می‌شوند و فرآیند سفارش‌دهی را بهینه می‌کنند.
• تحلیل آیتم‌های غذا: رستیار با تحلیل آیتم‌های غذا، الگوهای فروش هر آیتم منو را شناسایی کرده و پیش‌بینی دقیقی برای نیازهای هر آیتم ارائه می‌دهد.

۲-۳. آمارهای جهانی — سال ۲۰۲۶

بخش سوم: چگونه پیش‌بینی تقاضا ۳۰٪ هزینه‌ها را کاهش می‌دهد؟

۳-۱. کاهش هزینه‌های موجودی و انبارداری

یکی از بزرگ‌ترین منابع هزینه در رستوران‌ها، مدیریت موجودی انبار است. نرم‌افزار انبارداری رستوران سنتی معمولاً به مدیریت دستی و مبتنی بر تجربه متکی است که منجر به هزینه‌های پنهان زیادی می‌شود.

• کاهش موجودی مازاد: پیش‌بینی دقیق تقاضا از انباشت مواد اولیه فاسدشدنی جلوگیری می‌کند؛ یک تولیدکننده F&B با استقرار پیش‌بینی هوشمند، ضایعات انقضایی را ۳۵٪ کاهش داد.
• مدیریت موجودی انبار و کاهش بهای تمام شده: با خرید به‌موقع و به‌مقدار دقیق مواد اولیه، بهای تمام شده هر آیتم منو کاهش می‌یابد.
• بهینه‌سازی فضای انبار: با کاهش موجودی مازاد، فضای انبار نیز بهینه می‌شود و هزینه‌های نگهداری کاهش می‌یابد.
• مدیریت موجودی با FIFO و FEFO: رستیار با مدیریت هوشمند موجودی بر اساس تاریخ انقضا (FEFO - First Expired, First Out)، از فساد و ضایعات مواد اولیه جلوگیری می‌کند.

نتیجه: کاهش ۱۵ تا ۲۵٪ هزینه‌های نگهداری موجودی.

۳-۲. کاهش ضایعات و هزینه‌های دورریز

ضایعات غذایی یکی از بزرگ‌ترین چالش‌های صنعت رستوران‌داری است. بر اساس برآوردها، رستوران‌ها به‌طور متوسط ۸ تا ۱۲٪ از درآمد خود را به‌دلیل ضایعات و کمبود موجودی از دست می‌دهند.

• پیش‌بینی دقیق تقاضا: با دانستن دقیق اینکه چه مقدار از هر آیتم در هر روز به فروش می‌رسد، می‌توان از تولید بیش‌ازحد جلوگیری کرد.
• شناسایی الگوهای مصرف: تحلیل آیتم‌های غذا در رستیار، آیتم‌های کم‌فروش را شناسایی کرده و پیشنهاد حذف یا اصلاح آنها را ارائه می‌دهد.
• مدیریت هوشمند مواد اولیه: با پیش‌بینی دقیق، می‌توان از خرید مواد اولیه‌ای که ممکن است قبل از مصرف منقضی شوند، جلوگیری کرد.

نتیجه: کاهش ۲۵ تا ۳۵٪ ضایعات مواد غذایی.

۳-۳. بهینه‌سازی نیروی کار و برنامه‌ریزی شیفت

هزینه‌های نیروی انسانی معمولاً بزرگ‌ترین سطر هزینه‌های یک رستوران را تشکیل می‌دهد. پیش‌بینی هوشمند تقاضا با بهینه‌سازی برنامه‌ریزی شیفت، این هزینه‌ها را به‌طور قابل‌توجهی کاهش می‌دهد.

• پیش‌بینی نیازهای نیروی کار: سیستم با تحلیل داده‌های فروش و پیش‌بینی تقاضا، تعداد کارکنان موردنیاز برای هر شیفت را به‌صورت دقیق محاسبه می‌کند.
• کاهش اضافه‌کاری غیرضروری: با تخصیص بهینه منابع، هزینه‌های اضافه‌کاری کاهش می‌یابد.
• افزایش بهره‌وری: با تخصیص کارکنان در زمان‌های اوج تقاضا، خدمات بهتری به مشتریان ارائه می‌شود و در زمان‌های کم‌رونق، از حضور نیروی اضافی جلوگیری می‌شود.

نتیجه: کاهش ۱۰ تا ۲۰٪ هزینه‌های نیروی کار.

۳-۴. کاهش هزینه‌های لجستیک و تأمین

زنجیره تأمین یکی دیگر از حوزه‌های هزینه‌بر در رستوران‌ها است. پیش‌بینی هوشمند تقاضا با بهینه‌سازی زنجیره تأمین، این هزینه‌ها را کاهش می‌دهد.

• خرید عمده هوشمند: با پیش‌بینی دقیق نیازهای آینده، می‌توان مواد اولیه را به‌صورت عمده و با قیمت مناسب‌تر خریداری کرد.
• بهینه‌سازی دفعات سفارش: کاهش تعداد سفارش‌ها و حمل‌ونقل‌های غیرضروری، هزینه‌های لجستیک را کاهش می‌دهد.
• برنامه‌ریزی تأمین‌کنندگان: با ارائه پیش‌بینی‌های دقیق به تأمین‌کنندگان، می‌توان شرایط بهتری برای خرید و تحویل دریافت کرد.

نتیجه: کاهش ۵ تا ۲۰٪ هزینه‌های لجستیک و تأمین.

بخش چهارم: یکپارچگی پیش‌بینی تقاضا با سایر قابلیت‌های رستیار

۴-۱. یکپارچگی با باشگاه مشتریان و CRM

باشگاه مشتریان هوشمند، نرم‌افزار باشگاه مشتریان رستوران و CRM رستوران با سیستم پیش‌بینی تقاضا یکپارچه می‌شوند:

• پیش‌بینی تقاضا بر اساس ترجیحات مشتریان: با تحلیل داده‌های باشگاه مشتریان رستوران و امتیازدهی مشتریان کافه، سیستم می‌تواند الگوهای مصرف گروه‌های مختلف مشتریان را شناسایی کرده و پیش‌بینی‌های دقیق‌تری ارائه دهد.
• شخصی‌سازی منو بر اساس موجودی موجود: با یکپارچگی با منو دیجیتال، سیستم می‌تواند آیتم‌هایی که موجودی آنها رو به اتمام است را به‌عنوان پیشنهادات ویژه به مشتریان نمایش دهد و از ضایعات جلوگیری کند.
• افزایش مشتریان وفادار: با کاهش کمبود موجودی و ارائه تجربه خرید بهتر، افزایش مشتریان وفادار و بازگشت مشتریان رستوران محقق می‌شود.
• سیستم وفادارسازی مشتریان: با تحلیل داده‌های پیش‌بینی، پاداش‌های شخصی‌سازی‌شده‌ای برای مشتریان طراحی می‌کند.

۴-۲. یکپارچگی با منو دیجیتال و سفارش آنلاین

منو دیجیتال، ترجمه بین‌المللی منو، سفارش آنلاین و مدیریت سفارش آنلاین با سیستم پیش‌بینی تقاضا یکپارچه می‌شوند:

• به‌روزرسانی لحظه‌ای منو: با پیش‌بینی موجودی، منو دیجیتال به‌صورت خودکار آیتم‌های ناموجود را مخفی کرده و جایگزین‌های مناسب را پیشنهاد می‌دهد.
• پیشنهادات هوشمند: با تحلیل داده‌های پیش‌بینی، منو دیجیتال آیتم‌هایی که موجودی آنها رو به اتمام است را با تخفیف ویژه به مشتریان پیشنهاد می‌دهد.
• پیش‌بینی موجودی برای کانال‌های مختلف: سیستم با تحلیل الگوهای سفارش در کانال‌های مختلف، موجودی را به‌صورت بهینه بین سفارش‌های حضوری، آنلاین و پیک تخصیص می‌دهد.
• ترجمه هوشمند منو: با یکپارچگی با سیستم‌های پیش‌بینی، اطلاعات موجودی و پیشنهادات ویژه را به زبان‌های مختلف در اختیار مشتریان خارجی قرار می‌دهد.

۴-۳. یکپارچگی با مدیریت پیک و رزرواسیون

• پیش‌بینی موجودی برای رویدادها: با تحلیل داده‌های رزرواسیون، سیستم نیازهای موجودی برای رویدادها و گروه‌های بزرگ را پیش‌بینی کرده و از کمبود مواد جلوگیری می‌کند.
• بهینه‌سازی لجستیک با پیش‌بینی تقاضا: با پیش‌بینی حجم سفارش‌های آنلاین در ساعات مختلف، مدیریت پیک می‌تواند منابع را بهینه تخصیص دهد.
• کاهش لغو سفارش‌ها: با به‌روزرسانی لحظه‌ای موجودی، از ثبت سفارش آیتم‌های ناموجود جلوگیری می‌شود و تجربه مشتری بهبود می‌یابد.
• سفارش گروهی: با امکان برنامه‌ریزی هوشمندانه موجودی، تجربه‌ای بدون دغدغه برای گروه‌های بزرگ فراهم می‌کند.

۴-۴. یکپارچگی با حسابداری و انبارداری

نرم‌افزار حسابداری کافه، نرم‌افزار حسابداری رستوران و نرم‌افزار انبارداری رستوران با سیستم پیش‌بینی تقاضا یکپارچه می‌شوند:

• محاسبه دقیق بهای تمام شده: با دریافت داده‌های دقیق از سیستم‌های پیش‌بینی، بهای تمام شده هر آیتم منو به‌صورت دقیق محاسبه می‌شود.
• مدیریت موجودی انبار و کاهش ضایعات: نرم‌افزار انبارداری رستوران با یکپارچگی با پیش‌بینی‌ها، موجودی را به‌صورت هوشمندانه مدیریت کرده و از ضایعات جلوگیری می‌کند.
• گزارش‌دهی جامع: چت‌بات مدیریتی با اتصال به تمام این داده‌ها، گزارش‌های دقیقی از عملکرد مجموعه و پیش‌بینی‌های آینده به مدیران ارائه می‌دهد.

بخش پنجم: چالش‌ها و چشم‌انداز آینده

۵-۱. چالش‌های پیاده‌سازی پیش‌بینی هوشمند

• یکپارچگی داده‌ها: بسیاری از رستوران‌ها هنوز از سیستم‌های سنتی استفاده می‌کنند که یکپارچگی با سیستم‌های پیش‌بینی را دشوار می‌سازد. راه‌کار: انتخاب پلتفرم‌های یکپارچه ابری مانند رستیار که تمام ماژول‌ها را در یک بستر واحد ارائه می‌دهند.
• مقاومت در برابر تغییر: کارکنان و مدیران ممکن است در برابر پذیرش سیستم‌های جدید مقاومت کنند. راه‌کار: آموزش جامع و نشان دادن نتایج ملموس از طریق پروژه‌های پایلوت.
• کیفیت داده‌ها: دقت پیش‌بینی‌ها وابسته به کیفیت داده‌های ورودی است. راه‌کار: ایجاد فرآیندهای دقیق برای ثبت داده‌ها و استفاده از سیستم‌هایی که داده‌ها را به‌صورت خودکار جمع‌آوری می‌کنند.
• هزینه‌های اولیه: پیاده‌سازی سیستم‌های پیش‌بینی نیازمند سرمایه‌گذاری اولیه است. راه‌کار: استفاده از مدل‌های اشتراکی پلتفرم‌های هوشمند ابری که هزینه‌ها را قابل‌پیش‌بینی می‌کنند.

۵-۲. چشم‌انداز آینده

• یکپارچگی با بلاکچین: ترکیب پیش‌بینی هوشمند با بلاکچین، امکان ردیابی شفاف و غیرقابل‌دستکاری تمام داده‌های زنجیره تأمین را فراهم می‌کند.
• هوش مصنوعی عامل‌محور (Agentic AI): نسل بعدی سیستم‌های پیش‌بینی، به‌جای نیاز به دستورات خاص، خودشان اهداف را تنظیم کرده و اقدامات لازم برای دستیابی به آنها را برنامه‌ریزی می‌کنند.
• قابلیت‌های پیش‌بینی پیشرفته: هوش مصنوعی با یکپارچگی داده‌های IoT، آب‌وهوا، رویدادها و الگوهای مصرف، دقت پیش‌بینی را به بیش از ۹۰٪ خواهد رساند.
• تأثیر بر وفاداری مشتریان: با افزایش شفافیت، کیفیت و پایداری عملیات، باشگاه مشتریان هوشمند و سیستم وفادارسازی مشتریان به ابزاری کلیدی برای افزایش مشتریان وفادار و بازگشت مشتریان رستوران تبدیل خواهند شد.

نتیجه‌گیری

پیش‌بینی هوشمند تقاضا با استفاده از هوش مصنوعی، انقلابی در مدیریت رستوران‌ها و کافه‌ها ایجاد کرده است. پلتفرم رستیار با ارائه مدیریت یکپارچه ابری و بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشین، امکان کاهش ۳۰ درصدی هزینه‌ها را برای مجموعه‌های غذایی فراهم می‌کند. این کاهش هزینه از طریق مدیریت هوشمند موجودی، کاهش ضایعات، بهینه‌سازی نیروی کار و بهبود زنجیره تأمین محقق می‌شود.

آمارهای جهانی نشان می‌دهد که ۷۰٪ از اپراتورهای رستوران در سال ۲۰۲۶ از هوش مصنوعی استفاده می‌کنند و بازار پلتفرم‌های دیجیتال خودکار با نرخ رشد قابل‌توجهی در حال گسترش است. رستیار به‌عنوان یک پلتفرم هوشمند ابری جامع، با یکپارچگی کامل سیستم فروش رستوران، نرم‌افزار انبارداری رستوران، نرم‌افزار حسابداری کافه، باشگاه مشتریان هوشمند، منو دیجیتال و مدیریت پیک، اکوسیستمی کامل ایجاد کرده است که در آن پیش‌بینی هوشمند تقاضا به کاهش هزینه‌ها، افزایش فروش و افزایش مشتریان وفادار منجر می‌شود.

آینده مدیریت رستوران‌ها هوشمندتر، خودکارتر و پیش‌بینی‌کننده‌تر خواهد بود. مدیرانی که امروز به استقبال پیش‌بینی هوشمند تقاضا می‌روند، فردا مزیت رقابتی قابل‌توجهی در بازار خواهند داشت. رستیار به‌عنوان یک سیستم هوشمند ابری جامع، این امکان را برای تمام مجموعه‌های غذایی فراهم می‌کند تا از مزایای این تحول بهره‌مند شوند و گامی بلند به‌سوی مدیریت هوشمند و چابک بردارند.