<p>Et kassesystem registrerer hver transaktion - men det fortæller dig ikke, om du er overbemandet kl. 14, hvad en kop kaffe reelt koster i øre, eller hvad du kan forvente at omsætte i morgen. POS-rapportering er laget der oversætter rådata fra Shopbox til <a href="/viden/ai-fordele-virksomhed">beslutningsstøtte fra kassedata</a>: bemanding, kostpris og omsætningsprognose.</p>
Kort svar
POS-rapportering er et datalag der sidder oven på dit kassesystem og beregner, hvad salgsdata konkret betyder for driften. Det trækker transaktionsdata fra Shopbox via API, parrer dem med vagtplaner, opskrifter og leverandørpriser - og producerer tre outputs: bemanding pr. time vurderet mod et DKK-mål, kostpris pr. vare rullet op automatisk og omsætningsprognose for næste dag beregnet på historik og vejr. Det er <a href="/ai-automatisering">AI-automatisering af POS-data</a> - ikke grafer til fri fortolkning, men tre svar på tre driftsspørgsmål.
Shopbox gemmer alle salgsdata. Problemet er ikke datamangel - det er at dataene sidder låst i et system, der ikke er bygget til at producere beslutningsstøtte ud fra dem.
Shopbox gemmer alle transaktioner - men er ikke bygget til at producere handlingsbar beslutningsstøtte. Data ligger ubrugte bag systemets egne rapporteringsgrænser.
Et rapporteringslag trækker data ud via API og oversætter dem til tre konkrete driftssvar.
En driftsansvarlig kan ikke se, om bemandingen matcher omsætningen i det konkrete timeinterval - kun et dagsgennemsnit, der glatter forskellene ud.
SPLH beregnes for hver åben time og stemples automatisk mod et konfigureret DKK-mål.
Når Hørkram hæver en pris, opdateres kostpriserne i kassesystemet ikke automatisk - og dækningsbidraget passer ikke til virkeligheden.
Opskriftsmotoren opdaterer automatisk alle berørte varer, når en leverandørpris ændres.
Vagtplanlægning og indkøb baseres på erfaring frem for en beregnet baseline. En caféejer ved ikke, hvad morgendagen bringer - udover en fornemmelse.
Prognosen beregnes på historiske Shopbox-data matchet mod dage med samme ugedag og vejr.
Systemet er bygget til The Artisan på Shopbox - ikke et multi-tenant SaaS-produkt med generiske benchmarks. SPLH-target, timeomkostning, opskrifter og prognosemodel er alle kalibreret til den specifikke forretnings egne data og parametre.
SPLH beregnes for hver åben time og klassificeres som Overstaffed, Understaffed eller Healthy. For The Artisan er SPLH-target konfigureret til 600 DKK pr. arbejdstime med en timeomkostning på 170 DKK. Klassifikationen bygger på åbningstidsplanen og de faktiske vagtdata - ikke et dagsgennemsnit der glatter forskellene ud.
Opskriftsmotoren oversætter ingredienspriser til kostpris pr. vare i øre og opløser underopskrifter via topologisk opløsning med cycle-guard. Opdateringer fra Hørkram trækkes ind via faktura-læseren og ruller automatisk op gennem alle berørte opskrifter i ét gennemløb - ingen manuel genindtastning.
Kostpriser skubbes til Shopbox via et kontrolleret flow. COST_SYNC_ENABLED er deaktiveret som standard. Hvert push kører dry-run og kræver eksplicit bekræftelse - godkendelsesgate i workflowet sikrer at ingen linje skrives uden godkendelse. Identiske priser sendes aldrig.
Systemet identificerer historiske Shopbox-dage med samme ugedag og tilsvarende vejr via WMO-vejrkodebucketer og temperaturmatch inden for 5 grader. Machine learning på historikdata beregner et efterspørgselsvægtet gennemsnit. Outputtet er en konkret baseline til vagtplanlægning og indkøb - ikke en vag procentsats.
Se det i aktion
Salg per time bliver til konkrete beslutninger om bemanding, priser og indkoeb.
Ni specifikke mekanismer der tilsammen producerer tre handlingsbare driftssvar fra Shopbox-data.
Start med en gratis AI-analyse - et teknisk afklaringsmøde om din Shopbox-opsætning og datakvalitet. Ingen forpligtelse.
