Персональные рекомендации еды под вкус, настроение и контекст

Персональные рекомендации еды под вкус, настроение и контекст

Две девушки в ресторане
Рекомендательная системаСредний чек в ресторане

+10,6%

Рекомендательная системаДопродажи в сети кофеен

+5%

A/B-тестВыручка допродажами

+4%

Пилот в ритейлеGTV готовой еды

+2%

Рекомендательная системаСредний чек в ресторане

+10,6%

Три решения Food2Mood для цифрового меню, сервиса и маркетинга

Каждый модуль решает отдельную бизнес-задачу, но все они используют единое ядро Food2Mood — вкусовой профиль гостя и размеченное меню.

Рекомендательный движок

Персональные рекомендации

Анализирует историю заказов, размечает меню и формирует вкусовой профиль гостя, чтобы через API возвращать персональные рекомендации и допродажи

Рост конверсии и среднего чекаГость быстрее находит подходящие блюда, а ресторан получает более точную выдачу и релевантные дополнения к заказу

Мобильный официант

Подсказки для персонала

Показывает сотруднику, какие блюда, напитки и дополнения предложить конкретному гостю с учётом его вкусов и текущего заказа

Рост среднего чекаПерсонал получает готовые рекомендации для допродаж и сервиса

Вкусовые аудитории

Персонализация маркетинга

Сопоставляет блюда и предложения с вкусовыми профилями клиентской базы и формирует готовые аудитории для дальнейшей коммуникации

Рост повторных заказовРассылки становятся не массовыми, а персональными и релевантными

Одна платформа

единый вкусовой профиль

рекомендации во всех точках контакта

Модули подключаются по отдельности и работают на общем ядре — можно начать с одного и добавить остальные позже.

Разобрать модули

Три решения работают на один вкусовой профиль

Цифровой вкусовой профиль

Общее ядро для всех трёх модулей

вкусыингредиентыограниченияистория заказовконтекстреакции
Модуль пополняет профильВыборы блюд, добавления в корзину и новые заказы
Профиль возвращает модулюВкусовой профиль, историю заказов и характеристики блюд

Профиль пополняется событиями из всех трёх модулей и возвращает им рекомендации — поэтому чем больше точек контакта подключено, тем точнее выдача в каждой из них.

Персонализация, которая влияет на выручку

Food2Mood объединяет меню и сервис вокруг цифрового вкусового профиля гостя, чтобы каждый контакт становился точнее и коммерчески полезнее.

Больше заказов

Гость быстрее выбирает подходящее блюдо, а ресторан теряет меньше заказов в меню

Выше средний чек

Система предлагает релевантные напитки, десерты, сеты и приоритетные позиции

Больше визитов

Персональные коммуникации возвращают гостей через предложения, которые им подходят

Food2Mood — AI-инфраструктура вкусовых предпочтений для ресторанов

Меню · Сервис · Рекомендации · Повторные продажи

Пишут о нас

РБК Стиль

Интервью основателя о том, как рекомендации меняют выбор блюд в ресторане

SberBusiness Live

«Один ИИ на ужин»: эксперты рассказывают, как рестораны используют искусственный интеллект

Хотите так же?

Расскажем, какой модуль подойдёт вашему заведению, и предложим условия пилота

FAQ

Рекомендательная система для ресторанов и сетей общепита. Она строит цифровой вкусовой профиль гостя, сопоставляет его с размеченным меню и подсказывает, что предложить конкретному человеку в конкретный момент, вместо одинакового меню для всех.

Из трёх. Рекомендательный движок отдаёт персональную выдачу по API. Модуль для мобильного официанта показывает подсказки персоналу в зале. Вкусовые аудитории собирают сегменты по вкусовым и поведенческим паттернам для маркетинга. Модули работают на одном ядре и подключаются по отдельности.

По API: система принимает идентификатор пользователя и возвращает упорядоченное меню — ранжированный список блюд под этого гостя. Интеграция встраивается в существующее приложение, отдельный интерфейс для гостя разрабатывать не нужно.

Нет. Движок работает поверх текущего контура: получает разметку меню и данные о заказах, а выдачу возвращает обратно в ваше приложение или в мобильного официанта.

В админ-панели задаются приоритетные блюда, исключения, гастропары, стоп-лист и go-list, отдельный буст маржинальных позиций и структура идеального заказа. Движок строит рекомендации внутри этих правил, а не вопреки им.

В сети кофеен — +5% к допродажам и +5% к их доле в выручке приложения за первую неделю A/B-теста. В ресторане авторской кухни — +10,6% к среднему чеку. В сервисе готовой еды — пилот с прогнозом +10% к конверсии. В федеральной сети ритейла — пилот в разделе готовой еды с прогнозом +2% к GTV при масштабировании.

Официант открывает стол, видит профиль гостя и готовые подсказки: что рекомендовать и чем дополнить заказ. Управляющий может выставить задание — общее для смены или индивидуальное для конкретного сотрудника — и следить за его выполнением.

Из истории заказов, текущей корзины и поведения в приложении. Эти данные сопоставляются с разметкой меню — вкусами, ингредиентами, кухней и характеристиками блюд, — и из совпадений собирается персональная выдача.

Аудитория набирается не по общим признакам, а по вкусовым сегментам: система отбирает гостей, которым предложение действительно релевантно, и исключает остальных. Это точечные коммуникации вместо массовых, которые выжигают базу.

Оставьте заявку — обсудим задачи заведения, выберем подходящий модуль и условия пилота. Для оценки эффекта используется A/B-тест на вашей аудитории.

Материалы о продукте

РБК Стиль и SberBusiness Live — о том, как рестораны используют ИИ в рекомендациях

Читать РБК Стиль →

Не нашли ответ на свой вопрос?

Оставьте заявку — обсудим задачи заведения и условия пилота

Оставить заявку →