Три точки применения платформы
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
Мобильный официант
Подсказки для персонала
Показывает сотруднику, какие блюда, напитки и дополнения предложить конкретному гостю с учётом его вкусов и текущего заказа
Вкусовые аудитории
Персонализация маркетинга
Сопоставляет блюда и предложения с вкусовыми профилями клиентской базы и формирует готовые аудитории для дальнейшей коммуникации
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 модулиКак всё связано
Три решения работают
на один вкусовой профиль
Цифровой вкусовой профиль
Общее ядро для всех трёх модулей
Профиль пополняется событиями из всех трёх модулей и возвращает им рекомендации — поэтому чем больше точек контакта подключено, тем точнее выдача в каждой из них.
Рекомендательный движок
Рекомендательный движок внутри приложения
Food2Mood анализирует историю покупок гостей, размечает меню по вкусовым характеристикам и формирует цифровой вкусовой профиль пользователя. На основе этих данных обученные ML-модели определяют, какие блюда, дополнения и сочетания с наибольшей вероятностью подойдут конкретному гостю.
Анализирует историю покупок
Определяет устойчивые предпочтения, паттерны выбора и частые сценарии заказа
Размечает меню и пользователей
Тегирует блюда и гостей по вкусам, ингредиентам, кухням, форматам и ограничениям
Понимает сочетаемость и допродажи
Выявляет, какие блюда, напитки и дополнения чаще всего подходят друг к другу
Использует обученные ML-модели
Формирует рекомендации на основе вкусового профиля, корзины и контекста заказа
Данные о госте + разметка меню + ML-модели = точные персональные рекомендации
Рекомендательный движокПроверено на практике
Результаты A/B теста в приложении сети кофеен
К выручке допродажами в сравнении с обычной рекомендательной системой
Замер за первую неделю работы по результатам тестирования в приложении. Сравнение велось не с отсутствием рекомендаций, а с уже работавшей стандартной логикой выдачи.
Рекомендательный движокКак это работает
От данных о госте до персональной рекомендации
Приложение передаёт Food2Mood идентификатор гостя и текущую корзину, а рекомендательный движок сопоставляет их с вкусовым профилем и размеченным меню и возвращает персональную выдачу.
Идентификация
Приложение передаёт user_id, по которому Food2Mood находит вкусовой профиль и историю заказов
Вкусовой профиль
Система учитывает историю покупок и уже известные предпочтения гостя
Real-time рекомендации
Приложение передаёт данные о поведении гостя, и движок подстраивает выдачу под текущую ситуацию
Бизнес-настройки
Движок учитывает правила и приоритеты, заданные рестораном в админ-панели
Баланс интересов
В выдачу попадают блюда, которые подходят гостю и отвечают задачам заведения
Движок работает в двух сценариях: формирует персональную выдачу по user_id или рекомендует следующее блюдо с учётом уже собранной корзины
Рекомендательный движокУправление рекомендациями
Управление и настройка рекомендаций
Ресторан задаёт правила и приоритеты, а рекомендации показывают нужные блюда тем гостям, которым они действительно подходят.
Идеальный заказ
Задаёт целевую структуру заказа, к которой движок стремится при подборе дополнений
Маржинальные блюда
Повышает приоритет высокомаржинальных позиций среди релевантных рекомендаций
Гастропары
Задаёт правильные сочетания блюд, напитков и дополнений
Go-list и стоп-лист
Усиливает позиции, которые нужно продавать, и исключает недоступные или нежелательные блюда
Food2Mood находит баланс между релевантностью для гостя и коммерческими задачами ресторана
Мобильный официантЧто видит официант
Официант знает гостя ещё до заказа
Перед тем как принять заказ, официант открывает стол и видит вкусы, ограничения и что предложить дальше.
Вкусы и ограничения
Видны до того, как гость откроет меню
Что предложить сейчас
Подсказка меняется по мере того, как собирается заказ
Задания на смену
Менеджер ставит цель залу или конкретному официанту
Качество рекомендаций перестаёт зависеть от стажа официанта
Вкусовые аудитории
Формируем аудитории для точной коммуникации
Food2Mood анализирует меню и историю заказов, формирует цифровой вкусовой профиль гостей и находит наиболее релевантную аудиторию для конкретного предложения.
Разметка меню
Блюда получают гастрономические признаки: ингредиенты, вкусы, текстуры, формат подачи и сценарий потребления
Вкусовой профиль гостя
На основании истории заказов формируется цифровой профиль: любимые ингредиенты, вкусы и поведенческие паттерны
Поиск аудитории
Система сопоставляет профиль предложения с профилями клиентской базы и находит наиболее релевантных гостей
- 1
Меню
Карта блюд заведения
- 2
Разметка
Блюда получают признаки вкуса, текстуры и подачи
- 3
Вкусовой профиль
История заказов складывается во вкусы гостя
- 4
Сопоставление
Блюдо сводится с профилями по базе
- 5
Аудитория
Гости, которым предложение подходит
Вкусовые аудиторииКак это работает
Каждое сообщение становится персональной рекомендацией
Система анализирует блюдо, сравнивает его с вкусовыми профилями гостей, исключает нерелевантную аудиторию и генерирует сообщения с разными акцентами.
Выбор предложения
Маркетолог выбирает блюдо, новинку или акцию
Данные о блюде
Система получает карточку блюда из размеченного меню
Анализ вкусов
Определяет вкусы, ингредиенты, кухню и характеристики блюда
Поиск аудитории
Система находит тех, кому предложение подходит
Фильтрация
Исключаются гости с несовпадением или ограничениями
Готовый сегмент
Аудитория и вкусовые сегменты передаются для дальнейшей коммуникации
Пример отбора на шаге поиска аудитории
- · Любит креветки
- · Часто заказывает супы
- · Азиатская кухня
- · Любит острое
- · Заказывает морепродукты
- · Часто выбирает первые блюда
- · Любит сладкое
- · Заказывает мясо
- · Исключает рыбу из блюд
Больше точечных коммуникаций вместо массовых, которые выжигают базу
Итог по модулямЧто меняется
Что меняет каждый модуль и для кого
Три модуля работают на один профиль, поэтому их эффекты пересекаются. Здесь видно, где именно.
| Движок | Официант | Аудитории | |
|---|---|---|---|
| Гость | Находит подходящее блюдо, не листая всё меню | Его обслуживают с учётом вкусов и ограничений | Получает сообщения только о том, что ему подходит |
| Персонал | — | Готовые подсказки и аргументы; новички быстрее осваивают меню | — |
| Маркетинг | Реакции в приложении уточняют вкусовой профиль | Предпочтения из зала пополняют тот же профиль | Одна идея превращается в кампанию без ручной сегментации |
| Бизнес | Рост конверсии и среднего чека — в рамках ваших приоритетов | Качество сервиса меньше зависит от опыта официанта | Больше повторных визитов, выше конверсия рассылок |
Гость
- Движок
- Находит подходящее блюдо, не листая всё меню
- Официант
- Его обслуживают с учётом вкусов и ограничений
- Аудитории
- Получает сообщения только о том, что ему подходит
Персонал
- Официант
- Готовые подсказки и аргументы; новички быстрее осваивают меню
Маркетинг
- Движок
- Реакции в приложении уточняют вкусовой профиль
- Официант
- Предпочтения из зала пополняют тот же профиль
- Аудитории
- Одна идея превращается в кампанию без ручной сегментации
Бизнес
- Движок
- Рост конверсии и среднего чека — в рамках ваших приоритетов
- Официант
- Качество сервиса меньше зависит от опыта официанта
- Аудитории
- Больше повторных визитов, выше конверсия рассылок
CDP
Как увеличить эффективность данных — подключить инструменты CDP
Рекомендации работают тем точнее, чем полнее данные о госте. CDP собирает их из всех каналов в единый профиль и превращает в персональные сценарии.
Точки сбора данных
Собирают данные о госте во время обслуживания
Данные гостя
История заказов, предпочтения, вкусовой профиль, ограничения
CDP
Объединяет всю информацию в единый профиль клиента
Персональные сценарии
Сегментация аудитории, триггерные события, персонализация сайта и приложений
Рост выручки
Выше средний чек, увеличение частоты визитов, рост LTV
Откуда приходят данные
- POS: заказы, чеки, состав покупки
- Мобильный официант: рекомендации, предпочтения
- Сайт и приложение: просмотры меню, корзина
- Доставка: онлайн-заказы, частота покупок
- Рассылки: открытия, клики, реакции
- Программа лояльности: бонусы, статус
Что можно делать дальше
- Сегментация по поведению и ценности
- Триггерные сценарии по событиям
- Шаблоны SMS, push и email
- Персонализация сайта и приложения
- Управление бонусами и статусами
- Аналитика эффективности кампаний
CDPСистемные модули
Ключевые модули CDP
Показать восемь модулей платформы
Единый профиль клиента
Объединяет данные о клиенте из разных источников в единую карточку пользователя
Сегментация аудитории
Формирует группы клиентов по общим признакам и моделям поведения
Менеджер кампаний
Позволяет запускать триггерные омниканальные сценарии коммуникаций
Программа лояльности
Уровни, бонусы, сертификаты и депозиты вместо разрозненных скидок
Персонализация
Адаптирует сайт и приложение под конкретный сегмент клиентов
Шаблонизатор сообщений
Редактор шаблонов SMS, email и push-сообщений
Пиксель
Отслеживает действия клиентов на сайте и фиксирует события
Аналитика
Отображает показатели работы модулей и формирует отчёты
Аналитика замыкает цикл: показывает результат каждого действия и помогает улучшать следующие коммуникации
Оператор персональных данных
Компания внесена в реестр операторов, обработка данных гостей ведётся по 152-ФЗ
Две программы для ЭВМ
Рекомендательный движок и сопутствующие модули зарегистрированы как собственные разработки
Реестр ИТ-стартапов Москвы
Food2Mood входит в реестр ИТ-стартапов города и работает с российскими сетями общепита
Интеграция по API
Движок подключается к вашему приложению и не требует замены учётной системы ресторана
Разграничение доступа
Настройки и данные разделены по ролям: администратор сети, управляющий заведения, официант
Обмен только служебными данными
Наружу уходят идентификатор гостя и разметка меню, а не персональные сведения о человеке
Оставить заявку
Подайте заявку на участие в программе. Мы свяжемся, уточним детали и поможем подобрать подходящие решения для вашей организации.
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 →