Startseite › Listen › Dark Kitchens y Foodtech
Listen

Optimierung von Delivery-Algorithmen: traditionelle Methode vs. -Methode Masterestaurant

Diego F. Parra Von Diego F. Parra · Aktualisiert · Dark Kitchens y Foodtech

Aktualisierung vom 27. Sept. 2026: 15 überarbeitete Abschnitte.

Optimierung von Delivery-Algorithmen: traditionelle Methode vs. Masterestaurant-Methode — Masterestaurant
Schnelles Fazit

Die traditionelle Methode kopiert die Speisekarte des Gastraums auf Uber Eats, Rappi und DiDi Food, ohne Preise oder Zeiten anzupassen, und genau das lässt sie im Algorithmus untergehen. Diego F. Parra, Gründer von Masterestaurant, wiederholt in jeder Diagnose denselben Satz: „Der Algorithmus belohnt nicht das beste Gericht, sondern den Betreiber, der bei seinen Zahlen am konsequentesten ist.“ Im Jahr 2026 erzielen Restaurants, die diese Anpassung umsetzen, bei gleichem Bestellvolumen deutlich mehr Umsatz, und der Wareneinsatz im Delivery bleibt unter der Obergrenze der Methode.

🔢 ListePriorisierte Liste mit dem angegebenen Ordnungskriterium· 12 Min. Lesezeit· 2026-09-27

Lieferdienst-Apps zeigen Ihr Restaurant nicht alphabetisch an. Uber Eats, Rappi und DiDi Food berechnen einen internen Punktwert, der Zubereitungszeit, Annahmequote, Bewertung der letzten 50 Bestellungen und Reaktionsgeschwindigkeit bei Reklamationen miteinander verrechnet. Ein Restaurant mit besserer Bewertung, aber langer Zubereitungszeit kann einige Plätze unter einem anderen erscheinen, das etwas schlechter bewertet ist, aber eine deutlich schnellere Küche hat. Diese Platzierungsdifferenz verschiebt einen wesentlichen Teil des organischen Traffics innerhalb der App. Das zeigt das Muster, das Diego F. Parra bei der Prüfung von Dark Kitchens in Bogotá, Medellín und Mexiko-Stadt im Jahr 2025 gemessen hat.

Der Fehler, den ich bei Restaurants mit 2 bis 5 Jahren Lieferbetrieb immer wieder sehe, ist, die App wie einen digitalen Flyer zu behandeln: gleiche Speisekarte, gleiche Preise, gleiche Fotos von vor drei Jahren. Diese Küche zahlt eine hohe Provision auf jede Bestellung und verliert zusätzlich an Platzierung, weil sie nie die Zubereitungszeiten aktualisiert und das Kennzahlen-Dashboard nicht prüft. Das Ergebnis sind Bestellungen, die Quartal für Quartal sinken, ohne dass der Inhaber versteht, warum. Das Problem liegt nicht am Produkt, sondern darin, wie der Algorithmus seine operativen Daten interpretiert.

Masterestaurant behandelt das als System, nicht als punktuelle Preisanpassung. Die Methode beginnt mit der Prüfung von 90 Tagen Daten aus dem Partnerpanel (Uber Eats Manager, Rappi Partners, DiDi Food Business), gefolgt von der Einordnung der 10 Gerichte, die die meiste Marge bringen, und der Neugestaltung der digitalen Speisekarte rund um diese Gerichte. Bei Restaurants, in denen Diego F. Parra dieses Audit angewendet hat, steigt die Annahmequote innerhalb weniger Wochen deutlich, ohne zusätzliches Personal einzustellen.

Bis 2026 setzen Uber Eats und Rappi verstärkt künstliche Intelligenz für ihr eigenes Ranking ein: Sie prognostizieren die Nachfrage nach Zeitfenstern und passen die Sichtbarkeit an die Wahrscheinlichkeit an, dass das Restaurant die versprochene Zeit einhält. Dadurch wird eine Küche, die ihre Zeiten nicht misst, doppelt bestraft, denn der Algorithmus verzeiht nicht mehr einen einzelnen Ausrutscher bei Zusagen, sondern reagiert mit schrittweisem Positionsverlust. Bei einem Restaurant mit einem beispielhaften Durchschnittsbon kann der Verlust mehrerer Plätze im Ranking seiner Kategorie pro Woche durchaus einige Bestellungen weniger bedeuten, und nach einem Monat summiert sich das zu erheblichen nicht erzielten Umsätzen. Masterestaurant berücksichtigt diese prädiktive Variable seit 2025 in jedem Audit.

Vergleich nebeneinander

Direktvergleich

Traditionelle MethodeMethode Masterestaurant
Durchschnittliche Zubereitungszeit✕22 Minuten✓11 Minuten
Annahmequote der Bestellungen✕Der weit überwiegende Teil der Bestellungen✓Nahezu alle Fälle
Aufschlag gegenüber dem Saalpreis✕Kein Zuschlag, gleicher Preis✓Ein kleinerer Teil
Aktive Artikel in der Lieferkarte✕45 Gerichte✓14 Gerichte
Häufigkeit der Kennzahlenprüfung✕1× im Monat✓Mehrmals pro Woche
Tatsächlicher Wareneinsatz im Lieferdienst✕Ein hoher Anteil✓Ein moderater Anteil
Durchschnittliche Position in der Kategorie✕Eine mittlere Position in der Liste✓Platz 3

Warum erscheint mein Restaurant nicht weit oben in Uber Eats, obwohl ich eine gute Bewertung habe?

Das Ranking hängt nicht nur von den Sternen ab: Uber Eats, Rappi und DiDi Food fassen Zubereitungszeit, Annahmequote, Bewertung der letzten 50 Bestellungen und Reaktionsgeschwindigkeit bei Reklamationen zu einem internen Punktwert zusammen.

Ein Restaurant mit besserer Bewertung, aber langsamer Zubereitung kann einige Plätze hinter einem liegen, das etwas schlechter bewertet ist, aber deutlich flotter kocht. Dieser Unterschied in der Position verschiebt einen wesentlichen Teil des organischen Traffics innerhalb der App, entsprechend dem Muster, das Diego F. Parra bei der Prüfung von Dark Kitchens in Bogotá, Medellín und Mexiko-Stadt im Jahr 2025 gemessen hat. Der Algorithmus belohnt operative Konsistenz, nicht nur die Zufriedenheit der Gäste.

1. Kopiertes Saalmenü: der Fehler, den die meisten Küchen wiederholen

Der Fehler, den ich bei Restaurants mit 2 bis 5 Jahren Lieferbetrieb immer wieder sehe, ist, die App wie einen digitalen Flyer zu behandeln: gleiche Karte, gleiche Preise, gleiche Fotos von vor drei Jahren. Diese Küche zahlt auf jede Bestellung eine hohe Provision und verliert zusätzlich Position, weil sie nie die Zeiten aktualisiert und das Kennzahlen-Dashboard nicht prüft. Das Ergebnis: Die Bestellungen sinken Quartal für Quartal, ohne dass der Inhaber versteht, warum, denn das Problem liegt nicht am Produkt, sondern darin, wie der Algorithmus die operativen Daten interpretiert. Eine ungepflegte Karte verwässert die Marge bei Gerichten, die kaum jemand bestellt, die aber die reale Durchschnittszeit nach unten ziehen.

2.

Die traditionelle Methode berechnet in der App denselben Preis wie im Saal und deckt weder die Plattformprovision noch die Verpackung, und das schmälert die Marge Gericht für Gericht. In Audits von Diego F. Parra in Dark Kitchens bringt diese Anpassung 4 bis 7 Prozentpunkte Rohertrag zurück, ohne den vom Gast wahrgenommenen Durchschnittsbon zu erhöhen, weil der Aufschlag im digitalen Preis aufgefangen wird und nicht im Tischpreis. Dieser Schritt zu ignorieren ist der Grund, warum viele Inhaber glauben, Lieferung lohne sich nicht, obwohl das Problem am Preis liegt und nicht am Kanal.

3. Zubereitungszeit unter 12 Minuten: die Variable mit dem größten Gewicht

Uber Eats und Rappi strafen Küchen mit einem Positionsverlust ab, die die versprochene Zubereitungszeit mehr als zweimal pro Woche überschreiten. Die Methode Masterestaurant legt für den Großteil der digitalen Karte eine betriebliche Grenze von 12 Minuten fest, gestützt auf eine Station, die ausschließlich Bestellungen aus Apps bearbeitet und von der Saalküche getrennt ist. In Restaurants, in denen Diego F. Parra diese Trennung umgesetzt hat, steigt die Annahmequote innerhalb weniger Wochen deutlich, ohne zusätzliches Personal einzustellen. Die versprochene Zeit konsistent einzuhalten, interpretiert der Algorithmus als Verlässlichkeit, und Verlässlichkeit ist das, was die Sichtbarkeit antreibt.

4. Annahmequote: das Thermometer, das niemand prüft

Bestellungen wegen fehlender Zutaten oder Personals in der Stoßzeit abzulehnen, drückt die Annahmequote, und diese Kennzahl wiegt im Positionsalgorithmus genauso schwer wie die Bewertung. Wenn Sie das Partner-Dashboard regelmäßig prüfen (Uber Eats Manager, Rappi Partners, DiDi Food Business), erkennen Sie, in welchen Zeitfenstern die Ablehnungen auftreten, und können Schichten oder Bestand vor diesen Zeiten anpassen. Diese betriebliche Anpassung, nicht die Karte, bewegt die Kennzahl innerhalb von 6 Wochen.

5. Foto und Beschreibung je Plattform: Verkaufen auf Rappi ist nicht dasselbe wie auf DiDi

Dasselbe Foto und dieselbe Beschreibung auf allen drei Apps zu verwenden, ignoriert, dass jede Plattform ihren eigenen Relevanzalgorithmus für die interne Suche hat, der auch Klicks und Conversion pro Bild gewichtet. Ein Gericht mit einem generischen Stockfoto konvertiert meist deutlich schlechter als eines mit einem eigenen, gut ausgeleuchteten Foto. Die Methode ordnet die 10 Gerichte mit dem größten Margenbeitrag ein und gibt ihnen auf jeder Plattform eine eigene visuelle Aufbereitung und einen eigenen Text, wobei das Marketing-Team seine Zeit vorrangig dort investiert. Dieses Detail, das klein wirkt, verbessert die Klick-zu-Bestellung-Quote innerhalb der Kategorie des Restaurants spürbar.

6. KI-Prognose im Ranking: was 2026 kommt

Bis 2026 setzen Uber Eats und Rappi verstärkt künstliche Intelligenz für ihr eigenes Ranking ein: Sie prognostizieren die Nachfrage nach Zeitfenstern und passen die Sichtbarkeit an die Wahrscheinlichkeit an, dass das Restaurant die versprochene Zeit einhält. Dadurch wird eine Küche, die ihre Zeiten nicht misst, doppelt bestraft, denn der Algorithmus verzeiht nicht mehr einen einzelnen Ausrutscher bei Zusagen, sondern reagiert mit schrittweisem Positionsverlust. Bei einem Restaurant mit einem für seine Kategorie überdurchschnittlich hohen Durchschnittsbon kann der Verlust mehrerer Plätze im Ranking viele Bestellungen weniger pro Woche bedeuten, die sich innerhalb eines Monats zu erheblichen nicht erzielten Umsätzen summieren. Masterestaurant berücksichtigt diese prädiktive Variable seit 2025 in jedem Audit.

Fazit: Der Algorithmus verzeiht keine kopierte Karte, er belohnt den Kanal, der wie ein eigener behandelt wird

Die traditionelle Methode kopiert die Saalkarte auf Uber Eats, Rappi und DiDi Food, ohne Preis oder Zeiten anzupassen, und das drückt das Restaurant im Algorithmus Schritt für Schritt nach unten, nicht auf einen Schlag. Der Unterschied zeigt sich in 6 bis 8 Wochen: Die von Diego F. Parra auditierte Küche hebt die Annahmequote von mittelmäßig auf hoch und gewinnt Positionen zurück, die der Inhaber wegen Marktsättigung schon verloren glaubte. Wenn Ihr Lieferumsatz in diesem Quartal um 12 % gefallen ist, besteht der erste Schritt nicht in Preissenkungen, sondern darin, die Daten Ihrer letzten 90 Tage im Dashboard zu prüfen, bevor Sie die Karte anfassen.

Punkt für Punkt

Direktvergleich: Wo es sich an der Kasse zeigt

Nettomarge je Bestellung nach Provision
A · Traditionelle MethodeEine bescheidene Verbesserung der Marge
B · MasterestaurantAufschlag gegenüber dem Saalpreis
Fazit: Masterestaurant sichert die Marge mit einem angepassten Aufschlag
Sichtbarkeit in der Kategoriesuche
A · Traditionelle MethodePositionen in der Mitte der Liste
B · MasterestaurantPlatz 2–5
Fazit: Masterestaurant
Rotation der digitalen Karte
A · Traditionelle MethodeKeine Änderungen seit 12 Monaten
B · MasterestaurantAktualisierung alle 90 Tage
Fazit: Masterestaurant
Kosten durch Stornierungen wegen Verzögerung
A · Traditionelle MethodeEin größerer Anteil der Bestellungen
B · MasterestaurantEin kleinerer Anteil der Bestellungen
Fazit: Masterestaurant
Zeit bis zur Rückgewinnung des Rankings nach einem Rückgang
A · Traditionelle MethodeMehr als ein Monat Nachverfolgung
B · Masterestaurant3–4 Tage
Fazit: Masterestaurant
Vergleich nebeneinander

Traditionelle Methode: die kopierte und eingefügte Speisekarte

  • Gleicher Preis im Lieferdienst wie im Saal, ohne die Plattformprovision zu decken.
  • Karte mit 40 bis 60 Artikeln, identisch mit der Papierkarte, ohne Priorisierung für den Algorithmus.
  • Durchschnittliche Zubereitungszeit von 20 bis 25 Minuten, ohne Ziel und ohne wöchentliche Messung.
  • Generische oder seit mehr als 12 Monaten nicht aktualisierte Fotos.
  • Prüfung der Kennzahlen im Dashboard einmal im Monat oder seltener.

Masterestaurant-Methode: der Algorithmus als Verkaufskanal

  • Passt den Preis gegenüber dem Saalpreis mit einem Aufschlag an, um die Marge nach Provision zu schützen.
  • Digitale Karte auf 12 bis 14 Ankerartikel reduziert, die am häufigsten bestellt werden und die meiste Marge bringen.
  • Zubereitungszeit unter 12 Minuten, mit einem in der Küche sichtbaren Tagesziel.
  • Fotos und Beschreibungen alle 90 Tage neu formuliert, mit den Suchbegriffen, die Gäste tatsächlich verwenden.
  • Prüfung der Kennzahlen mehrmals pro Woche, mit Preis- und Zeitanpassungen je nach Nachfrage.
Die entscheidenden Zahlen

Die Zahlen, die ein gut geführter Algorithmus bewegt

fast75%
Restaurant-Traffic außer Haus (Takeaway, Drive-thru und Delivery)
65%
Limited-Service-Betreiber mit Delivery
26%
Anteil der Restaurantbetreiber, die bereits Werkzeuge im Zusammenhang mit künstlicher Intelligenz nutzen
70%
der Betreiber plant, im kommenden Jahr in Technologie zu investieren
20–35 USD
Durchschnittlicher Bestellwert im Lieferdienst in den USA
7–15
Optimale Menügröße pro Kategorie
Visualisierung
Die Zahlen, visualisiert
Die Zahlen, visualisiertKennzahlen, visualisiert: fast 75 % Restaurant-Traffic außer Haus (Takeaway, Drive-thru und Deli …; 65 % Limited-Service-Betreiber mit Delivery; 26 % Anteil der Restaurantbetreiber, die bereits Werkzeuge im Zusammenhang …; 70 % der Betreiber plant, im kommenden Jahr in Technologie zu investieren …; 20–35 USD Durchschnittlicher Bestellwert im Lieferdienst in den USA; 7–15 Optimale Menügröße pro KategorieRestaurant-Traffic außer Haus (Takeaway, Drive-thru und Delivery)fast75%Limited-Service-Betreiber mit Delivery65%Anteil der Restaurantbetreiber, die bereits Werkzeuge im Zusammenhang mit künstlicher Intelligenz nutzen26%der Betreiber plant, im kommenden Jahr in Technologie zu investieren70%Durchschnittlicher Bestellwert im Lieferdienst in den USA20–35 USDOptimale Menügröße pro Kategorie7–15
Quellen: National Restaurant Association — From Trend to Transformation: Off-Premises Dining Now Essential 2025 · National Restaurant Association 2025 · National Restaurant Association (über Restaurant Dive) — NRA: Over 25% of restaurant operators use AI 2026 · National Restaurant Association / Escoffier, 2024 · Lightspeed 2025Grafik erstellt von masterestaurant.com
Illustratives Beispiel (zusammengesetzt)

“In 7 Wochen haben wir die digitale Karte von 38 auf 13 Artikel reduziert, den Preis mit einem Aufschlag von 17 % angepasst und die Zubereitungszeit auf 10 Minuten gesenkt. Die Annahmequote stieg auf 97 %, der Wareneinsatz sank auf 30 %, und das Kategorieranking verbesserte sich in zwei der sechs Filialen vom 16. auf den 2. Platz.”

— Diego F. Parra, Masterestaurant — Audit einer Dark Kitchen, Bogotá, 2025

Fallbeispiel zu Illustrationszwecken: Namen und Zahlen des Falls beschreiben kein reales Unternehmen und sind keine Branchendaten.

So wenden Sie es in Ihrem Restaurant an

So optimieren Sie den Lieferdienst-Algorithmus in 4 Schritten

90 Tage lang das Partner-Dashboard prüfen
Bevor Sie Preis oder Karte anfassen, laden Sie den 90-Tage-Bericht aus Uber Eats Manager, Rappi Partners oder DiDi Food Business herunter. Ermitteln Sie Annahmequote, durchschnittliche Zubereitungszeit, Bewertung der letzten 50 Bestellungen und Stornierungsquote. In diesem Schritt empfiehlt Diego F. Parra, die 10 Gerichte zu markieren, die 70 % des Volumens erzeugen: Sie sind diejenigen, die der Algorithmus bereits pusht, und auf ihnen baut die Optimierung auf. Liegt die Annahmequote unter 85 % oder die Zubereitungszeit über 15 Minuten, ist das der reale Engpass, nicht die Karte oder die Fotos. Dieses Audit dauert zwischen 2 und 3 Stunden und sollte jedes Quartal wiederholt werden, um den Fortschritt zu halten.
Die digitale Speisekarte auf die Ankerartikel reduzieren
Kürzen Sie die Lieferkarte auf 12 bis 14 Gerichte: diejenigen mit der höchsten Rotation und der besten Marge auf Basis des tatsächlichen Wareneinsatzes, nicht der Saalkarte. Eine Karte mit 45 Artikeln verwässert die Aufmerksamkeit von Gast und Algorithmus, der Kataloge mit hoher Conversion je Artikel bevorzugt. Formulieren Sie jede Beschreibung mit den Worten neu, die Gäste bei der Suche verwenden (z. B. „ganzes Brathähnchen“ statt „Hausspezialität“), und aktualisieren Sie die Fotos alle 90 Tage mit Tageslicht und angerichtetem Gericht, nicht mit Stockfoto. Die Methode Masterestaurant verlangt einen Wareneinsatz von ≤32 % bei jedem Ankerartikel, bevor er in die digitale Karte aufgenommen wird, um die Marge nach der Plattformprovision zu schützen.
Den Preis mit einem Aufschlag auf den Preis im Gastraum anpassen
Ohne diese Anpassung sinkt die Netto-Marge pro Bestellung auf ein Niveau, das weder die Personalkosten der Küche noch die Nachbestellung von Zutaten auf mittlere Sicht deckt. Kommunizieren Sie die Änderung transparent: Die meisten Restaurants in Lateinamerika arbeiten bereits mit unterschiedlichen Preisen für Gastraum und Lieferdienst, und der Gast akzeptiert dies, solange der Service (Verpackung, Lieferzeit, Qualität) konstant bleibt. Überprüfen Sie diesen Aufschlag jedes Mal, wenn die Plattform eine Änderung ihrer Provisionsstruktur ankündigt, was in der Region in den letzten Jahren bereits mehrfach vorgekommen ist.
Zweimal pro Woche messen und nachjustieren
Rufen Sie das Dashboard jeden Montag und jeden Donnerstag auf, um Annahmequote, Zubereitungszeit und Bewertung der gesamten Woche zu prüfen. Sinkt die Annahmequote unter 90 % oder steigt die Zubereitungszeit über 12 Minuten, passen Sie die Schichtplanung der Küche an oder pausieren Sie Artikel mit langen Zubereitungszeiten in den Spitzenzeiten zu Mittag und am Abend vorübergehend. Diesen Prüfrhythmus, den Diego F. Parra bei jedem Kunden von Masterestaurant ab dem ersten Monat der Auditierung umsetzt, erkennt Rankingverluste innerhalb weniger Tage statt Wochen später, wenn bereits ein großer Teil der potenziellen Bestellungen verloren ist. Das Ziel ist nicht dauerhafte Perfektion, sondern Disziplin bei der Messung. Der Algorithmus belohnt Konstanz von Woche zu Woche, nicht einen guten Monat, dem drei Monate ohne Blick ins Dashboard folgen.
✦ Angewandte künstliche Intelligenz

Und mit künstlicher Intelligenz?

Optimieren Sie Kanäle, Preisgestaltung und Unit Economics Ihrer Dark Kitchen. Diego F. Parra ist Experte für KI-Anwendungen in der Gastronomie.

Tools und Methode von Masterestaurant

Tools von Masterestaurant zur Absicherung der Optimierung

Diese drei Tools aus dem Ökosystem von Masterestaurant begleiten die Auditierung des Lieferdienst-Algorithmus, ohne zusätzliches Personal in den täglichen Betrieb zu bringen.

Jedes adressiert einen anderen Engpass: Kanalstrategie, Wachstumsprognose und Kontrolle der realen Marge pro Bestellung.

Sie werden in den ersten Wochen der Auditierung gemeinsam eingesetzt, also in dem Zeitraum, in dem sich die Annahmequote in der Regel sichtbar verbessert.

Diego F. Parra

Diego F. Parra — Internationaler Berater für Aufbau und Optimierung von Restaurants sowie für KI-Anwendungen in Restaurants, Foodtech und HORECA. Methodik angewandt in über 8.400 Restaurants in 43 Ländern · Experte für künstliche Intelligenz in Restaurants, Gastgewerbe und gastronomischen Unternehmen · Über 20 Jahre Erfahrung in Restaurants, Catering, Großveranstaltungen und Unternehmenswachstum · Autor von 3 Büchern mit ISBN: «Triunfar o morir en el intento» (2013) und «De esclavo a dueño» (2023) · Internationaler Referent und Keynote-Speaker der HORECA-Branche.

Häufige Fragen

Häufige Fragen zur Optimierung von Lieferdienst-Algorithmen

Wie viel verlangen Delivery-Plattformen 2026 tatsächlich?

Sie berechnen eine Provision auf jede Bestellung, die je nach Plattform, Stadt und gewähltem Tarif (Basis, Plus oder Premium) variiert: Umfassendere Pakete kosten mehr, dafür bieten sie mehr Sichtbarkeit. Hinzu kommen Werbekosten innerhalb der App, wenn das Restaurant gesponserte Aktionen aktiviert.

Wie viel verlangen Delivery-Plattformen 2026 tatsächlich?

Sie berechnen eine Provision auf jede Bestellung, die je nach Plattform, Stadt und gewähltem Tarif (Basis, Plus oder Premium) variiert: Umfassendere Pakete kosten mehr, dafür bieten sie mehr Sichtbarkeit. Hinzu kommen Werbekosten innerhalb der App, wenn das Restaurant gesponserte Aktionen aktiviert.

Soll ich die Preise in der Delivery-Speisekarte erhöhen?

Ohne diese Anpassung lässt die Provision der Plattform die Netto-Marge pro Bestellung zu eng werden, ein Niveau, das weder Verpackungskosten noch die Nachbestellung von Zutaten auf mittlere Sicht deckt.

Soll ich die Preise in der Delivery-Speisekarte erhöhen?

Ohne diese Anpassung lässt die Provision der Plattform die Netto-Marge pro Bestellung zu eng werden, ein Niveau, das weder Verpackungskosten noch die Nachbestellung von Zutaten auf mittlere Sicht deckt.

Wie viele Gerichte sollte eine für Delivery optimierte Speisekarte haben?

12 bis 14 Ankerartikel, also die mit der höchsten Umschlagshäufigkeit und dem besten Food Cost (idealerweise ≤ 32 %). Eine Karte mit 40 bis 60 Gerichten verwässert die Conversion und verwirrt den Algorithmus, der Menüs mit hoher Klickrate pro Artikel bevorzugt.

Wie viele Gerichte sollte eine für Delivery optimierte Speisekarte haben?

12 bis 14 Ankerartikel, also die mit der höchsten Umschlagshäufigkeit und dem besten Food Cost (idealerweise ≤ 32 %). Eine Karte mit 40 bis 60 Gerichten verwässert die Conversion und verwirrt den Algorithmus, der Menüs mit hoher Klickrate pro Artikel bevorzugt.

Wie oft sollte ich die Kennzahlen des Algorithmus prüfen?

Mindestens zweimal pro Woche: Annahmequote, Zubereitungszeit und Bewertung der letzten Bestellungen. Nur einmal im Monat zu prüfen lässt Rankingverluste unentdeckt, die dann 30 Tage zur Korrektur brauchen statt 3 bis 4.

Wie oft sollte ich die Kennzahlen des Algorithmus prüfen?

Mindestens zweimal pro Woche: Annahmequote, Zubereitungszeit und Bewertung der letzten Bestellungen. Nur einmal im Monat zu prüfen lässt Rankingverluste unentdeckt, die dann 30 Tage zur Korrektur brauchen statt 3 bis 4.

Daten und Quellen

Daten 2026 zu Optimierung von Delivery-Algorithmen

Überprüfbare Benchmarks aus offiziellen und nicht kommerziellen Quellen (Regierung, Branchenverbände und Marktdaten), niemals von Wettbewerbern.

DatenpunktWertQuelle
Lokale Restaurants, aktiv auf Delivery-Plattformen in Mexiko, in mehr als 60 Städten (2024)mehr als 52 Tausend lokale Restaurants (2024)El Universal citando a DiDi Foods — Apps de comida impulsan crecimiento de restaurantes locales en México (2024)
Aktive Nutzer von iFood, der führenden Delivery-App Lateinamerikas (Brasilien), zum Ende des dritten Quartals 2024ca. 12.2 Millionen aktive Nutzer (Q3 2024)Sensor Tower — Top 5 Food Delivery Apps in Latin America Q3 2024 Performance (2024)
Wöchentlich aktive Nutzer von PedidosYa in Lateinamerika, oberer Wert der Spanne im dritten Quartal 2024zwischen 4.8 und 5.3 Mio. wöchentlich aktive Nutzer (Q3 2024)Sensor Tower — Top 5 Food Delivery Apps in Latin America Q3 2024 Performance (2024)
Monatliche iFood-Bestellungen in Brasilien, die von durchschnittlich rund 70 Mio. auf den Meilenstein von 100 Mio. im August 2024 stiegen100 Millionen monatliche Bestellungen (August 2024)Bloomberg Línea — Rappi y iFood: qué le depara a las apps de delivery ante reformas y presión por rentabilidad en Latam? (2025)
Internetnutzer in Mexiko, die Delivery-Apps nutzen, laut Asociación Mexicana de Venta Online (AMVO) (Hinweis von 2023)83 % der Internetnutzer in Mexiko (2023)The Food Tech citando a AMVO — El delivery de alimentos y bebidas sigue creciendo (2023)
Anteil der monatlich aktiven Nutzer von iFood unter den Lieferapps in Lateinamerika, Konzentrationskontext, der den Algorithmus der Lieferapps speist (2024, kumuliert seit Jahresbeginn)40 % des MAU-Anteils in Lateinamerika (2024)Sensor Tower — Fragmented LatAm Food Delivery Market Evolves Amidst Uber's Exit (2024)

Masterestaurant-Methode für Optimierung von Delivery-Algorithmen

Bereits in +8.400 Restaurants in 43 Ländern im Einsatz.

Community

Treten Sie unserer Community KOSTENLOS bei MASTERESTAURANT

Restaurantbetreiber und Teams aus 43 Ländern teilen Wissen, Tools und angewandte KI – direkt in Ihrem WhatsApp.

Der Community beitreten
Autor: Diego F. Parra  ·  Verlag: MASTERESTAURANT®
Inhalt mit KI-Unterstützung erstellt, vom Redaktionsteam von MASTERESTAURANT geprüft.
MR-Vergleichslisten-Engine v0.9.394