Algoritmo de las apps de delivery: cómo una dark kitchen frenó las cancelaciones y devolvió a positivo el EBITDA del canal en 90 días con el Generador de Recetas Estándar
Veredicto: El algoritmo de las apps de delivery ordena a los restaurantes según la probabilidad de que el pedido llegue bien: pesa la aceptación, las cancelaciones propias, el rating reciente, el tiempo real frente al prometido y la conversión de la ficha, y la publicidad compra vista, no posición.
En este caso ilustrativo, una dark kitchen de tres marcas que creía estar castigada por no pagar anuncios descubrió que el problema vivía en el pase y en el gramaje del sushi, y lo resolvió en ese ORDEN: primero cocina, después ficha, al final publicidad con techo calculado sobre el margen de contribución.
Este es un caso ilustrativo (compuesto) que armamos en Masterestaurant con patrones del método de Diego F. Parra, y la tesis va antes que la ficha: el algoritmo de las apps de delivery no premia al que más paga, premia al que cumple lo que promete, y esta cocina facturaba bien pero el dinero se evaporaba en producción, mucho antes de llegar a la pantalla del cliente. La ficha del caso es corta: cocina oculta de tres marcas (sushi, bowls y hamburguesa) en una ciudad intermedia de Latinoamérica, nueve personas repartidas en dos turnos, sin mesas ni salón, abierta en 2024, con un ticket individual de rango medio, casi toda la venta entrando por apps y una facturación anual en la banda de entre medio millón y un millón de dólares.
El costo de equivocarse en ese canal no es pequeño. Según Wharton Magazine (2025), las plataformas cobran a los restaurantes de EE. UU. una comisión típica de 15 a 30 % por pedido, de modo que cada pedido que la cocina cancela se paga dos veces, en la comida que se tira y en la posición que se pierde para los pedidos siguientes. Y la demanda que se juega ahí es grande: la National Restaurant Association (2025) cifra en 37 % a los adultos de EE. UU. que piden delivery al menos una vez por semana, un hábito que en las ciudades latinoamericanas con cocinas virtuales se parece cada vez más.
Las socias llegaron con un diagnóstico propio que estaba MAL: pensaban que la app las había hundido por no comprar publicidad. Los datos del panel decían otra cosa, porque la caída de visibilidad coincidía con los fines de semana de más rechazos y con la semana en que la marca de sushi empezó a cancelar por falta de salmón, y eso no lo arregla ningún anuncio.
Comparativa lado a lado: algoritmo de las apps de delivery
| ANTES (línea de base) | DESPUÉS (mes 3) | |
|---|---|---|
| Aceptación de pedidos en hora pico | ✕Rechazos amontonados viernes y sábado noche; la tablet vivía en el pase sin dueño | ✓Una persona fija por turno responde la tablet; solo se rechaza por quiebre ya declarado |
| Cancelaciones atribuibles al restaurante | ✕Casi todas de la marca de sushi, por quiebres de salmón que nunca se marcaban en la app | ✓El quiebre se marca en la app antes de abrir el turno; cancelaciones aisladas |
| Tiempo real frente al prometido | ✕Prometido con la receta ideal; los pedidos combinados de dos marcas llegaban tarde | ✓Tiempo configurado con el cronometraje real por estación y por combinación de marcas |
| Desviación costo teórico vs real (sushi) | ✕Food cost por encima del techo de 32 % del método, porciones a ojo | ✓Dentro del techo de 32 %, gramaje fijado con el Generador de Recetas Estándar |
| Rating de la ventana reciente | ✕Reseñas de pedidos tardíos o incompletos arrastraban la ventana reciente | ✓Ventana reciente limpia; cada reseña negativa se responde el mismo día |
| Conversión de la ficha | ✕Fotos viejas, nombres de platos crípticos, combos armados sin calcular margen | ✓Fotos del plato real, nombres claros, combos con margen de contribución calculado |
| Labor Cost y turnos | ✕Turnos armados por costumbre, con gente de sobra a media tarde | ✓Turnos movidos a los picos reales sin contratar a nadie |
| EBITDA del canal delivery | ✕Negativo después de comisiones, aunque las ventas crecían | ✓Positivo y estable; resultado consolidado al mes 3 y nueva medición al mes 6 |
¿Qué mide de verdad el algoritmo de las apps de delivery?
El algoritmo de las apps de delivery mide si el pedido va a llegar bien, y la publicidad solo compra una vitrina que después la operación tiene que sostener.
Las plataformas ordenan la lista con señales de cumplimiento: cuántos pedidos acepta usted, cuántos cancela por causa propia, cómo viene el rating de las últimas semanas, cuánto se aleja el tiempo real del prometido y cuántas visitas a la ficha terminan en compra. Esa vitrina pesa más donde una sola app concentra el mercado, porque según Sensor Tower (2024) iFood reunía el 89 % de los usuarios activos mensuales de delivery en Brasil, así que caer en su listado equivale a desaparecer de casi toda la demanda del canal. En Masterestaurant lo explicamos con una imagen de cocina: la app es un jefe de pase que no prueba la comida, solo mira si sale a tiempo, completa y sin devoluciones, y castiga al que le falla dos noches seguidas.
Situación inicial: una cocina oculta que perdía posición sin saber por qué
La cocina del caso perdió visibilidad por fallas de producción y no por falta de pauta, un diagnóstico que cambió todo el plan de trabajo. Se trata de una cocina oculta de tres marcas, sushi, bowls y hamburguesa, que en este caso ilustrativo compuesto vendía casi todo por apps y veía cómo sus fichas bajaban en el listado los fines de semana. Las socias ya habían cotizado campañas pagadas, convencidas de que el algoritmo castiga al que no invierte. El panel de la plataforma contaba otra historia, porque la caída coincidía con las noches de más rechazos y con la semana en que la marca de sushi empezó a cancelar por quiebres de salmón. Pagar anuncios en ese momento habría sido llevar más clientes a una cocina que ya no podía cumplirles, y cada pedido fallido habría hundido la ficha un poco más. Primero se ordena la cocina, después se compra visibilidad: ese ORDEN es la tesis del caso.
¿Por qué una tablet sin dueño hunde la tasa de aceptación?
Una tablet de pedidos sin responsable por turno hunde la aceptación justo en las horas que más valen, porque nadie la mira cuando la cocina está llena.
En esta cocina el aparato vivía en el pase y lo atendía, en teoría, la misma persona que emplataba, de modo que los rechazos y los pedidos vencidos se amontonaban en las dos noches de más venta. Para el algoritmo, cada pedido que expira sin respuesta indica que el local no está disponible, y la ficha baja para todos los clientes de la zona, no solo para el que esperaba. La corrección fue de organización y no de tecnología: un dueño nominal de la tablet por turno, un relevo escrito para la hora pico y una regla simple, pausar una marca antes que dejar vencer sus pedidos. Pausar duele en la venta de esa hora. Rechazar duele en la posición de la semana entera, y esa factura llega después y sin aviso.
El salmón como causa: cancelaciones que el cliente ya había pagado
Las cancelaciones del caso tenían nombre de ingrediente, el salmón, y se cortaron cuando el inventario empezó a hablar con la app. El quiebre nunca se marcaba en la plataforma, así que el cliente pedía sushi, la cocina descubría el faltante al armar el pedido y cancelaba con el cobro ya hecho, la peor combinación posible para el rating y para la posición. Ahí entró la herramienta de costeo de recetas del método Masterestaurant: con el escandallo de cada roll calculamos cuánto salmón consumía la venta prevista por franja, fijamos un punto de reorden y definimos quién marca el producto como agotado en la app antes de abrir el servicio. No hacerlo sale caro. En México, el presidente de CANIRAC estimó que las apps de reparto cobran entre 15 % y 35 % de las ventas (El Universal San Luis, 2026), y con ese peso de comisión cada pedido cancelado es margen comprometido que se va y reputación que se pierde gratis.
Tiempo prometido contra tiempo real en pedidos de dos marcas
El tiempo de preparación configurado en la app era el de la receta ideal, y el algoritmo cobra cada minuto de diferencia entre lo prometido y lo real. La desviación crecía en los pedidos combinados, porque bowls y hamburguesa salían de estaciones distintas y nadie coordinaba el cierre de la bolsa, así que el repartidor esperaba, la comida llegaba tibia y la reseña lo contaba. Diego F. Parra defiende un orden que parece contraintuitivo: subir el tiempo prometido a lo que la cocina cumple de verdad en hora pico y solo después recortarlo con método. Una promesa más larga pierde algún clic; una promesa incumplida pierde rating, y el rating mueve la lista durante semanas. La salida operativa fue un responsable de ensamble para los pedidos de dos marcas, con un tablero de comandas que muestra cuál estación termina última. ¿Qué habría pasado si se bajaba el tiempo para competir? Más atrasos, peores reseñas, menos posición, y un ciclo que se alimenta solo.
Resultado: la ficha volvió a subir antes de invertir en publicidad
La posición se recuperó con la cocina ordenada y antes de gastar un peso en anuncios, que es el resultado que más incomoda a quien vende pauta. En este caso ilustrativo, al tercer mes la aceptación se acercó al total de pedidos recibidos, las cancelaciones atribuibles al local se volvieron excepcionales y el canal delivery dejó de restar en el estado de resultados. Solo entonces se trabajó la conversión de la ficha, con fotos reales de cada bowl, nombres de plato que el cliente de verdad busca y un combo de dos marcas con un precio que no canibaliza a las otras. El precio cuenta porque el cliente compara el total que ve en pantalla, y en el informe de Intouch Insight (2025) las tarifas de las apps de terceros en EE. UU. bajaron 1,10 USD en promedio entre 2024 y 2025. Con publicidad encima de una operación que cumple, cada visita comprada tiene por fin una probabilidad razonable de terminar en un pedido bien entregado.
Lecciones transferibles por banda de facturación anual
La lección viaja con el mismo orden a cualquier tamaño: primero la operación que el algoritmo mide, después la visibilidad que se compra. Con menos de medio millón de dólares al año, el primer paso de esta semana es nombrar un dueño de la tablet por turno y escribir su relevo. Entre medio millón y un millón, la banda de este caso, toca costear el insumo que más cancela y fijarle punto de reorden. Por encima del millón, cada marca necesita su tiempo prometido medido en hora pico, no el de la receta. Pasados los cinco millones, como en un concepto temático de gran formato o la marca de un chef mediático, el paso es auditar qué app domina cada ciudad, porque en México DiDi Food tenía el 38 % de los usuarios activos mensuales del delivery (Sensor Tower, 2024). Y un grupo de más de diez millones debe unificar el panel de cancelaciones de todas sus sedes antes de sentarse a negociar comisiones.
Límites de este caso
Este resultado no se repetiría igual en todos los mercados, y conviene decirlo antes de copiar el método. Donde una sola app reúne casi toda la demanda, como en Argentina, donde PedidosYa concentraba el 61 % de los usuarios activos mensuales del delivery según el mismo seguimiento de Sensor Tower de 2024, la cocina depende de un único algoritmo y cualquier cambio de reglas pesa más que la mejora operativa. Tampoco esperaría lo mismo donde el mapa de plataformas se mueve: Uber Eats pasó de 33 % en 2020 a 7 % de los usuarios latinoamericanos en 2024 tras salir de Brasil, y una ficha bien posicionada puede quedar atrapada en una app que pierde clientes. Un restaurante con salón, para el que el delivery es complementario, choca con otro límite, la cocina compartida entre sala y bolsa, donde la tablet compite con las mesas. Allí el primer trabajo es separar estaciones y no retocar la ficha.
Diagnóstico de causa raíz, lecciones transferibles y límites del caso
Detrás de cada síntoma había una causa que no era de marketing. La aceptación baja no era desidia: la tablet de pedidos estaba en el pase sin dueño, y el dato que la delató fue que los rechazos se concentraban en las dos noches de más venta, justo cuando la persona del pase estaba emplatando. Las cancelaciones tenían un culpable con nombre de ingrediente, el salmón, cuyos quiebres nunca se marcaban en la app, de modo que el cliente pedía sushi, la cocina descubría el faltante y cancelaba con el pedido ya cobrado. El tiempo real que superaba al prometido salió de otra raíz: el tiempo de preparación se había configurado con la receta ideal, y la desviación crecía en los pedidos que combinaban dos marcas, porque bowls y hamburguesa salían de estaciones distintas y nadie coordinaba el cierre de la bolsa.
Diagnóstico de causa raíz, lecciones transferibles y límites del caso — en la práctica
Y en caja aparecía el síntoma más caro, la brecha entre costo teórico y costo real del sushi, con porciones servidas a ojo que empujaban el food cost por encima del techo de 32 % que el método Masterestaurant fija como MÁXIMO, no como meta. Aquí me equivoqué durante años, y lo digo porque el error que veo una y otra vez nace del mismo sitio: yo también recomendaba trabajar la ficha y los anuncios primero, porque es lo visible, cuando el algoritmo de las apps de delivery es en el fondo un contable de promesas cumplidas que no le cree a una foto bonita si la cocina falla. ¿Qué habría pasado si estas socias hubieran comprado publicidad en la semana 1? Más pedidos habrían caído sobre la misma tablet sin dueño, los rechazos y las cancelaciones habrían subido, el ranking orgánico habría bajado todavía más y habrían pagado dos veces, en anuncio y en comisión, por clientes que no volvían.
Diagnóstico de causa raíz, lecciones transferibles y límites del caso — claves y datos
La tensión del canal es real y conviene resolverla sin romanticismo: la misma app que cobra la comisión es la que trae a los clientes, y la salida no es odiarla ni rendirse a ella, es tratarla como adquisición pagada con techo. En México, el presidente de CANIRAC sitúa la comisión de las apps de reparto entre 15 % y 35 % de las ventas (El Universal San Luis, 2026), un rango vigente al consultar la fuente que conviene confirmar en el enlace oficial, porque cambia; con esa carga, un combo sin margen de contribución calculado sube el volumen y
Diagnóstico de causa raíz, lecciones transferibles y límites del caso — ejemplos y cifras
hunde el EBITDA. La concentración del mercado agrava la dependencia: en Latinoamérica, la app líder reunía 40 % de los usuarios activos mensuales de delivery hasta mediados de 2024, según Sensor Tower, y otra plataforma que tenía 33 % de la cuota regional en 2020 cayó a 7 % en 2024 tras salir de Brasil. La lectura para un operador es simple: el mapa cambia sin pedirle permiso, así que la receta estándar, el cronómetro y la base de clientes propios valen en cualquier app, y la posición conseguida en una sola no es un activo, es un alquiler.
Diagnóstico de causa raíz, lecciones transferibles y límites del caso — lo que sigue
Las lecciones se replican distinto según el tamaño. Si usted factura menos de medio millón de dólares al año, su primer paso es nombrar un dueño de la tablet por turno esta misma semana, sin software nuevo. Entre medio millón y un millón, como este caso, el primero es fijar gramaje y tiempo real de la marca que más cancela. Por encima de un millón, el primer paso es un tablero único de las cinco señales por marca y por sede, con un responsable que lo revise cada lunes. En grupos de más de cinco o de más de diez millones, incluidos el restaurante de chef mediático de gran aforo y el restaurante temático de experiencia, el delivery pesa distinto: la marca personal y la escenografía no viajan en una bolsa, y las regalías de imagen y el mantenimiento del montaje se cargan al punto de equilibrio, nunca al plato.
Diagnóstico de causa raíz, lecciones transferibles y límites del caso — en la práctica (5)
Aun así el canal crece; en servicio completo de EE. UU., el tráfico fuera del local llegó a 30 % en 2024, frente a 19 % en 2019, según la National Restaurant Association, y por eso el primer paso ahí es una carta de delivery corta, pensada para viajar, que no comprometa la experiencia de sala. Y los límites del caso, para no caer en el sesgo de supervivencia. No esperaría el mismo resultado en un mercado donde una sola app concentra casi todo, como Brasil, con 89 % de los usuarios activos mensuales en la líder (Sensor Tower, 2024), o Argentina, con 61 %: ahí la negociación y la visibilidad pesan más que la operación. Tampoco en una cocina cuyo problema es la ubicación, demasiado lejos de su demanda, ni en un concepto cuyo plato no aguanta el viaje, porque ningún gramaje corrige una fritura que llega blanda.
Mito vs realidad del algoritmo de las apps de delivery
Lo que hundía la posición (antes)
- Creer que la publicidad compra posición.
- Una tablet de pedidos en el pase sin dueño durante el pico, que rechazaba por cansancio lo que la cocina sí podía sacar y le decía a la app, pedido tras pedido, que ese restaurante no era confiable.
- Salmón sin quiebre declarado.
- Tiempos prometidos copiados de la receta ideal, no del cronómetro.
Lo que la levantó (después)
- Dueño de la tablet por turno.
- Gramaje y pre-porcionado del sushi con el Generador de Recetas Estándar, que bajó la desviación entre costo teórico y real y, de paso, hizo predecible el tiempo de armado, que era lo que el algoritmo estaba midiendo sin que nadie lo supiera.
- Fotos reales y nombres que se entienden.
- Publicidad solo cuando la operación ya cumplía, con un techo de gasto atado al margen de contribución de cada combo.
Cifras del sector que enmarcan el caso
“Durante dos años creímos que la app nos castigaba por no pagar publicidad, y resultó que la tablet sin dueño rechazaba pedidos cada viernes y el sushi se quedaba sin salmón sin avisar; en la semana 6, con una persona fija en el pase y el gramaje cerrado, dejamos de desaparecer de la primera pantalla.”
Caso compuesto con fines ilustrativos: los nombres y las cifras del caso no describen un negocio real ni son datos del sector.
Tratamiento cronológico: 90 días en cuatro fases
Separamos las cinco señales del ranking y le asignamos a cada una la estación de cocina que la produce, porque una señal sin dueño no se mueve. Decidimos no tocar publicidad ni ficha en esta fase: el Canvas mostró que el canal perdía dinero en producción y que cualquier pedido extra iba a caer sobre el mismo cuello de botella del pase.
Fijamos gramaje, merma y tiempo de armado de cada pieza, y el quiebre de salmón pasó a marcarse en la app antes de abrir el turno. La fricción llegó rápido: el gramaje exacto alargó el armado y los tiempos empeoraron durante dos semanas, hasta que movimos el porcionado a la mise en place de la mañana y el pase volvió a su ritmo.
Una persona por turno quedó a cargo de aceptar pedidos y coordinar el cierre de las bolsas combinadas, sin contratar, moviendo horas de la media tarde muerta al pico que señaló el Radar de demanda. Subimos el tiempo prometido al que marcaba el cronómetro; la conversión de la ficha bajó unos días y se sostuvo la decisión, porque llegar antes de lo prometido pesa más que prometer poco.
Con la operación cumpliendo, rehicimos fotos con el plato real, nombres que se entienden y combos con margen de contribución calculado, dentro del techo de food cost del método. Solo entonces probamos publicidad pagada, con un tope de gasto atado a ese margen, y la cortamos en el combo que vendía más pero dejaba menos.
¿Y con inteligencia artificial?
Optimiza canales, pricing y unit economics de tu dark kitchen. Diego F. Parra es experto en IA aplicada a restaurantes.
Herramientas gratis: algoritmo de las apps de delivery
Herramientas del ecosistema Masterestaurant usadas en el caso
Diego F. Parra arma estos tratamientos con productos cerrados del ecosistema Masterestaurant, nada a la medida, porque el problema del algoritmo de las apps de delivery casi nunca es exótico: se repite en cocinas ocultas de cualquier tamaño y se corrige con el mismo orden de trabajo.
En este caso el Restaurant Model Canvas ordenó el diagnóstico, el Generador de Recetas Estándar cerró la brecha de costo y de tiempo en la marca de sushi y el Radar de demanda dijo dónde poner a la gente; los programas de crecimiento entran después, cuando la operación ya cumple.
Diego F. Parra — Consultor internacional experto en crear y potenciar restaurantes y en IA aplicada a restaurantes, foodtech y HORECA. Metodología aplicada en +8.400 restaurantes en 43 países · Experto en Inteligencia Artificial aplicada a restaurantes, hospitalidad y negocios gastronómicos · +20 años de experiencia en restaurantes, catering, grandes eventos y crecimiento empresarial · Autor de 3 libros con ISBN: «Triunfar o morir en el intento» (2013) y «De esclavo a dueño» (2023) · Conferencista internacional y keynote speaker del sector HORECA.
Preguntas frecuentes sobre el algoritmo de las apps de delivery
¿Cómo funciona el algoritmo de las apps de delivery?
¿Cómo funciona el algoritmo de las apps de delivery?
Ordena a los restaurantes según la probabilidad de que el pedido llegue bien, a tiempo y sin cancelaciones, combinando aceptación, cancelaciones propias, rating reciente, tiempo real frente al prometido y conversión de la ficha. Cada plataforma pondera distinto y no publica su fórmula completa, así que conviene trabajar las cinco señales a la vez.
¿La publicidad en apps de delivery mejora la posición?
¿La publicidad en apps de delivery mejora la posición?
La publicidad compra visibilidad mientras se paga, pero no corrige la posición orgánica si la operación falla. Con aceptación baja o cancelaciones frecuentes, más pedidos pagados terminan en más fallas y en peor ranking; primero se ordena la cocina y después se pone un techo de gasto atado al margen.
¿Cuánto afecta cancelar pedidos en una app de delivery?
¿Cuánto afecta cancelar pedidos en una app de delivery?
Mucho más de lo que parece, porque cada cancelación atribuible al restaurante resta confianza al algoritmo y además se pierde la comida y la venta. La causa más común es un quiebre de insumo que no se marcó en la app; declararlo antes de abrir el turno evita la mayoría.
¿Qué rating necesita un restaurante en apps de delivery?
¿Qué rating necesita un restaurante en apps de delivery?
No hay un número universal publicado: cada plataforma fija sus propios cortes y pesa sobre todo la ventana de pedidos recientes, no el promedio histórico. Lo que sostiene el rating es cumplir el tiempo prometido y entregar el pedido completo; responder cada reseña negativa el mismo día ayuda a leer qué falla.
Datos 2026 de algoritmo de las apps de delivery
Benchmarks verificables de fuentes oficiales y no comerciales (gobierno, asociaciones de industria y market-data), nunca competencia.
| Dato | Valor | Fuente |
|---|---|---|
| Tope legal de la tarifa de servicio mejorado (enhanced service) que una plataforma de reparto puede cobrar a un restaurante en Nueva York, como porcentaje de cada pedido en línea (2026) | 20 % del precio de cada pedido en línea | NYC Department of Consumer and Worker Protection — Requirements for Delivery Apps (2026) |
| Porcentaje de operadores de restaurantes en EE. UU. que obtienen entre 0 y 10 % de sus ingresos del delivery de terceros (comisiones de delivery pesan menos en ese grupo), informe de mitad de año 2026 | 47,2 % de los operadores (0-10 % de ingresos desde delivery de terceros, 2026) | Restaurant365 — 2026 State of the Restaurant Industry: Mid-Year Report (2026) |
| Comisión típica por pedido que cobran las plataformas de delivery a los restaurantes en EE. UU. (rango), además de tarifas de entrega y de procesamiento de pagos (2025) | 15 a 30 por ciento por pedido (2025) | Wharton Magazine — Are Food Delivery Apps Hurting Restaurants? (2025) |
| Valor estimado del mercado de delivery de comida en México, segundo de Latinoamérica tras Brasil (2024) | 2,530 millones de dólares (2024) | Expansión citando a Statista — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025) |
| Proporción de los más de 70.000 restaurantes de la plataforma Didi Food en México que son MiPymes (2025) | 60 % de más de 70,000 restaurantes (2025) | Expansión citando a Didi Food — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025) |
| MiPymes afiliadas a Uber Eats en México que reportaron aumento de ingresos desde que se unieron a la plataforma (estudio de Quadrant Strategies) | 91 % de las MiPymes afiliadas | Expansión citando a Quadrant Strategies — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025) |
Contenido relacionado
Ordene primero la cocina: el ranking viene después
Si su canal de delivery vende más y deja menos, el método de Diego F. Parra empieza por las cinco señales que el algoritmo sí mide y termina en el EBITDA del canal. En Exponencial trabajamos el crecimiento con margen calculado, y en CA$H el costo y el flujo de caja que lo sostienen.