Início › Estudos de caso › Dark Kitchens y Foodtech
Estudos de caso

Algoritmo dos apps de delivery: como uma dark kitchen frenou os cancelamentos e devolveu ao positivo o EBITDA do canal em 90 dias com o Gerador de Receitas Padrão

Diego F. Parra Por Diego F. Parra · Atualizado · Dark Kitchens y Foodtech

Atualização de 28 out 2026: 10 dados novos com fonte, 5 perguntas frequentes novas e 8 seções novas.

Algoritmo dos aplicativos de delivery: como uma dark kitchen frenou os cancelamentos e fez o EBITDA do canal voltar ao positivo em 90 dias com o Gerador de Receitas Padrão — Masterestaurant
Veredito rápido

Veredito: O algoritmo dos aplicativos de delivery ordena os restaurantes conforme a probabilidade de o pedido chegar bem: considera a aceitação, os cancelamentos próprios, a avaliação recente, o tempo real frente ao prometido e a conversão da ficha, e a publicidade compra visibilidade, não posição.

Neste caso ilustrativo, uma dark kitchen de três marcas que achava estar sendo penalizada por não pagar anúncios descobriu que o problema estava na passagem e na gramatura do sushi, e resolveu na seguinte ORDEM: primeiro a cozinha, depois a ficha e, por último, a publicidade com teto calculado sobre a margem de contribuição.

📈 Estudo de casoCaso de negócio detalhado: diagnóstico, decisões com prazos e resultados medidos· 21 min de leitura· 2026-10-28

Este é um caso ilustrativo (composto) que montamos na Masterestaurant com padrões do método da Diego F. Parra. A tese vem antes da ficha: o algoritmo dos apps de delivery não premia quem mais paga, premia quem cumpre o que promete. Essa cozinha faturava bem, mas o dinheiro evaporava na produção, muito antes de chegar à tela do cliente.

A ficha do caso é curta: cozinha oculta de três marcas (sushi, bowls e hambúrguer) em uma cidade média da América Latina, nove pessoas divididas em dois turnos, sem mesas nem salão, aberta em 2024, com ticket individual de faixa média, quase toda a venda entrando por apps e faturamento anual entre meio milhão e um milhão de dólares.

O custo de errar nesse canal não é pequeno. Segundo a Wharton Magazine (2025), as plataformas cobram dos restaurantes dos EUA uma comissão típica de 15% a 30% por pedido, de modo que cada pedido que a cozinha cancela é pago duas vezes: na comida desperdiçada e na posição perdida para os pedidos seguintes.

E a demanda em jogo é grande: a National Restaurant Association (2025) estima que 37% dos adultos dos EUA pedem delivery pelo menos uma vez por semana, um hábito que, nas cidades latino-americanas com cozinhas virtuais, se parece cada vez mais com o de lá.

As sócias chegaram com um diagnóstico próprio, e ele estava ERRADO: achavam que o app as tinha afundado por não comprar publicidade. Os dados do painel diziam outra coisa. A queda de visibilidade coincidia com os fins de semana de mais recusas e com a semana em que a marca de sushi começou a cancelar por falta de salmão, e nenhum anúncio resolve isso.

Comparação lado a lado

Comparativo lado a lado: algoritmo dos aplicativos de delivery

ANTES (línea de base)DEPOIS (mês 3)
Aceitação de pedidos na hora de pico✕Recusas acumuladas na sexta e no sábado à noite; o tablet ficava no passe sem dono✓Uma pessoa fixa por turno responde o tablet; só se recusa por ruptura já declarada
Cancelamentos atribuíveis ao restaurante✕Quase todos da marca de sushi, por rupturas de salmão que nunca eram marcadas no app✓A ruptura é marcada no app antes de abrir o turno; cancelamentos isolados
Tempo real vs. tempo prometido✕Prometido com a receita ideal; os pedidos combinados de duas marcas chegavam atrasados✓Tempo configurado com o cronometragem real por estação e por combinação de marcas
Desvio entre custo teórico e real (sushi)✕CMV acima do teto de 32% do método, porções no olho✓Dentro do teto de 32%, gramatura definida com o Gerador de Receitas Padrão
Avaliação da janela recente✕Avaliações de pedidos atrasados ou incompletos puxavam a janela recente para baixo✓Janela recente limpa; cada avaliação negativa é respondida no mesmo dia
Conversão da ficha✕Fotos antigas, nomes de pratos crípticos, combos montados sem calcular margem✓Fotos do prato real, nomes claros, combos com margem de contribuição calculada
Labor Cost e turnos✕Turnos montados por costume, com gente sobrando no meio da tarde✓Turnos deslocados para os picos reais, sem contratar ninguém
EBITDA do canal delivery✕Negativo depois das comissões, mesmo com as vendas crescendo✓Positivo e estável; resultado consolidado no mês 3 e nova medição no mês 6

O que o algoritmo dos aplicativos de delivery realmente mede?

O algoritmo dos aplicativos de delivery mede se o pedido vai chegar bem, e a publicidade só compra uma vitrine que a operação precisa sustentar depois.

As plataformas ordenam a lista com sinais de cumprimento: quantos pedidos você aceita, quantos cancela por motivo próprio, como está a avaliação das últimas semanas, o quanto o tempo real se afasta do prometido e quantas visitas à página do restaurante terminam em compra.

Essa vitrine pesa mais onde um único app concentra o mercado: segundo a Sensor Tower (2024), o iFood reunia 89% dos usuários ativos mensais de delivery no Brasil, então cair na listagem dele equivale a sumir de quase toda a demanda do canal.

Na Masterestaurant, explicamos isso com uma imagem de cozinha: o app é um chefe de passe que não prova a comida, só verifica se o prato sai no horário, completo e sem devoluções, e penaliza quem falha duas noites seguidas.

Situação inicial: uma cozinha oculta que perdia posição sem saber o motivo

A cozinha do caso perdeu visibilidade por falhas de produção, e não por falta de anúncios, um diagnóstico que mudou todo o plano de trabalho. Trata-se de uma cozinha fantasma de três marcas — sushi, bowls e hambúrguer — que, neste caso ilustrativo composto, vendia quase tudo por apps e via seus perfis caírem na listagem nos fins de semana. As sócias já haviam cotado campanhas pagas, convencidas de que o algoritmo penaliza quem não investe.

O painel da plataforma contava outra história, porque a queda coincidia com as noites de mais recusas e com a semana em que a marca de sushi começou a cancelar por falta de salmão. Pagar anúncios naquele momento teria sido levar mais clientes para uma cozinha que já não conseguia atendê-los, e cada pedido falho afundaria o perfil ainda mais. Primeiro se organiza a cozinha, depois se compra visibilidade: essa ORDEM é a tese do caso.

Por que um tablet sem responsável derruba a taxa de aceitação?

Um tablet de pedidos sem responsável por turno derruba a aceitação justamente nos horários que mais valem, porque ninguém o olha quando a cozinha está cheia.

Nessa cozinha, o aparelho ficava no passe e era atendido, em teoria, pela mesma pessoa que montava os pratos, então as recusas e os pedidos vencidos se acumulavam nas duas noites de maior venda. Para o algoritmo, cada pedido que expira sem resposta indica que o restaurante está indisponível, e a página cai para todos os clientes da região, não só para quem estava esperando.

A correção foi de organização, não de tecnologia: um responsável nomeado para o tablet em cada turno, um repasse por escrito para o horário de pico e uma regra simples, pausar uma marca antes de deixar seus pedidos expirarem. Pausar dói na venta daquela hora. Recusar dói na posição da semana inteira, e essa conta chega depois e sem aviso.

O salmão como causa: cancelamentos que o cliente já tinha pagado

Os cancelamentos do caso tinham nome de ingrediente, o salmão, e pararam quando o estoque passou a conversar com o aplicativo. A falta nunca era marcada na plataforma, então o cliente pedia sushi, a cozinha descobria a falta na hora de montar o pedido e cancelava com o pagamento já feito, a pior combinação possível para a nota e para a posição.

Foi aí que entrou a ferramenta de custeio de receitas do método Masterestaurant: com a ficha técnica de cada roll, calculamos quanto salmão a venda prevista por faixa de horário consumiria, definimos um ponto de reposição e estabelecemos quem marca o produto como esgotado no aplicativo antes de abrir o serviço. Não fazer isso sai caro.

No México, o presidente da CANIRAC estimou que os aplicativos de entrega cobram entre 15% e 35% das vendas (El Universal San Luis, 2026), e com esse peso de comissão cada pedido cancelado é margem comprometida que se perde e reputação que se queima de graça.

Tempo prometido versus tempo real em pedidos de duas marcas

O tempo de preparo configurado no aplicativo era o da receita ideal, e o algoritmo cobra cada minuto de diferença entre o prometido e o realizado. O desvio crescia nos pedidos combinados, porque bowls e hambúrguer saíam de estações diferentes e ninguém coordenava o fechamento da embalagem: o entregador esperava, a comida chegava morna e a avaliação registrava tudo.

A Diego F. Parra defende uma ordem que parece contraintuitiva: aumentar o tempo prometido até o que a cozinha realmente cumpre no horário de pico e só depois reduzi-lo com método. Uma promessa mais longa perde algum clique; uma promessa descumprida perde avaliação, e a avaliação mexe na lista por semanas.

A solução operacional foi um responsável pela montagem dos pedidos de duas marcas, com um painel de comandas que mostra qual estação termina por último. E o que teria acontecido se o tempo fosse reduzido para competir? Mais atrasos, piores avaliações, menos posição e um ciclo que se alimenta sozinho.

Resultado: a página voltou a subir antes de investir em publicidade

A posição se recuperou com a cozinha organizada e antes de gastar um centavo em anúncios, que é o resultado que mais incomoda quem vende mídia. Neste caso ilustrativo, no terceiro mês a aceitação se aproximou do total de pedidos recebidos, os cancelamentos atribuíveis ao restaurante tornaram-se excepcionais e o canal delivery deixou de reduzir o resultado na demonstração.

Só então se trabalhou a conversão da página, com fotos reais de cada bowl, nomes de pratos que o cliente de fato procura e um combo de duas marcas com preço que não canibaliza as outras. O preço importa porque o cliente compara o total que vê na tela, e no relatório da Intouch Insight (2025), as taxas dos aplicativos de terceiros nos EUA caíram, em média, 1,10 USD entre 2024 e 2025.

Com publicidade sobre uma operação que cumpre o que promete, cada visita comprada finalmente tem uma chance razoável de terminar em um pedido bem entregue.

Lições transferíveis por faixa de faturamento anual

A lição vale na mesma ordem para qualquer porte: primeiro a operação que o algoritmo mede, depois a visibilidade que se compra. Com menos de meio milhão de dólares por ano, o primeiro passo desta semana é nomear um responsável pelo tablet em cada turno e escrever o seu repasse.

Entre meio milhão e um milhão, a faixa deste caso, é hora de calcular o custo do insumo que mais cancela e definir seu ponto de reposição. Acima de um milhão, cada marca precisa de seu tempo prometido medido no horário de pico, não o da receita.

Passados os cinco milhões, como em um conceito temático de grande formato ou na marca de um chef famoso, o passo é auditar qual app domina cada cidade, porque no México a DiDi Food tinha 38% dos usuários ativos mensais de delivery (Sensor Tower, 2024). E um grupo com mais de dez milhões deve unificar o painel de cancelamentos de todas as unidades antes de sentar para negociar comissões.

Limites deste caso

Esse resultado não se repetiria da mesma forma em todos os mercados, e convém dizer isso antes de copiar o método. Onde um único app reúne quase toda a demanda, como na Argentina, onde a PedidosYa concentrava 61% dos usuários ativos mensais de delivery segundo o mesmo levantamento da Sensor Tower de 2024, a cozinha depende de um único algoritmo, e qualquer mudança de regras pesa mais do que a melhoria operacional.

Também não esperaria o mesmo onde o mapa de plataformas se move: a Uber Eats passou de 33% em 2020 para 7% dos usuários latino-americanos em 2024 depois de deixar o Brasil, e uma página bem posicionada pode ficar presa em um app que perde clientes.

Um restaurante com salão, para o qual o delivery é complementar, esbarra em outro limite, a cozinha compartilhada entre salão e embalagem, onde o tablet disputa espaço com as mesas. Ali, o primeiro trabalho é separar as estações, e não mexer na página.

Diagnóstico de causa raiz, lições transferíveis e limites do caso

Por trás de cada sintoma havia uma causa que não era de marketing. A baixa aceitação não era desleixo: o tablet de pedidos ficava no pass, sem dono, e o dado que revelou o problema foi que as recusas se concentravam nas duas noites de maior venda, justamente quando a pessoa do pass estava montando os pratos. As cancelamentos tinham um culpado com nome de ingrediente, o salmão, cujas faltas nunca eram marcadas no app.

Assim, o cliente pedia sushi, a cozinha descobria a falta e cancelava com o pedido já pago. O tempo real que ultrapassava o prometido vinha de outra raiz: o tempo de preparo tinha sido configurado com a receita ideal, e a diferença aumentava nos pedidos que combinavam duas marcas, porque bowls e hambúrguer saíam de estações diferentes e ninguém coordenava o fechamento da sacola.

Diagnóstico de causa raiz, lições transferíveis e limites do caso — na prática

E no caixa aparecia o sintoma mais caro, a diferença entre o custo teórico e o custo real do sushi, com porções servidas no olho que empurravam o CMV acima do teto de 32% que o método Masterestaurant define como MÁXIMO, e não como meta.

Aqui eu errei durante anos, e digo isso porque o erro que vejo repetidamente nasce do mesmo lugar: eu também recomendava trabalhar a ficha e os anúncios primeiro, porque é o que aparece, quando o algoritmo dos apps de delivery é, no fundo, um contador de promessas cumpridas que não acredita numa foto bonita se

Diagnóstico de causa raiz, lições transferíveis e limites do caso — pontos-chave e dados

a cozinha falha. O que teria acontecido se essas sócias tivessem comprado publicidade na semana 1? Mais pedidos teriam caído sobre o mesmo tablet sem dono, as recusas e os cancelamentos teriam subido, o ranking orgânico teria caído ainda mais e elas teriam pagado duas vezes, no anúncio e na comissão, por clientes que não voltavam.

A tensão do canal é real e convém resolvê-la sem romantismo: o mesmo app que cobra a comissão é o que traz os clientes, e a saída não é odiá-lo nem se render a ele, e sim tratá-lo como aquisição paga com teto.

Diagnóstico de causa raiz, lições transferíveis e limites do caso — exemplos e números

No México, o presidente da CANIRAC situa a comissão dos apps de delivery entre 15% e 35% das vendas (El Universal San Luis, 2026), uma faixa vigente no momento da consulta, que convém confirmar no link oficial porque muda; com essa carga, um combo sem margem de contribuição calculada aumenta o volume e afunda o EBITDA.

A concentração do mercado agrava a dependência: na América Latina, o app líder reunia 40% dos usuários ativos mensais de delivery até meados de 2024, segundo a Sensor Tower, e outra plataforma que tinha 33% da participação regional em 2020 caiu para 7% em 2024 depois de deixar o Brasil.

A leitura para um operador é simples: o mapa muda sem pedir sua permissão, então a receita padrão, o cronômetro e a base de clientes próprios valem em qualquer app, e a posição conquistada em um só não é um ativo, é um aluguel.

Diagnóstico de causa raiz, lições transferíveis e limites do caso — o que vem a seguir

As lições se replicam de forma diferente conforme o tamanho. Se você fatura menos de meio milhão de dólares por ano, seu primeiro passo é nomear um responsável pelo tablet em cada turno já nesta semana, sem software novo. Entre meio milhão e um milhão, como neste caso, o primeiro é fixar o gramatura e o tempo real da marca que mais cancela.

Acima de um milhão, o primeiro passo é um painel único com os cinco sinais por marca e por unidade, com um responsável que o revise toda segunda-feira.

Em grupos com faturamento acima de cinco ou de dez milhões, incluindo o restaurante de chef midiático de grande capacidade e o restaurante temático de experiência, o delivery pesa de outra forma: a marca pessoal e a cenografia não viajam numa sacola, e os royalties de imagem e a manutenção da montagem entram no ponto de equilíbrio, nunca no prato.

Diagnóstico de causa raiz, lições transferíveis e limites do caso — na prática (5)

Mesmo assim o canal cresce; no serviço completo dos EUA, o tráfego fora do local chegou a 30% em 2024, contra 19% em 2019, segundo a National Restaurant Association. Por isso, o primeiro passo ali é um cardápio de delivery enxuto, pensado para viajar, que não comprometa a experiência no salão. E os limites do caso, para não cair no viés de sobrevivência.

Eu não esperaria o mesmo resultado num mercado em que um único app concentra quase tudo, como o Brasil, com 89% dos usuários ativos mensais no líder (Sensor Tower, 2024), ou a Argentina, com 61%: ali a negociação e a visibilidade pesam mais do que a operação.

Tampouco em uma cozinha cujo problema é a localização, longe demais da sua demanda, nem em um conceito cujo prato não aguenta a viagem, porque nenhuma gramatura corrige uma fritura que chega murcha.

Ponto a ponto

Mito versus realidade do algoritmo dos aplicativos de delivery

Publicidade paga
A · ANTES (linha de base)Mito: pagar anúncios faz o restaurante subir de posição no aplicativo.
B · MasterestaurantRealidade: a compra é vista enquanto durar o gasto; se a cozinha recusa ou cancela, multiplica as falhas que o algoritmo penaliza.
Veredito: Anúncios por último, com teto atrelado à margem de contribuição.
Avaliação
A · ANTES (linha de base)Mito: uma boa nota histórica protege a posição.
B · MasterestaurantRealidade: pesa a janela recente, e algumas noites ruins derrubam a nota mesmo que a média de anos seja alta.
Veredito: Gerenciar a janela recente toda semana.
Cancelamentos
A · ANTES (linha de base)Mito: um cancelamento isolado não faz diferença.
B · MasterestaurantRealidade: cada cancelamento atribuível ao restaurante tira confiança e custa comida, comissão e o cliente que não volta a pedir.
Veredito: Declarar faltas de insumo antes de abrir o turno.
Preço e taxas
A · ANTES (linha de base)Mito: o cliente só olha o preço, então baixar o preço é ganhar no ranking.
B · MasterestaurantRealidade: as taxas dos aplicativos de terceiros caíram, em média, 1,10 USD nos EUA entre 2024 e 2025, segundo o relatório de cliente misterioso da Intouch Insight, e um pedido que chega atrasado continua perdendo o cliente, não importa o preço.
Veredito: Competir em cumprimento antes de competir em desconto.
Tempo prometido
A · ANTES (linha de base)Mito: prometer menos minutos atrai mais pedidos.
B · MasterestaurantRealidade: o algoritmo compara o prometido com o realizado, e uma promessa não cumprida derruba a posição de todos os pedidos seguintes.
Veredito: Prometer o que o cronômetro marca.
Mais marcas virtuais
A · ANTES (linha de base)Mito: somar marcas na mesma cozinha multiplica a visibilidade.
B · MasterestaurantRealidade: sem ficha técnica padronizada, cada marca nova multiplica o desvio de custo e de tempo nas mesmas estações.
Veredito: Uma marca nova só com gramatura e tempo fechados.
Comparação lado a lado

O que afundava a posição (antes)

  • Acreditar que publicidade compra posição.
  • Um tablet de pedidos no passe, sem dono durante o pico, que recusava por cansaço o que a cozinha ainda conseguia produzir e dizia ao app, pedido após pedido, que aquele restaurante não era confiável.
  • Salmão sem ruptura declarada.
  • Tempos prometidos copiados da receita ideal, e não do cronômetro.

O que a levantou (depois)

  • Dono do tablet por turno.
  • Gramatura e pré-porcionamento do sushi com o Gerador de Receitas Padrão, o que reduziu o desvio entre custo teórico e real e, de quebra, tornou previsível o tempo de montagem, que era justamente o que o algoritmo estava medindo sem que ninguém soubesse.
  • Fotos reais e nomes que se entendem.
  • Publicidade só quando a operação já cumpria o combinado, com teto de gasto atrelado à margem de contribuição de cada combo.
Os números que importam

Números do setor que contextualizam o caso

30%
Teto da comissão típica por pedido cobrada pelas plataformas de delivery dos restaurantes nos EUA (faixa de 15% a 30%, 2025)
35%
Teto da faixa de comissão dos apps de entrega no México sobre as vendas (15% a 35%, segundo o presidente da CANIRAC)
37%
Adultos dos EUA que pedem delivery pelo menos uma vez por semana (2025)
30%
Tráfego fora do local em restaurantes de serviço completo dos EUA em 2024 (19% em 2019)
1.1USD
Redução média das taxas dos apps de delivery de terceiros nos EUA entre 2024 e 2025 (pedidos de cliente misterioso)
40%
Usuários ativos mensais de apps de delivery na América Latina concentrados no app líder (2024, até meados do ano)
89%
Usuários ativos mensais de apps de delivery no Brasil concentrados no app líder (2024)
61%
Usuários ativos mensais de apps de delivery na Argentina concentrados no app líder (2024)
38%
Participação de DiDi Food entre os usuários ativos mensais de apps de delivery no México, o mercado onde os algoritmos dos apps de delivery competem (2024)
7%
Participação de Uber Eats entre os usuários ativos mensais de apps de delivery na América Latina após sua saída do Brasil, exemplo de como muda o mapa em que operam os algoritmos dos apps de delivery (2024)
38%
Participação de DiDi Food nos usuários ativos mensais de apps de delivery no México em 2024, mercado de apps cujo algoritmo decide a visibilidade do restaurante
Visualização
Os números, visualizados
Os números, visualizados30% Teto da comissão típica por pedido cobrada pelas plataformas; 35% Teto da faixa de comissão dos apps de entrega no México sobr; 37% Adultos dos EUA que pedem delivery pelo menos uma vez por se; 30% Tráfego fora do local em restaurantes de serviço completo do; 1.1USD Redução média das taxas dos apps de delivery de terceiros no; 40% Usuários ativos mensais de apps de delivery na América LatinTeto da comissão típica por pedido cobrada pelas plataformas de delivery dos restaurantes nos EUA (faix…30%Teto da faixa de comissão dos apps de entrega no no México sobre as vendas (15% a 35%, segundo o president…35%Adultos dos EUA que pedem delivery pelo menos uma vez por semana (2025)37%Tráfego fora do local em restaurantes de serviço completo dos EUA em 2024 (19% em 2019)30%Redução média das taxas dos apps de delivery de terceiros nos EUA entre 2024 e 2025 (pedidos de cliente…1.1USDUsuários ativos mensais dos apps de delivery na América Latina concentrados no no app líder (2024, até mead…40%
Fontes: Wharton Magazine (2025) · El Universal San Luis, CANIRAC (2026) · National Restaurant Association (2025) · Intouch Insight (2025) · Sensor Tower (2024)Gráfico criado por masterestaurant.com
Caso ilustrativo (composto)

“Durante dois anos achamos que o app nos punia por não pagar publicidade, e acabou que o tablet sem dono recusava pedidos toda sexta-feira e o sushi ficava sem salmão sem aviso; na semana 6, com uma pessoa fixa no pass e a gramatura fechada, paramos de sumir da primeira tela.”

— Sócia operadora de uma dark kitchen de três marcas em uma cidade média da América Latina, na faixa de meio milhão a um milhão de dólares por ano (caso ilustrativo)

Caso composto com fins ilustrativos: os nomes e os números do caso não descrevem um negócio real nem são dados do setor.

Como aplicar isso no seu restaurante

Tratamento cronológico: 90 dias em quatro fases

Semanas 1-2: diagnóstico com o Restaurant Model Canvas
Separamos os cinco sinais do ranking e atribuímos a cada um a estação de cozinha que o produz, porque um sinal sem dono não se move. Decidimos não mexer em publicidade nem na ficha nesta fase: o Canvas mostrou que o canal perdia dinheiro na produção e que qualquer pedido extra cairia sobre o mesmo gargalo do pass.
Semanas 3-5: Gerador de Receitas Padrão na marca de sushi
Fixamos gramatura, perda e tempo de montagem de cada peça, e a falta de salmão passou a ser marcada no app antes de abrir o turno. A fricção veio rápido: a gramatura exata alongou a montagem e os tempos pioraram por duas semanas, até mudarmos o porcionamento para o mise en place da manhã, e o pass voltou ao seu ritmo.
Semanas 6-9: responsável pelo tablet e tempo prometido real
Uma pessoa por turno ficou responsável por aceitar pedidos e coordenar o fechamento das sacolas combinadas, sem contratar, deslocando horas da tarde morta para o pico que o Radar de Demanda indicou. Aumentamos o tempo prometido para o que marcava o cronômetro; a conversão da ficha caiu por alguns dias e a decisão se sustentou, porque chegar antes do prometido pesa mais do que prometer pouco.
Última etapa do caso: uma ficha que converte e uma publicidade com teto.
Com a operação cumprindo o prometido, refizemos as fotos com o prato real, nomes que se entendem e combos com margem de contribuição calculada, dentro do teto de CMV do método. Só então testamos publicidade paga, com um limite de gasto atrelado a essa margem, e cortamos o combo que mais vendia mas deixava menos.
✦ Inteligência artificial aplicada

E com inteligência artificial?

Otimize canais, precificação e unit economics do seu dark kitchen. Diego F. Parra é especialista em IA aplicada a restaurantes.

Ferramentas e método Masterestaurant

Ferramentas do ecossistema Masterestaurant usadas no caso

Diego F. Parra monta esses tratamentos com produtos fechados do ecossistema Masterestaurant, nada sob medida, porque o problema do algoritmo dos apps de delivery quase nunca é exótico: ele se repete em cozinhas ocultas de qualquer tamanho e se corrige com a mesma ordem de trabalho.

Neste caso, o Restaurant Model Canvas organizou o diagnóstico, o Gerador de Receitas Padrão fechou a diferença de custo e de tempo na marca de sushi e o Radar de Demanda mostrou onde posicionar as pessoas; os programas de crescimento entram depois, quando a operação já cumpre o prometido.

Diego F. Parra

Diego F. Parra — Consultor internacional especialista em criar e potencializar restaurantes e em IA aplicada a restaurantes, foodtech e HORECA. Metodologia aplicada em +8.400 restaurantes em 43 países · Especialista em Inteligência Artificial aplicada a restaurantes, hospitalidade e negócios gastronômicos · +20 anos de experiência em restaurantes, catering, grandes eventos e crescimento empresarial · Autor de 3 livros com ISBN: «Triunfar o morir en el intento» (2013) e «De esclavo a dueño» (2023) · Palestrante internacional e keynote speaker do setor HORECA.

Perguntas frequentes

Perguntas frequentes sobre o algoritmo dos apps de delivery

Como funciona o algoritmo dos aplicativos de delivery para ranquear os restaurantes?

O algoritmo dos apps de delivery ordena os restaurantes de acordo com a probabilidade de o pedido chegar bem: considera a aceitação, os cancelamentos próprios, a avaliação recente, o tempo real em relação ao prometido e a conversão da ficha. A publicidade compra visibilidade, não posição; corrija primeiro a cozinha, depois a ficha e por último a mídia paga.

Como funciona o algoritmo dos aplicativos de delivery para ranquear os restaurantes?

O algoritmo dos apps de delivery ordena os restaurantes de acordo com a probabilidade de o pedido chegar bem: considera a aceitação, os cancelamentos próprios, a avaliação recente, o tempo real em relação ao prometido e a conversão da ficha. A publicidade compra visibilidade, não posição; corrija primeiro a cozinha, depois a ficha e por último a mídia paga.

Como funciona o algoritmo dos aplicativos de delivery?

Ordena os restaurantes pela probabilidade de o pedido chegar bem, no prazo e sem cancelamentos, combinando aceitação, cancelamentos próprios, avaliação recente, tempo real em relação ao prometido e conversão da ficha. Cada plataforma pondera esses fatores de forma diferente e não publica sua fórmula completa, por isso convém trabalhar os cinco sinais ao mesmo tempo.

Como funciona o algoritmo dos aplicativos de delivery?

Ordena os restaurantes pela probabilidade de o pedido chegar bem, no prazo e sem cancelamentos, combinando aceitação, cancelamentos próprios, avaliação recente, tempo real em relação ao prometido e conversão da ficha. Cada plataforma pondera esses fatores de forma diferente e não publica sua fórmula completa, por isso convém trabalhar os cinco sinais ao mesmo tempo.

A publicidade em aplicativos de delivery melhora a posição?

A publicidade compra visibilidade enquanto está sendo paga, mas não corrige a posição orgânica se a operação falha. Com aceitação baixa ou cancelamentos frequentes, mais pedidos pagos acabam em mais falhas e em um ranking pior; primeiro se organiza a cozinha e depois se define um teto de gasto atrelado à margem.

A publicidade em aplicativos de delivery melhora a posição?

A publicidade compra visibilidade enquanto está sendo paga, mas não corrige a posição orgânica se a operação falha. Com aceitação baixa ou cancelamentos frequentes, mais pedidos pagos acabam em mais falhas e em um ranking pior; primeiro se organiza a cozinha e depois se define um teto de gasto atrelado à margem.

Quanto o cancelamento de pedidos afeta em um aplicativo de delivery?

Muito mais do que parece, porque cada cancelamento atribuível ao restaurante tira confiança do algoritmo e, além disso, a comida e a venta se perdem. A causa mais comum é a falta de um insumo que não foi marcada no app; declará-la antes de abrir o turno evita a maioria dos casos.

Quanto o cancelamento de pedidos afeta em um aplicativo de delivery?

Muito mais do que parece, porque cada cancelamento atribuível ao restaurante tira confiança do algoritmo e, além disso, a comida e a venta se perdem. A causa mais comum é a falta de um insumo que não foi marcada no app; declará-la antes de abrir o turno evita a maioria dos casos.

Qual avaliação um restaurante precisa ter nos aplicativos de delivery?

Não existe um número universal publicado: cada plataforma define os próprios critérios, e o que mais pesa é a janela de pedidos recentes, não a média histórica. O que sustenta a nota é cumprir o tempo prometido e entregar o pedido completo; responder toda avaliação negativa no mesmo dia ajuda a entender o que está falhando.

Qual avaliação um restaurante precisa ter nos aplicativos de delivery?

Não existe um número universal publicado: cada plataforma define os próprios critérios, e o que mais pesa é a janela de pedidos recentes, não a média histórica. O que sustenta a nota é cumprir o tempo prometido e entregar o pedido completo; responder toda avaliação negativa no mesmo dia ajuda a entender o que está falhando.

Dados e fontes

Dados 2026 do algoritmo dos aplicativos de delivery

Benchmarks verificáveis de fontes oficiais e não comerciais (governo, associações do setor e market data), nunca concorrência.

DadoValorFonte
Teto legal da taxa de serviço aprimorado (enhanced service) que uma plataforma de delivery pode cobrar de um restaurante em Nova York, como porcentagem de cada pedido online (2026)20% do preço de cada pedido onlineNYC Department of Consumer and Worker Protection — Requirements for Delivery Apps (2026)
Percentual de operadores de restaurantes nos EUA que obtêm entre 0 e 10 % de sua receita de delivery de terceiros (as comissões de delivery pesam menos nesse grupo), relatório de meio de ano 202647,2% dos operadores (0–10% da receita proveniente de delivery de terceiros, 2026)Restaurant365 — 2026 State of the Restaurant Industry: Mid-Year Report (2026)
Comissão típica por pedido cobrada pelas plataformas de delivery a restaurantes nos EUA (faixa), além das taxas de entrega e de processamento de pagamentos (2025)15 a 30 por cento por pedido (2025)Wharton Magazine — Are Food Delivery Apps Hurting Restaurants? (2025)
Valor estimado do mercado de delivery de comida no México, segundo da América Latina atrás do Brasil (2024)2,530 milhões 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)
Proporção dos mais de 70.000 restaurantes da plataforma Didi Food no México que são micro e pequenas empresas (MiPymes) (2025)60% de mais 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)
Micro e pequenas empresas afiliadas ao Uber Eats no México que relataram aumento de receita desde que se uniram à plataforma (estudo da Quadrant Strategies)91% das MPEs filiadasExpansión citando a Quadrant Strategies — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)

Organize primeiro a cozinha: o ranking vem depois

Se o seu canal de delivery vende mais e deixa menos lucro, o método de Diego F. Parra começa pelos cinco sinais que o algoritmo de fato mede e termina na EBITDA do canal. Na Exponencial trabalhamos o crescimento com margem calculada e, na CA$H, o custo e o fluxo de caixa que o sustentam.

Comunidade

Participe GRATUITAMENTE da nossa Comunidade MASTERESTAURANT

Donos e equipes de restaurantes de 43 países compartilhando conhecimento, ferramentas e IA aplicada — direto no seu WhatsApp.

Entrar para a comunidade
Autor: Diego F. Parra  ·  Editor: MASTERESTAURANT®
Conteúdo criado com assistência de IA, revisado pela equipe editorial da MASTERESTAURANT.
Motor MR Listas Comparativas v0.9.394