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

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.
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.
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.
Mito versus realidade do algoritmo dos aplicativos de delivery
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.
Números do setor que contextualizam o caso
“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.”
Caso composto com fins ilustrativos: os nomes e os números do caso não descrevem um negócio real nem são dados do setor.
Tratamento cronológico: 90 dias em quatro fases
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.
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.
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.
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.
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 grátis: algoritmo dos aplicativos de delivery
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.
Perguntas frequentes sobre o algoritmo dos apps de delivery
Como funciona o algoritmo dos aplicativos de delivery para ranquear os restaurantes?
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?
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 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?
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?
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 2026 do algoritmo dos aplicativos de delivery
Benchmarks verificáveis de fontes oficiais e não comerciais (governo, associações do setor e market data), nunca concorrência.
| Dado | Valor | Fonte |
|---|---|---|
| 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 online | NYC 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 2026 | 47,2% 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 filiadas | Expansión citando a Quadrant Strategies — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025) |
Conteúdo relacionado
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.
