首页 › 案例研究 › 暗厨与餐饮科技
案例研究

外卖应用算法:一家暗厨如何在90天内遏制取消订单,并使渠道的EBITDA转正——借助标准配方生成器

Diego F. Parra 作者 Diego F. Parra · 更新于 · 暗厨与餐饮科技

2026年10月28日更新:新增 10 项带来源的最新数据、5 个新常见问题和 8 个新章节。

外卖平台算法:一家幽灵厨房如何在90天内遏制取消订单,并借助标准配方生成器使渠道的EBITDA重新转为正值 — Masterestaurant
快速结论

结论:外卖平台的算法依据订单被顺利完成的概率对餐厅进行排序,综合考虑接单率、自身取消率、近期评分、实际出餐时间与承诺时间的对比,以及店铺页面的转化率;广告购买的是曝光,而不是排名。

在这个说明性案例中,一家经营三个品牌的幽灵厨房原以为自己是因为没有投放广告而被压制,结果发现问题出在出餐环节和寿司的克重上。团队按照以下顺序解决:先抓厨房,再优化店铺页面,最后投放广告,并依据贡献毛利设定广告预算上限。

📈 案例研究商业案例拆解:诊断、分阶段决策与量化成果· 阅读约3分钟· 2026-10-28

这是一个我们借助Masterestaurant整理的示例案例(复合型),套用了Diego F. Parra方法的思路。论点放在案例概况之前:外卖平台的算法奖励的不是出价最高的人,而是说到做到的人。这家厨房营业额不错,但钱在出餐环节就流失了,远在顾客看到屏幕之前。案例概况很简单:拉丁美洲一座中等城市里的虚拟厨房,同时运营寿司、饭碗和汉堡三个品牌,九名员工分两班,没有餐桌和堂食区,2024年开业,客单价处于中等水平,几乎全部销售来自外卖平台,年营业额在五十万至一百万美元之间。

在这个渠道出错,代价可不小。据《沃顿杂志》(2025)报道,平台向美国餐厅收取的典型佣金为每单15%至30%,因此厨房取消的每一单都要付两次钱:一次是浪费掉的食材和成品,一次是后续订单中失去的排位。而这里争夺的需求规模很大:美国全国餐厅协会(2025)统计,美国成年人中有37%至少每周点一次外卖。在拉美有虚拟厨房的城市,这种消费习惯也越来越普遍。

合伙人最初的判断是错的:她们以为是因为没有投放广告,平台才把店铺压下去的。面板数据却说明了另一回事:曝光下滑恰好与周末拒单增多的时段重合,也与寿司品牌因缺三文鱼而开始取消订单的那一周重合。这些问题,任何广告都解决不了。

并排对比

并排对比:外卖平台算法

调整前(基线)之后(第3个月)
高峰时段接单✕周五和周六晚上拒单扎堆;平板长期放在出餐口,无人负责✓每班固定一人负责接单平板;只有在已声明缺货的情况下才拒单
餐厅责任导致的取消✕几乎全部来自寿司品牌,原因是三文鱼缺货,但从未在应用中标注✓开班前在应用中标注缺货;仅有个别取消
实际时长与承诺时长对比✕承诺时长按理想配方设定;两个品牌的组合订单经常超时✓按各工位及品牌组合的实际计时来设定承诺时长
理论成本与实际成本的偏差(寿司)✕食材成本率超出方法规定的32%上限,份量凭目测✓食材成本率控制在32%上限之内,克重用标准食谱生成器固定
近期评分窗口✕迟到或不完整订单的差评拖累了近期评分窗口✓近期评分窗口干净;每条差评当天回复
店铺页面转化率✕照片陈旧,菜名晦涩难懂,套餐组合未核算利润✓使用菜品实拍照片,菜名清晰,套餐组合已计算贡献毛利
人工成本与排班✕排班凭习惯,下午中段人手过剩✓班次调整到实际高峰时段,但并未新增用工
外卖渠道的EBITDA✕扣除佣金后为负,尽管销售额在增长✓转正并保持稳定;第3个月确认结果,第6个月重新评估

外卖应用的算法到底衡量什么?

外卖平台的算法衡量的是订单能否顺利送达,广告只是买到一个橱窗,之后的运营必须撑得住这个橱窗。平台用履约信号给列表排序:您接受了多少订单、因自身原因取消了多少、最近几周的评分走势如何、实际出餐时间与承诺时间相差多少,以及店铺页面的访问有多少最终转化为下单。在单一应用占据市场的地方,这个橱窗的分量更重,因为据 Sensor Tower(2024)统计,iFood 在巴西占了外卖月活跃用户的 89%,因此在它的列表上掉下去,几乎等于失去这个渠道的大部分需求。在Masterestaurant中,我们用厨房里的一个比喻来解释:应用就像传菜主管,他不尝菜,只看出餐是否准时、是否完整、有没有退单,而且对连续两晚出错的店铺会施以惩罚。

初始状况:一间隐形厨房在不知原因的情况下持续丢失排名

案例中的厨房是因为出品问题而失去曝光,而不是因为投放不足,这一判断改变了整个工作计划。这是一间隐形厨房,经营三个品牌:寿司、碗饭和汉堡。在这个说明性的复合案例里,它的大部分销售来自外卖应用,而周末时它的店铺在列表中的排名持续下滑。合伙人此前已经询价付费推广,她们确信算法会惩罚不投广告的店。但平台后台的数据讲述了另一个故事:排名下滑恰好与拒单最多的夜晚重合,也恰好与寿司品牌因三文鱼断货而开始取消订单的那一周重合。这时投放广告,等于把更多顾客引向一个已经无法履约的厨房,每一单失败都会让店铺排名再下沉一点。先理顺厨房,再购买曝光,这个顺序就是本案例的核心论点。

无人负责的平板为什么会拉低接单率?

每个班次都没有指定负责人的订单平板,会在最关键的时段拉低接单率,因为厨房最忙的时候没人看它。在这家厨房里,设备放在出餐口,理论上由同时负责摆盘的人处理,于是拒单和超时订单在销量最高的两个晚上堆积起来。对算法而言,每个在无人响应下过期的订单都意味着店铺不可用,结果整个区域的顾客看到的排名都会下降,而不只是那位本想下单的人。修正的办法属于管理而不是技术:每个班次指定一名平板负责人,在高峰时段写明交接人,并制定一条简单规则,宁可暂停某个品牌,也不能让它的订单过期。暂停会影响那一小时的销售,拒单则会影响整周的排名,而且这笔账之后才会算,也不会提前通知。

三文鱼成了原因:顾客已付款却被取消的订单

本案例中的取消订单都与一种食材有关,即三文鱼,而当库存开始与应用同步后,这个问题才得以解决。断货从来没有在平台上标记,于是顾客下单寿司,厨房在组装订单时才发现缺货,并在顾客已付款的情况下取消订单,这对评分和排名来说是最糟糕的组合。这时,我们引入了Masterestaurant方法中的配方成本核算工具:借助每款卷物的标准用料表,我们计算出各时段预计销量所消耗的三文鱼量,设定补货警戒点,并明确在开始营业前由谁在应用中将该产品标记为售罄。不这样做代价很高。在墨西哥,CANIRAC 的主席估计,外卖平台抽取的佣金占销售额的 15% 至 35%(El Universal San Luis,2026)。在这样的佣金比例下,每一笔被取消的订单都是被白白放走的利润,同时也是白白损失的口碑。

两个品牌订单的承诺出餐时间与实际出餐时间对比

应用中设定的出餐时间是按理想配方计算的,而算法会对承诺时间与实际时间之间的每一分钟差距进行扣分。碗饭和汉堡的组合订单偏差尤其大,因为两者来自不同的工位,没有人统筹封袋的时机,于是骑手要等待,餐品送到时已经不够热,差评随之而来。Diego F. Parra主张一个看似违反直觉的顺序:先把承诺时间上调到厨房在高峰时段真正能做到的水平,然后再依靠方法逐步压缩。承诺时间拉长,可能会损失一些点击;承诺时间不兑现,则会损失评分,而评分会在数周内持续影响列表位置。运营上的解决办法是为两个品牌的组合订单指定一名装配负责人,并使用一块订单看板,显示哪个工位最后完成。如果为了竞争而把时间压低,会怎样?更多超时、更差的评价、更低的排名,然后形成一个自我强化的循环。

结果:在投放广告之前,店铺排名先回升了

排名是在厨房理顺之后、且一分钱广告都没花的情况下恢复的,这恰恰是最让卖广告的人不舒服的结果。在这个说明性的案例中,到第三个月,接单率已接近收到的订单总数,可归因于店铺本身的取消变得很少见,外卖渠道也不再拖累利润表。直到那时,才开始优化店铺的转化,包括每款碗饭的真实照片、顾客真正会搜索的菜名,以及一个不会蚕食其他品牌的双品牌套餐,并为其定价。价格很重要,因为顾客会比较屏幕上看到的总价。根据 Intouch Insight(2025)的报告,2024 至 2025 年间,美国第三方应用的费率平均下降了 1.10 美元。当广告投放在一个真正能履约的运营之上时,每一次购买的访问终于有了合理的概率,最终变成一笔妥善送达的订单。

按年营业额分档的可复用经验

无论规模大小,这个顺序都适用:先做好算法所衡量的运营,再购买可见度。年营业额低于50万美元时,本周的第一步是指定每个班次的平板负责人并写下交接方式。50万到100万美元之间,即本案例所处的区间,需要核算取消最多的食材成本并为其设定补货警戒点。超过100万美元后,每个品牌都需要以高峰时段测得的承诺出餐时间为准,而不是以配方上的时间为准。超过500万美元后,例如大型主题餐厅或知名厨师的品牌,下一步是审计每个城市由哪个应用占主导,因为在墨西哥,DiDi Food曾占外卖月活跃用户的38%(Sensor Tower,2024)。而年营业额超过1000万美元的集团,在坐下来谈判佣金之前,应先统一所有门店的取消订单数据面板。

本案例的局限

这一结果不会在所有市场上以同样方式重现,在复制这套方法之前应当先说明。在单一应用几乎吸纳全部需求的地方,例如阿根廷,据同一项 Sensor Tower 2024 年的追踪数据,PedidosYa 占外卖月活跃用户的61%,厨房依赖于一个单一算法,任何规则变化的影响都会大于运营改进的效果。在平台格局变动频繁的地方,结果也不应照搬:Uber Eats退出巴西后,其在拉丁美洲用户中的占比从2020年的33%降至2024年的7%,一个排名良好的店铺可能被困在一个正在流失顾客的应用里。餐厅如果以堂食为主、外卖只是补充,则会遇到另一个限制:堂食与外带共用一个厨房,平板会与餐桌争抢人手。在这种情况下,首要工作是划分工位,而不是修改店铺页面。

根本原因诊断、可复用的经验,以及案例的局限性

每个症状背后都有一个并非营销问题的根源。接单率低并非员工懈怠:接单平板放在出餐口无人负责,而揭示真相的数据是:拒单集中在销量最高的两个晚上,恰恰是负责出餐口的人正忙着摆盘的时候。取消订单则有一个以食材命名的罪魁祸首,即三文鱼。它的缺货从未在应用中标注,于是顾客下单寿司,厨房才发现缺货,只能在订单已付款后取消。 实际时长超过承诺时长,源于另一个根本原因:准备时间是按理想配方设定的,而两个品牌组合的订单偏差更大,因为饭碗和汉堡从不同工位出餐,却没有人协调封袋的时机。而在核算环节,最昂贵的问题浮出水面:寿司的理论成本与实际成本之间存在差距,份量凭目测盛放,把食材成本率推高到了Masterestaurant方法规定的32%上限之上。该方法将其设为上限,而非目标。 这一点我错了好几年。我之所以要说,是因为我反复看到的错误都出在同一个地方:我自己过去也建议先优化店铺页面和广告,因为那是看得见的部分。可实际上,外卖平台的算法本质上是一套核算履约承诺的系统,厨房一旦出问题,它不会因为照片漂亮就买账。如果这几位合伙人在第1周就投放了广告会怎样?更多订单会涌向那台无人看管的平板,拒单和取消会增加,自然排名会进一步下滑。她们会为那些不会回头的顾客,既付广告费又付佣金,等于付了两次钱。 渠道的矛盾是真实存在的,解决时不能抱有幻想:收取佣金的同一个应用,也是带来客流的那个应用。出路既不是讨厌它,也不是向它屈服,而是把它当作有预算上限的付费获客渠道来对待。在墨西哥,CANIRAC主席将外卖平台的佣金区间定为销售额的15%至35%(El Universal San Luis,2026)。这一区间以查阅来源时为准,但它会变化,建议以官方链接为准再次确认。在这样的成本压力下,如果套餐没有核算贡献毛利,销量只会上去,却会拖垮EBITDA。 市场集中度加剧了依赖:据Sensor Tower统计,截至2024年中,拉美地区头部应用占外卖月活跃用户的40%;另一家平台在2020年占据该地区33%的份额,退出巴西后,于2024年降至7%。对经营者而言,道理很简单:市场版图会在没有征得您同意的情况下改变。因此,标准食谱、计时体系和自有客户基础在任何应用上都有价值,而在某一个应用中获得的排名不是资产,而是租来的。 不同规模的企业,经验的落地方式也不同。如果您的年营业额低于五十万美元,您的第一步是本周就指定每班的接单平板负责人,无需任何新软件。五十万至一百万美元之间,如本案例,第一步是为取消订单最多的品牌固定克重和实际出餐时间。超过一百万美元,第一步是建立一张统一看板,按品牌和门店追踪五项信号,并安排专人每周一审阅。 对于门店超过五家或营业额超过一千万美元的餐饮集团,包括大型明星主厨餐厅和主题体验餐厅,外卖的影响有所不同:个人品牌和场景布置装不进一个外卖袋,形象授权费和场景维护成本必须计入盈亏平衡点,而不能摊到单个菜品上。即便如此,渠道仍在增长。据美国全国餐厅协会统计,在美国全服务餐厅中,店外交易占比在2024年达到30%,而2019年为19%。因此,这类餐厅的第一步是推出一份精简的外卖菜单,专门为运输设计,同时不损害堂食体验。 这里是案例的适用边界,避免陷入幸存者偏差。在一个几乎所有订单都集中在单一应用的市场,我不会期待同样的结果。比如巴西,头部应用的月活用户占比为89%(Sensor Tower,2024);阿根廷则为61%。在这些市场,谈判和曝光比运营更重要。同样,如果餐厅的问题在于位置离需求太远,或者菜品经不起外送路程,这个案例也不适用,因为再精准的克重也救不了送到时已经变软的炸物。

逐条对照

外卖应用算法的误区与事实

付费广告
A · 调整前(基线)误区:投放广告会提高餐厅在应用中的排名。
B · Masterestaurant事实:广告购买的是曝光,且只在花费期间有效;如果厨房拒单或取消,就会放大算法惩罚的失败。
结论: 广告放在最后,并设定与贡献毛利挂钩的上限。
评分
A · 调整前(基线)误区:长期良好的历史评分能保护排名。
B · Masterestaurant事实:近期窗口更重要,几个糟糕的晚上就能把排名拖下来,即使多年的平均分很高。
结论: 每周管理近期窗口。
取消率
A · 调整前(基线)误区:单次取消不会被注意到。
B · Masterestaurant事实:每一笔可归因于餐厅的取消都会削弱信任,并造成食物和佣金损失,还会让客户不再复购。
结论: 开店前申报缺货。
价格与佣金
A · 调整前(基线)误区:客户只看价格,所以降价就能提升排名。
B · Masterestaurant事实:据Intouch Insight的神秘顾客报告,2024至2025年间美国第三方外卖应用的佣金平均已下降1.10 USD。而迟到的订单无论价格多低,都会流失客户。
结论: 先比履约,再比折扣。
承诺时间
A · 调整前(基线)误区:承诺的分钟数越少,订单就越多。
B · Masterestaurant事实:算法会比较承诺时间与实际时间,承诺没有兑现,会拉低之后所有订单的排名。
结论: 承诺秒表上显示的时间。
更多虚拟品牌
A · 调整前(基线)误区:同一厨房增加品牌会成倍提升曝光。
B · Masterestaurant事实:没有标准食谱,每增加一个新品牌,都会在同一出餐工位上放大成本和时间的偏差。
结论: 新品牌只在克重和时间都定好之后再上线。
并排对比

拉低排名的因素(之前)

  • 以为广告能买来排名。
  • 高峰期间,接单平板放在出餐口无人看管,员工疲于应付,于是拒掉了厨房其实能做的订单,并且一单接一单地向应用发出信号:这家店不可靠。
  • 三文鱼未标注缺货。
  • 承诺时长照搬理想配方,而不是按秒表计时。

推动排名回升的因素(之后)

  • 每班指定一名接单平板负责人。
  • 用标准食谱生成器固定寿司的克重并预分装,既缩小了理论成本与实际成本的差距,也让装配时间变得可预测。而这正是算法一直在衡量的指标,只是没有人意识到。
  • 实拍菜品照片,名称通俗易懂。
  • 只有在运营已达标后才投放广告,并将每个套餐的广告预算上限与其贡献毛利挂钩。
关键数据

框定本案例的行业数据

30%
美国餐厅在外卖平台上单笔订单佣金的典型上限(15%至30%区间,2025年)
35%
墨西哥外卖应用佣金占销售额的区间上限(15%至35%,据CANIRAC主席)
37%
每周至少点一次外卖的美国成年人比例(2025年)
30%
2024年美国全服务餐厅的堂食外客流占比(2019年为19%)
1.1USD
2024至2025年美国第三方外卖应用平均佣金的下降幅度(神秘顾客下单统计)
40%
拉丁美洲外卖应用月活用户集中在头部应用的比例(2024年,截至年中)
89%
巴西外卖应用月活用户集中在头部应用的比例(2024年)
61%
阿根廷外卖应用月活用户集中在头部应用的比例(2024年)
38%
DiDi Food在墨西哥外卖应用月活跃用户中的份额,这是外卖平台算法竞争的市场(2024年)
7%
Uber Eats在拉丁美洲外卖应用月活用户中的份额,在其退出巴西后的变化,体现了外卖应用算法所在的市场版图如何改变(2024年)
38%
DiDi Food在墨西哥外卖应用月活用户中的占比(2024年),该市场的应用算法决定餐厅的曝光度
数据可视化
关键数据图表
关键数据图表30% 美国餐厅在外卖平台上单笔订单佣金的典型上限(15%至30%区间,2025年); 35% 墨西哥外卖应用佣金占销售额的区间上限(15%至35%,据CANIRAC主席); 37% 每周至少点一次外卖的美国成年人比例(2025年); 30% 2024年美国全服务餐厅的堂食外客流占比(2019年为19%); 1.1USD 2024至2025年美国第三方外卖应用平均佣金的下降幅度(神秘顾客下单统计); 40% 拉丁美洲外卖应用月活用户集中在头部应用的比例(2024年,截至年中)美国餐厅在外卖平台上单笔订单佣金的典型上限(15%至30%区间,2025年)30%墨西哥外卖应用佣金占销售额的区间上限(15%至35%,据CANIRAC主席)35%每周至少点一次外卖的美国成年人比例(2025年)37%2024年美国全服务餐厅的堂食外客流占比(2019年为19%)30%2024至2025年美国第三方外卖应用平均佣金的下降幅度(神秘顾客下单统计)1.1USD拉丁美洲外卖应用月活用户集中在头部应用的比例(2024年,截至年中)40%
来源: Wharton Magazine(2025) · El Universal San Luis,CANIRAC(2026) · 美国全国餐厅协会(National Restaurant Association,2025) · Intouch Insight(2025) · Sensor Tower(2024)图表制作: masterestaurant.com
示例案例(综合)

“两年来,我们一直以为是应用因为我们不投广告而惩罚我们。结果发现,是没人负责的平板每个周五都在拒单,寿司的三文鱼断货也没人提前通知。第6周,我们安排了固定的人员守在出餐口,克重也定了下来,我们终于不再从首页消失了。”

— 拉丁美洲一座中等城市一家三品牌暗厨的合伙运营人,年营业额在50万至100万美元之间(示意案例)

综合案例仅供说明:案例中的名称和数字不代表真实企业,也不是行业数据。

如何在您的餐厅中应用

按时间推进:90天,分四个阶段

第1–2周:用Restaurant Model Canvas进行诊断
我们把排名的五个信号拆开,并为每个信号分配了产生它的出餐工位,因为没有负责人的信号是动不了的。本阶段我们决定暂不动广告和店铺页面:Canvas显示该渠道在出品环节已经亏损,而任何额外订单都会落在出餐口同一个瓶颈上。
第3–5周:在寿司品牌中推行标准配方生成器
我们为每个出品设定了克重、损耗和装盘时间,三文鱼断货也改为在开店前于应用中标记。阻力很快出现:精确克重拉长了装盘时间,两周内出餐变慢。直到我们把切分挪到早上的备料环节(mise en place),出餐口才恢复了节奏。
第6–9周:平板的负责人与真实承诺出餐时间
每个班次安排一人负责接单,并协调合并袋的封装,无需新增人手,把下午的空闲工时挪到需求雷达提示的高峰时段。我们把承诺出餐时间调整为秒表实际测得的时间。店铺页面的转化率下降了几天,但这个决定坚持了下来,因为提前送达比少承诺更有分量。
案例的最后阶段:一个能促成转化的店铺页面,以及设有上限的广告投放。
运营稳定后,我们用真实菜品重拍照片,采用易懂的菜名,并按计算出的贡献毛利设计套餐,同时控制在方法设定的食材成本上限之内。之后才试投付费广告,设定与该毛利挂钩的花费上限,并在卖得最好却利润最薄的那款套餐上停掉了广告。
✦ 人工智能应用

借助人工智能又如何?

优化你的暗厨渠道、定价与单位经济模型。 Diego F. Parra 是餐厅人工智能应用专家。

Masterestaurant 工具与方法

本案例使用的Masterestaurant生态工具

Diego F. Parra用Masterestaurant生态中的成套产品来搭建这些方案,并非量身定制。外卖应用算法的问题几乎从来不是什么特殊情况:它会在任何规模的暗厨中重复出现,并用同样的工作顺序加以纠正。

在本案例中,Restaurant Model Canvas理清了诊断思路,标准食谱生成器缩小了寿司品牌在成本和时间上的差距,需求雷达则告诉我们人手应该放在哪里。增长计划等运营达标之后再介入。

Diego F. Parra

Diego F. Parra — 国际餐厅咨询专家,擅长餐厅创建与提升,以及餐厅、食品科技和HORECA领域的人工智能应用。该方法已在43个国家的8,400多家餐厅中应用 · 餐厅、酒店服务及餐饮业务人工智能应用专家 · 在餐厅、餐饮外包、大型活动及企业增长领域拥有20多年经验 · 已出版3本带ISBN的著作:《Triunfar o morir en el intento》(2013)和《De esclavo a dueño》(2023)· HORECA行业国际演讲嘉宾及主题演讲人。

常见问题

关于外卖应用算法的常见问题

外卖平台算法如何为餐厅排序?

外卖应用的算法会根据订单顺利送达的概率为餐厅排序,主要考量接单率、自身取消率、近期评分、实际出餐时间与承诺时间的对比,以及店铺页面的转化率。广告购买的是曝光,而不是排名位置。应先修好厨房,再完善店铺页面,最后才是投放广告。

外卖平台算法如何为餐厅排序?

外卖应用的算法会根据订单顺利送达的概率为餐厅排序,主要考量接单率、自身取消率、近期评分、实际出餐时间与承诺时间的对比,以及店铺页面的转化率。广告购买的是曝光,而不是排名位置。应先修好厨房,再完善店铺页面,最后才是投放广告。

外卖平台的算法是如何运作的?

算法按订单能否顺利、准时送达且不被取消来为餐厅排序,综合接单率、自身取消率、近期评分、实际与承诺时间的对比,以及店铺页面的转化率。各平台的权重不同,也不公开完整公式,因此最好同时优化这五个信号。

外卖平台的算法是如何运作的?

算法按订单能否顺利、准时送达且不被取消来为餐厅排序,综合接单率、自身取消率、近期评分、实际与承诺时间的对比,以及店铺页面的转化率。各平台的权重不同,也不公开完整公式,因此最好同时优化这五个信号。

在外卖平台投放广告能提升排名吗?

付费期间,广告能买到曝光,但如果运营出了问题,它无法修正自然排名。接单率低或取消频繁时,付费订单只会带来更多失败,排名也会更差。因此应先理顺厨房,再设定一个与利润挂钩的花费上限。

在外卖平台投放广告能提升排名吗?

付费期间,广告能买到曝光,但如果运营出了问题,它无法修正自然排名。接单率低或取消频繁时,付费订单只会带来更多失败,排名也会更差。因此应先理顺厨房,再设定一个与利润挂钩的花费上限。

在外卖平台取消订单会造成多大影响?

影响远比看上去要大。每一笔可归因于餐厅的取消,都会削弱算法对餐厅的信任,同时损失食物和销售额。最常见的原因是原料断货却没有在应用中标记;开店前申报,就能避免大部分这类问题。

在外卖平台取消订单会造成多大影响?

影响远比看上去要大。每一笔可归因于餐厅的取消,都会削弱算法对餐厅的信任,同时损失食物和销售额。最常见的原因是原料断货却没有在应用中标记;开店前申报,就能避免大部分这类问题。

餐厅在外卖平台上需要多少评分?

没有公开的统一数字:各平台设定各自的标准,权重主要落在近期订单窗口上,而不是历史平均值。维持评分的关键是守住承诺时间并完整交付订单;当天回复每一条差评,有助于看清问题出在哪里。

餐厅在外卖平台上需要多少评分?

没有公开的统一数字:各平台设定各自的标准,权重主要落在近期订单窗口上,而不是历史平均值。维持评分的关键是守住承诺时间并完整交付订单;当天回复每一条差评,有助于看清问题出在哪里。

数据与来源

2026 数据(外卖平台算法)

可核实的基准数据,来自官方及非商业来源(政府、行业协会和市场数据),绝不取自竞争对手。

数据数值来源
纽约市外卖平台可向餐厅收取的增强服务费(enhanced service)法定上限,占每笔线上订单的百分比(2026)每笔在线订单价格的20%NYC Department of Consumer and Worker Protection — Requirements for Delivery Apps (2026)
从第三方外卖平台获取 0%–10% 收入的美国餐厅运营商占比(该群体中外卖佣金的影响较小),2026 年中期报告47,2%的经营者(第三方外卖收入占比0%–10%,2026)Restaurant365 — 2026 State of the Restaurant Industry: Mid-Year Report (2026)
美国外卖平台向餐厅每单收取的典型佣金(区间),另加配送费和支付处理费(2025)每单 15%至30%(2025)Wharton Magazine — Are Food Delivery Apps Hurting Restaurants? (2025)
墨西哥外卖餐饮市场估算规模,居拉丁美洲第二,仅次于巴西(2024)2,530百万美元(2024)Expansión citando a Statista — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)
墨西哥DiDi Food平台超过70,000家餐厅中属于MiPymes(中小微企业)的比例(2025)超过70,000家餐厅中的60%(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)
在墨西哥加入Uber Eats后营收增长的中小企业(Quadrant Strategies研究)已加入的微型和中小企业的91%Expansión citando a Quadrant Strategies — México es el segundo lugar en el uso de Rappi, Uber Eats y Didi Food gracias a Mipymes (2025)

先抓厨房:排名是之后的事

如果您的外卖渠道卖得多却赚得少,Diego F. Parra的方法从算法真正衡量的五个信号入手,最终落在渠道的EBITDA上。在Exponencial,我们以计算出的毛利推动增长;在CA$H,我们管理支撑增长的成本和现金流。

社区

免费加入我们的社区 MASTERESTAURANT

来自43个国家的餐厅业主与团队在此分享知识、工具与应用型人工智能,内容直接推送到你的WhatsApp。

加入社区
作者: Diego F. Parra  ·  编辑: MASTERESTAURANT®
内容由AI辅助创作,经MASTERESTAURANT编辑团队审核。
MR 对比清单引擎 v0.9.394