Fooodo Insights

Fooodo Insights es una línea de producto independiente de la plataforma de pedidos de Fooodo. El sitio web la presenta porque es la dirección estratégica de la empresa; el producto en funcionamiento está disponible de forma limitada con una cadena de referencia — esta página explica qué es Insights, qué no es explícitamente, y la arquitectura que hay detrás de ambos.

Estado: Disponibilidad limitada — el bucle de decisión está activo con una cadena de referencia, y las cadenas asociadas como socios de diseño se están incorporando a lo largo de 2026. Todavía no está disponible de forma general, y la ejecución autónoma de acciones sigue en la hoja de ruta (hoy el AI propone y tu equipo aprueba). El alcance y el calendario del MVP están al final de esta página; si gestionas entre 5 y 200 locales y quieres participar en el despliegue, escribe a hello@fooodo.com.

La definición en una línea

Fooodo Insights es una capa de inteligencia de decisión nativa de AI para cadenas de restaurantes con múltiples locales, diseñada para conectar las acciones operativas con el impacto en el EBIT y para mantener a las personas firmemente en el proceso en cada decisión que afecta a los empleados.

No es «otro panel de control». Un panel de control te dice lo que ocurrió. Insights es un sistema de decisión que:

1. Recopila datos fragmentados de restaurantes.
2. Los normaliza en un modelo operativo canónico de restaurante.
3. Explica qué ocurrió.
4. Estima por qué ocurrió.
5. Predice qué ocurrirá a continuación.
6. Recomienda acciones.
7. Requiere aprobación humana antes de ejecutar acciones de alto impacto.
8. Mide si las acciones aprobadas mejoraron realmente el EBIT.

Para quién es

Cadenas con múltiples locales en el rango de 5 a 200 locales. El despliegue de referencia inicial es una cadena del estilo de Čili Pizza, pero la arquitectura es agnóstica respecto al POS, flexible geográficamente y adaptable a distintos formatos (QSR, restauración casual, cocinas fantasma, híbridos).

Los perfiles para los que está diseñado Insights son ejecutivos, no operadores:

Los perfiles de Responsable de restaurante y CHRO son la razón por la que Article 22 del GDPR importa estructuralmente — son el destinatario de cualquier recomendación que afecte a una persona, y la cola de aprobación está diseñada para que siempre haya un humano en ese proceso.

El principio que marca la diferencia

Cada insight, recomendación, previsión y escenario en Fooodo Insights se conecta a un indicador de EBIT medible:

• Ingresos
• Margen bruto
• Coste de alimentos
• Coste de mano de obra
• ROI de marketing
• Rotación de mesas
• Ticket medio
• Volumen de pedidos
• Mermas
• Descuentos
• Economía de plataformas de entrega

Si una recomendación no puede vincularse a uno de estos indicadores, no entra en la cola de acciones. Esta es la regla que separa Insights del genérico «el AI lo optimiza todo».

Arquitectura (seis capas)

El producto está estructurado en seis capas, cada una con un contrato definido — los datos fluyen hacia arriba; las recomendaciones fluyen hacia abajo a través de la cola de aprobación:

Dos reglas arquitectónicas son las más importantes:

• No necesitas un almacén de datos. La importación mediante CSV/Excel está disponible desde el primer día. Las cadenas del mercado medio raramente disponen de un almacén operativo, y esperar a tenerlo fue el modo de fallo de la generación anterior de BI para restaurantes.
• Los conectores POS son intercambiables. Cada uno implementa la misma interfaz de conector (locales, menús, pedidos, pagos). Añadir un conector es un módulo aislado; no toca las capas de métricas ni de AI.

Agentes especializados por rol

Insights ejecuta agentes de AI especializados por rol — CFO, CMO, COO, CPO — sobre un modelo compartido. Cada uno responde en el vocabulario del rol que pregunta, con permisos y enrutamiento de aprobación delimitados a ese rol. Cada agente monitoriza un dominio específico y genera recomendaciones vinculadas al EBIT. Proponen; no ejecutan acciones externas ni acciones que afecten a empleados de forma autónoma — cada recomendación de ese tipo entra en la cola de aprobación humana, y cualquier recomendación que afecte a empleados está sujeta al Article 22 del GDPR (véase más abajo).

La vista del COO también se nutre de la puntuación de calidad de platos basada en cámara (ChefBot) para señalar problemas de consistencia en cocina junto con las señales de servicio y rendimiento.

La mano de obra y la planificación de turnos afectan a empleados, por lo que reciben el enrutamiento más estricto: cualquier recomendación que modifique las horas, el turno o el indicador de rendimiento de una persona está sujeta al Article 22 del GDPR — requiere un revisor humano identificado antes de propagarse en ningún lugar, independientemente del agente que la haya generado (véase Article 22 más abajo).

El motor de impacto en el EBIT

La capacidad analítica central. Conecta los eventos operativos con el movimiento del EBIT y explica la conexión en lenguaje natural.

Lo que hace:

• Desglosa la variación del EBIT por local, período de tiempo, categoría de menú, campaña, mano de obra, coste de alimentos, canal de entrega y descuento.
• Proporciona análisis de varianza: real frente al período anterior, frente al presupuesto, frente a la previsión, frente al objetivo de P&L inversa.
• Separa la correlación de la causalidad estimada del impacto medido confirmado.
• Asigna un nivel de confianza a cada explicación.
• Ejecuta una investigación diagnóstica autónoma cuando una cifra se mueve de forma inesperada — encadenando consultas de datos para aislar el factor determinante en lugar de hacer suposiciones.

Ejemplos ilustrativos (no son datos reales de ningún tenant):

«El EBIT del local X cayó N euros ayer. El M% del descenso se explica por las horas de mano de obra que superaron el objetivo en un P%, combinado con una caída del Q% en el ticket medio.»

«La campaña C aumentó los ingresos en N euros, pero tras los descuentos y la mano de obra adicional, el impacto en el EBIT fue de +M euros.»

«Un aumento de precio del P% en la categoría K probablemente redujo el volumen de pedidos en un V%, pero aumentó el margen de contribución en N euros.»

Estas no son suposiciones de un chatbot — se calculan sobre el modelo de datos canónico con intervalos de confianza explícitos.

Cómo las cifras ganan credibilidad

Tres mecanismos ya integrados en el producto respaldan esas afirmaciones:

• Una taxonomía de confianza de cinco etiquetas en cada cifra — la capa de procedencia detrás de los niveles de confianza anteriores. Cada número en una respuesta analítica está etiquetado como Faktas (datos reales), Biudžetas (plan), Patvirtinta (un hecho organizativo confirmado por un administrador), Apskaičiuota (calculado por la máquina) o Prielaida (una suposición declarada) — las etiquetas se muestran literalmente, tal como aparecen en el producto. Las etiquetas se auditan de forma determinista contra la procedencia real de los datos subyacentes — el AI no puede autoasignarse una etiqueta más sólida de la que admite la fuente.
• Un Paquete de Metodología por tenant. Los administradores de cada tenant curan hechos de nivel directivo — convenciones de coste de empleador, márgenes incrementales, cifras de plan — en una página de metodología de acceso exclusivo para administradores. Cada hecho incluye un valor, unidad, fuente identificada, fecha de entrada en vigor y etiqueta de confianza (limitado a 60 hechos por tenant; los cambios se aplican a las nuevas conversaciones). El AI aplica la metodología propia de la empresa en lugar del conocimiento genérico del sector y cita la fuente.
• Un contrato de respuesta del CFO. Los análisis de impacto en el beneficio están anclados al plan y a la desviación respecto al plan, descompuestos en palancas con sus restricciones vinculantes, y cada análisis incluye una línea de fuentes.

Cola de aprobación con control humano (GDPR Article 22)

Esta es la restricción estructural, no una funcionalidad.

El Article 22 del GDPR restringe las decisiones tomadas exclusivamente de forma automatizada con efectos jurídicos o igualmente significativos sobre las personas. En el contexto de un restaurante, eso significa que cualquier cosa que afecte a los empleados — cambios de turno, reducciones de horas, puntuación de rendimiento, penalizaciones automatizadas — debe ser revisada y aprobada por un humano antes de su ejecución.

Cada recomendación que genera Insights entra en una cola de aprobación que muestra:

• La recomendación en sí
• El motivo
• El impacto esperado en el EBIT
• La confianza
• El riesgo
• El rol de aprobador requerido
• Las fuentes de datos utilizadas
• Los pasos de implementación sugeridos
• Caducidad / urgencia
• Opciones de aprobar / rechazar / modificar / aplazar

Las acciones aprobadas se registran como experimentos, para que el equipo pueda medir posteriormente si la acción logró el resultado esperado en el EBIT. (Cerrar ese bucle de medición completamente — retroalimentando los resultados en la clasificación de forma automática — es trabajo de fases posteriores, no del MVP; véase más abajo.)

Las recomendaciones que afectan a empleados específicamente — turnos, horas, indicadores de rendimiento, medidas de retención — nunca se ejecutan de forma autónoma. Permanecen en la cola de aprobación con un revisor identificado, registros de auditoría y explicabilidad antes de propagarse en ningún lugar. Esto es un requisito legal en virtud del Article 22 del GDPR, no una preferencia del producto.

Motor de ROI de marketing (estadístico, no antes/después)

La medición de campañas es uno de los puntos donde las herramientas de BI para restaurantes fallan de forma más visible. «Los ingresos subieron durante la campaña» no es causalidad.

Insights mide las campañas con pruebas estadísticas adecuadas — comparación de grupos con varianza desigual, cálculo del tamaño del efecto y un veredicto de confianza explícito — combinadas con un desglose de materialidad financiera: incremento de ingresos, incremento de margen bruto, coste de descuentos, coste de mano de obra adicional, impacto en el coste de alimentos e impacto neto en el EBIT. Cada resultado se etiqueta como «estadísticamente significativo pero financieramente irrelevante» o «financieramente material pero estadísticamente incierto», para que un CFO pueda leer el veredicto sin necesidad de interpretar las matemáticas.

La recomendación puede ser: escalar la campaña, repetirla solo en locales específicos, detenerla, ajustar el descuento, cambiar el momento, cambiar el mix de producto — con el razonamiento vinculado al EBIT adjunto.

Planificación de P&L inversa

El CEO/CFO introduce un objetivo de EBIT anual. El sistema trabaja hacia atrás a partir de él — la versión básica del MVP calcula de forma inversa la facturación necesaria, por mes con estacionalidad; la descomposición más completa que se describe a continuación es el estado objetivo:

• Objetivos de ingresos mensuales y diarios por local
• Horas de mano de obra y % de coste de mano de obra permitidos
• % de coste de alimentos teórico
• Ticket medio, volumen de pedidos, incremento de campaña requeridos
• Cambios de precio/mix necesarios

Después compara el rendimiento real con la trayectoria y alerta cuando un local se está desviando. Ejemplo ilustrativo:

«Objetivo de EBIT N/año. El local A debe promediar X/día de ingresos, mano de obra por debajo del Y%, coste de alimentos por debajo del Z%. La previsión actual no alcanza el objetivo en P a menos que el ticket medio aumente en algún % o la mano de obra se reduzca en algún %.»

Qué incluye el MVP y qué viene después

MVP:

• Importación CSV/Excel
• Modelo de datos canónico
• Panel de local + cabina ejecutiva
• Cálculo del EBIT y análisis de varianza
• Insights de AI pregenerados en el momento de la importación
• Medición manual de campañas con pruebas estadísticas
• P&L inversa (básica)
• Cola de aprobación humana
• AI proponiendo en las vistas de CFO, CMO, COO y CPO
• Controles de calidad de datos
• Acceso basado en roles + registros de auditoría

Aplazado a fases posteriores:

• Integraciones completas de API POS más allá de la primera
• Modelado avanzado de elasticidad de precios
• Motor de investigación de inteligencia de mercado — informes de competidores y mercado con fuentes citadas, integrados con tus propios KPIs (en desarrollo)
• Ejecución totalmente automatizada (deliberadamente fuera de la hoja de ruta; véase Article 22)

POS y fuentes de datos a las que se conecta Insights

Insights es agnóstico respecto al POS por diseño. R-Keeper es la integración de referencia activa — ingerida a través de un pipeline de datos gestionado hoy en día, no mediante un conector REST genérico; los conectores POS adicionales (Toast, Square, Lightspeed en mercados occidentales; iiko en Europa del Este; otros) se dimensionan por cliente y se presupuestan bajo demanda. Hasta que se encargue un conector en tiempo real, el importador CSV/Excel cubre cualquier POS que utilice la cadena.

Más allá del POS, Insights se conecta a plataformas de entrega (Wolt, Bolt), sistemas de contabilidad, herramientas de planificación de mano de obra, plataformas de marketing, datos meteorológicos y de festivos, proveedores de pago y el propio sistema de pedidos y pagos de Fooodo.

Conexión mediante MCP

Cada tenant de Insights incluye un servidor remoto de Model Context Protocol. Los clientes de AI que hablan MCP — ChatGPT, Claude, Copilot, Gemini, Cursor y otros — se conectan con OAuth 2.1 y Dynamic Client Registration, sin necesidad de claves API ni proyectos de integración personalizados. Consulta el servidor MCP de Insights para el inventario de herramientas y los pasos de configuración por cliente. La funcionalidad está desactivada por defecto en cada organización; la activación se gestiona a través de support@fooodo.com.

Acceso del propietario sin panel de control

No todos los ejecutivos quieren acceder a un panel de control. Dos vías de acceso permiten usar Insights sin uno:

• Enlace de chat para el propietario — un administrador genera un enlace seguro único que abre una vista de solo chat del asesor para un propietario no técnico: sin pantalla de inicio de sesión, sin navegación por la aplicación, limitado exclusivamente a la conversación con el asesor. Nunca puede acceder a paneles de control, configuraciones ni datos de otro tenant.
• Archivos adjuntos en conversaciones — incorpora una hoja de cálculo, un PDF, una imagen o una URL pegada en una conversación con el asesor para que el AI la lea. Los archivos adjuntos se procesan como contexto efímero solo para ese chat, se eliminan automáticamente cuando se borra el chat y nunca se ingieren como datos analíticos.

Estado y calendario

El producto en funcionamiento está disponible de forma limitada — en marcha con una cadena de referencia, con cadenas asociadas como socios de diseño incorporándose a lo largo de 2026; todavía no está disponible de forma general. La superficie de marketing en /insights describe la visión completa. La ejecución autónoma de acciones sigue en la hoja de ruta — hoy cada recomendación es aprobada por un humano. Se esperan novedades sustanciales del producto a lo largo de 2026.

Si eres una cadena con múltiples locales interesada en ser socio de diseño, escribe a hello@fooodo.com. La forma más rápida de que el equipo priorice una capacidad es contar con un cliente que tenga los datos y la disposición para validarla.