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 en desarrollo activo y aún no se ha lanzado — esta página explica qué es Insights, qué no es explícitamente, y la arquitectura que hay detrás de ambos.

Estado: Fase 0 — la validación interna con datos de la forma de Čili es el foco actual. Las cadenas asociadas de diseño se están incorporando a lo largo de 2026. 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 con la forma de Čili Pizza, pero la arquitectura es agnóstica en cuanto al POS, flexible geográficamente y adaptable a distintos formatos (QSR, restauración casual, cocinas fantasma, híbridos).

Los perfiles para los que se ha construido Insights son ejecutivos, no operadores:

Los perfiles de Responsable de restaurante y CHRO son la razón por la que el Article 22 GDPR importa estructuralmente — son el destinatario de cualquier recomendación que afecte a una persona, y la cola de aprobación está construida 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 impulsor 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 impulsores, no entra en la cola de acciones. Esta es la regla que separa Insights del texto genérico de «la 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 de 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 supervisa un dominio específico y genera recomendaciones vinculadas al EBIT. Ninguno ejecuta — cada recomendación entra en la cola de aprobación humana, y cualquier recomendación que afecte a empleados está bloqueada por el GDPR Article 22 (véase más abajo).

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 bloqueada por el GDPR Article 22 — 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 sencillo.

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.

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

«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.

Cola de aprobación humana (GDPR Article 22)

Esta es la restricción estructural, no una funcionalidad.

El GDPR Article 22 restringe las decisiones tomadas de forma exclusivamente 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 produce 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 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 ciclo 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 GDPR Article 22, no una preferencia de 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 del descuento, 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 interpretar las matemáticas.

La recomendación puede ser: escalar la campaña, repetirla solo en locales específicos, detenerla, ajustar el descuento, cambiar el momento, cambiar la combinación de productos — 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 inversamente la facturación necesaria, por mes con estacionalidad; la descomposición más completa que se muestra a continuación es el estado objetivo:

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

Después compara el rendimiento real con el camino previsto 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 de 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 que propone en las vistas de CFO y CMO
• Controles de calidad de datos
• Acceso basado en roles + registros de auditoría

Aplazado a fases posteriores:

• Integraciones completas de API de POS más allá de la primera
• Modelado avanzado de elasticidad de precios
• Puntuación de calidad de platos mediante cámara
• Inferencia causal compleja
• 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 en cuanto 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 adicionales de POS (Toast, Square, Lightspeed en mercados occidentales; iiko en Europa del Este; otros) se delimitan por cliente y se presupuestan bajo demanda. Hasta que se encargue un conector en tiempo real, el importador de 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 cliente 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 Registro Dinámico de Clientes, sin claves de API ni proyectos de integración personalizados. Consulta el servidor MCP de Insights para ver 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.

Estado y calendario

El producto en funcionamiento aún no se ha lanzado — la superficie de marketing en /insights describe la visión; la fase 0 (validación interna de datos con la forma de Čili) es el foco de desarrollo actual. Se esperan noticias sustanciales sobre el producto a lo largo de 2026, no antes.

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.