Персональные рекомендации блюд в гостевом приложении «Кофемании»

1.       Превратить гостевое приложение из канала заказа в канал допродажи: предлагать каждому гостю блюда, которые он с высокой вероятностью купит.

2.       Перейти от одинаковых для всех подборок «популярное» к персональной выдаче на основе истории, вкусов и текущей корзины гостя.

3.       Построить честный контур измерения: считать только выручку, которую принесли показанные рекомендации, а не все покупки гостей.

4.       Обеспечить промышленную надёжность: ответ в реальном времени, без пустых выдач и без влияния на работу приложения.

2026

•         22 608 гостей за месяц получили персональные рекомендации, около 3 000 запросов в день, в среднем 9,87 блюда на выдачу.

•         81% выдач полностью персонализированы по истории и вкусам гостя, остальные 19% построены по корзине и времени визита. Ни одной выдачи «вслепую».

•         99,2% покупок посчитаны по точной сумме из чека, строки без показа рекомендаций исключены из расчёта как ложная выручка.

Использованное ПО и технологии

•         Приложение «Кофемания»

•         Платформа Food2Mood: сервис рекомендаций, ЦВП, админ-панель и аналитический дашборд

•         Info API «Кофемании»: актуальное меню и стоп-лист

•         ML-модели: ЦВП, ALS, гастропары, CatBoost, сигналы времени суток

В проекте не используются решения из каталога Global CIO

1.       Данные. Сопоставить чеки, показы и меню, которое меняется каждый час. Исторические версии меню не хранятся, поэтому разметка блюд должна быть устойчивой к их смене.

2.       Честный расчёт эффекта. Отделить выручку рекомендаций от обычных покупок, восстановить суммы, где их нет в чеке, и исключить ложную атрибуцию.

3.       Холодный старт. Гости без истории всё равно должны получать осмысленную выдачу, поэтому предусмотрен безопасный fallback по корзине, времени визита и популярности.

4.       Нагрузка и скорость. Около 3 000 запросов в день с ответом в реальном времени без влияния на сценарий заказа.

Приложение отправляет запрос с гостем, рестораном, текущей корзиной и контекстом визита. Система убирает недоступные блюда, собирает кандидатов, модель ранжирует их с учётом истории, вкусов и корзины гостя. Приложение показывает верхние позиции, каждый показ записывается для аналитики. Эффект считается ежедневно на дашборде: выручка рекомендаций, доля в выручке, состояние API и полнота данных.

МП сети ресторанов Кофемания