Мобильный официант Кофемании

Заказчик:
Кофемания
Руководитель проекта со стороны заказчика
Поставщик
ООО «КОУ ТЕХ» (Food2Mood)
Год завершения проекта
2026
Сроки выполнения проекта
сентябрь, 2026 — октябрь, 2026
Масштаб проекта
900 абонентов
Цели

1.       Дать сети собственный мобильный официант, чтобы развивать функции сервиса под стандарты «Кофемании».

2.       Помогать официанту допродавать в момент заказа: быстрые подсказки, которые сами дают аргумент для продажи.

3.       Дать управляющему инструмент управления продажами смены: блюда на активе, персональные задания официантам, контроль выполнения.

4.       Сделать официанта каналом работы с лояльными гостями прямо в зале.

Результаты

Гостей в день, обслуженных через мобильного официанта - в среднем по 300 на ресторан

Подсказок официанту на гостя - в среднем по 900 в день на ресторан

Задания и блюда на активе ставятся управляющим ежедневно

Выполнение заданий и актива - около 20% заданий и блюд на активе выполняются за смену

Уникальность проекта

Технологическая. Собственное приложение официанта с ML-контуром: сценарий гостя определяется автоматически по составу заказа, подсказки ранжируются с учётом актива, гастропар и сценария. Модель самообучается по отклику официантов и заменяет неработающие правила.

Бизнесовая. Официант становится каналом продаж и CRM-коммуникации в зале: стандарты сервиса, задания смене и работа с лояльными гостями собраны в одном инструменте.

Методологическая. Тиражирование по отработанной схеме: неделя параллельной работы с прежней системой 50/50, затем переход. Подсказки спроектированы под реальный темп официанта: минимум нажатий, короткий аргумент на карточке, упор на еду, где основной чек.

Использованное ПО

•         Мобильный официант «Кофемании» на платформе Food2Mood

•         Админ-панель Food2Mood: Go-list, задания официантам, работа с узнанным гостем

•         Бот «F2M Управляющий»

•         Интеграция с iiko

•         ML: гастропары, сценарии гостя, ранжирование подсказок

Сложность реализации

1.       Время официанта. На заказ у официанта секунды: подсказка должна быть напоминанием, а не ещё одним экраном.

2.       Определение сценария без опроса. Официанты не разносят заказ по гостям, поэтому сценарий нужно понять по составу заказа по мере его заполнения.

3.       Внедрение в работающих ресторанах. Переход без остановки сервиса: параллельная работа систем, выезды к управляющим, техподдержка на подключении новых ресторанов.

4.       Принятие персоналом. Подсказки должны помогать, а не контролировать, поэтому задания и актив ставит управляющий, а не центральный офис.

Описание проекта

Официант открывает заказ в приложении. Пока заказ пустой, видны блюда на активе, задания и новинки. По мере заполнения система определяет сценарий визита и предлагает три подсказки: гастропару к заказанному, блюдо с актива или позицию под сценарий визита. Управляющий видит в боте, как смена работает с рекомендациями и заданиями. Для лояльного гостя официант получает персональную подсказку по сервису.

География проекта

Москва

Дополнительные презентации:
Мобильный официант Кофемании.pdf
Коментарии: 2

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Сергей Воробьев
    Рейтинг: 684
    Федеральная палата адвокатов РФ
    Директор Центра внедрения и эксплуатации
    05.11.2026 10:29

    Доброе утро, Николай! Скажите пожалуйста, почему Вами было принято решение разрабатывать собственный сервис с нуля вместе с Food2Mood, а не адаптировать уже существующие на рынке готовые программные модули (например, от r_keeper или iiko)? Каких именно уникальных функций вам не хватало в стандартных коробочных решениях?

    • Юлия Коровкина Сергей
      Рейтинг: 10
      ООО КОУ ТЕХ (Food2Mood)
      СЕО
      12.11.2026 19:07

      Добрый день, Сергей! Данные для персонализации у крупных сетей есть давно, а технологии, которые делают из них рабочие инструменты, появились совсем недавно. Успех в создании инструментов персонализации сильно зависит от скорости проверки гипотез, а универсальную коробку сложно быстро подстроить под нужную логику. Поэтому мы с Николаем выбрали совместную разработку: решение создается под точечные запросы и быстро адаптируется для максимального эффекта.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.