Inteligência artificial • Gestão • Food Analytics
Quais perguntas fazer para uma IA entender a operação do seu restaurante
A IA entende melhor a operação do restaurante quando você troca pedidos amplos por perguntas com objetivo, contexto, recorte, fonte e formato de resposta. Em vez de solicitar “uma análise completa”, peça uma decisão específica: identificar o que mudou, onde ocorreu, quais evidências sustentam a leitura e qual teste deve vir depois.
Neste guia, você encontra uma estrutura em cinco blocos, 12 perguntas prontas para adaptar e um roteiro para salvar. O foco não é escrever o “prompt perfeito”. É formular perguntas operacionais que possam ser conferidas e transformadas em ação.
Por que “analise meu restaurante” quase sempre é uma pergunta ruim
Uma operação de food service produz sinais diferentes ao mesmo tempo: pedidos, ticket, cancelamentos, tempo de preparo, avaliações, novos clientes, frequência de compra e desempenho por canal. Sem recorte, a IA precisa decidir sozinha o que importa. O resultado tende a ser genérico porque a pergunta também foi.
Há outro problema: a mesma palavra pode ter definições diferentes. “Cliente novo” pode significar primeira compra naquele canal, primeira compra na unidade ou primeira compra em toda a rede. “Cancelamento” pode incluir falha de pagamento, indisponibilidade, desistência ou erro operacional. Se a definição não acompanha a pergunta, a resposta pode parecer precisa e ainda assim comparar coisas diferentes.
A documentação de engenharia de prompts da OpenAI recomenda fornecer contexto relevante e instruções claras. O guia de prompting do Google Cloud organiza uma solicitação em objetivo, instruções, contexto, restrições, exemplos e formato de resposta. Na prática do restaurante, esses princípios ficam mais úteis quando viram recortes operacionais concretos.
A pergunta operacional em cinco blocos
Antes de conversar com a IA, preencha cinco blocos. Eles não precisam virar um texto longo. Precisam deixar claro o que será decidido e como a resposta poderá ser verificada.

1. Objetivo: qual decisão precisa sair?
Evite objetivos como “entender melhor os dados”. Prefira algo que leve a uma escolha: descobrir onde começou uma queda, priorizar um segmento para reativação, decidir se um problema está concentrado em um canal ou preparar um teste para a próxima semana.
2. Contexto: como a operação funciona?
Explique apenas o necessário: tipo de restaurante, presença de salão ou delivery, canais de venda, número de unidades e eventos que podem ter afetado o período. Uma campanha, mudança de horário, feriado local ou item indisponível pode alterar a leitura.
3. Recorte: qual período, unidade e público?
Defina início e fim, comparação e granularidade. “Últimos 30 dias” é menos útil do que “de 1º a 30 de outubro, comparado aos 30 dias anteriores, por semana e canal”. Se houver várias unidades, informe se a análise deve ser consolidada ou separada.
4. Evidência: quais métricas e fontes estão disponíveis?
Liste a fonte e a definição de cada indicador. Pedidos do PDV, receita do financeiro, clientes do CRM e avaliações de um canal podem ter atualização e cobertura diferentes. Peça para a IA citar qual fonte sustenta cada conclusão e sinalizar quando um dado estiver ausente.
5. Saída: como você quer receber a resposta?
Escolha um formato que ajude a agir: resumo em cinco pontos, tabela por canal, hipóteses ordenadas por evidência ou plano com owner, prazo e métrica. Inclua limites: não inferir causa sem evidência, não expor dados pessoais e não recomendar ação externa sem revisão.
Um modelo de pergunta para copiar e adaptar
O modelo abaixo funciona como ponto de partida:
Objetivo: identificar o que explica [problema ou oportunidade].
Contexto: [tipo de operação, canais, unidades e eventos relevantes].
Recorte: compare [período A] com [período B], separando por [canal, unidade, dia ou público].
Fontes e métricas: use [fontes] e considere [definições].
Saída: separe fatos, hipóteses e dados ausentes; priorize até três explicações; proponha um próximo teste com owner, prazo e métrica. Não conclua causalidade sem evidência.
Exemplo ilustrativo: “Identifique o que explica a queda de pedidos no delivery nas últimas oito semanas. Compare com as oito anteriores, separe por dia da semana e canal, use pedidos confirmados e cancelamentos do PDV e destaque mudanças de ticket. Entregue fatos, hipóteses, dados ausentes e um teste de sete dias.” O exemplo não presume que a causa seja marketing ou operação; ele estrutura a busca.
12 perguntas para começar pela operação
Use uma pergunta por vez. Se você pedir vendas, clientes, operação, previsão e campanha na mesma mensagem, fica mais difícil conferir onde a resposta acertou ou errou.

Vendas
- O que mudou no volume de pedidos? Peça comparação por período, canal, unidade e dia da semana.
- Quais dias ou horários explicam a variação? Procure concentração, não apenas a média do mês.
- O ticket médio mudou por canal ou tipo de pedido? Separe preço, itens por pedido e composição do mix quando os dados permitirem.
Clientes
- Quais clientes reduziram a frequência de compra? Defina a janela esperada de recompra antes de classificar risco.
- Quantos clientes novos fizeram um segundo pedido? Compare coortes que tiveram tempo equivalente para recomprar.
- Qual segmento perdeu recência ou valor? Separe comportamento recente de histórico acumulado.
Operação
- Onde aumentaram cancelamentos ou atrasos? Abra por motivo, canal, unidade e horário.
- Quais horários concentram os desvios? Relacione demanda, capacidade e nível de serviço sem concluir causa antes de conferir a rotina.
- Quais itens aparecem mais nos problemas? Verifique indisponibilidade, alteração de preço, tempo de preparo e participação no mix.
Ação
- Qual hipótese deve ser testada primeiro? Priorize impacto potencial, evidência disponível e facilidade de reversão.
- Que dado ainda falta? Peça uma lista curta do que reduziria mais a incerteza.
- Como medir se a próxima ação funcionou? Defina baseline, período, métrica, segmento e critério para manter ou interromper.
Peça comparação antes de pedir recomendação
Recomendação sem baseline vira opinião. Antes de perguntar “o que fazer?”, peça que a IA mostre o realizado, a comparação e o tamanho do desvio. Uma leitura útil costuma responder quatro dimensões:
| Dimensão | Pergunta | Exemplos de evidência |
|---|---|---|
| Volume | Quanto aconteceu? | pedidos, clientes, cancelamentos |
| Conversão | Qual etapa avançou ou travou? | primeiro para segundo pedido, campanha para compra |
| Tempo | Quando e em quanto tempo? | intervalo entre pedidos, horário, tempo de preparo |
| Valor | Qual impacto econômico? | receita, ticket, margem disponível, LTV quando definido |
Essa estrutura evita que um aumento de pedidos seja tratado como sucesso sem olhar cancelamento, margem ou recompra. Também ajuda a conectar aquisição e retenção: volume sem qualidade pode criar trabalho sem construir receita saudável.
Faça a IA mostrar o que sabe e o que está supondo
Inclua uma regra simples: “para cada conclusão, informe a evidência; quando não houver dado, marque como hipótese”. Isso reduz a chance de uma explicação plausível ser confundida com causa comprovada.
O perfil de IA generativa do NIST recomenda documentar a qualidade, relevância e origem dos dados, além de usar revisão humana e técnicas de verificação. No restaurante, isso significa conferir definições, datas e cobertura antes de executar uma campanha, alterar escala ou mexer em preço.
Uma resposta pode apontar que pedidos caíram mais às sextas-feiras. Isso é fato descritivo, se sustentado pelos dados. Dizer que a causa foi atraso de entrega é hipótese até cruzar tempo, reclamações, cancelamentos ou outra evidência operacional.
Trabalhe em ciclos curtos: perguntar, verificar, refinar e decidir
- Pergunte: formule uma questão específica com os cinco blocos.
- Verifique: confira fonte, período, definição e cálculos apresentados.
- Refine: aprofunde apenas o desvio relevante, sem recomeçar com uma pergunta ampla.
- Decida: registre ação, owner, prazo, métrica e critério de reversão.
- Aprenda: volte com o resultado do teste para atualizar a próxima pergunta.
Esse ciclo é mais seguro e produtivo do que pedir uma análise final em um único passo. Também facilita perceber se o problema é de dado, interpretação ou execução.
Não envie para a IA dados que a pergunta não precisa
Nome, telefone, endereço, documento, token, senha e informação comercial sensível não devem entrar no contexto por conveniência. Para analisar recompra, muitas perguntas funcionam com identificadores pseudonimizados e métricas agregadas. Para comparar unidades, talvez bastem unidade, período e indicadores.
Se a IA estiver conectada aos sistemas, permissões e escopo precisam existir fora do prompt. Veja o guia sobre como conectar uma IA aos dados do restaurante sem abrir acesso demais. Para ampliar o repertório de aplicações, consulte também os 12 casos de uso de IA para restaurantes.
Checklist antes de enviar a pergunta
- A decisão esperada está explícita?
- O período e a comparação estão definidos?
- Unidade, canal, público e granularidade estão claros?
- Cada métrica tem uma definição?
- As fontes e suas limitações foram informadas?
- O formato da resposta ajuda a agir?
- A IA foi instruída a separar fato de hipótese?
- Dados pessoais, segredos e informações desnecessárias foram removidos?
- Existe uma pessoa responsável por revisar e decidir?
- O próximo teste terá métrica e critério de parada?
Leve o roteiro para a próxima análise
Baixe a folha com 12 perguntas e o modelo de prompt. Adapte o período, o recorte e as fontes à realidade do seu restaurante.
Perguntas frequentes
Preciso usar termos técnicos para a IA entender?
Não. Clareza operacional vale mais do que jargão. Explique a decisão, o período, a definição da métrica, a fonte e a saída esperada. Termos técnicos só ajudam quando têm significado compartilhado.
Posso enviar uma planilha inteira e pedir conclusões?
Você pode fornecer dados autorizados, mas ainda precisa definir objetivo, recorte e regras de privacidade. Antes, remova informações desnecessárias e confirme se colunas, datas e métricas estão consistentes.
Como saber se a resposta está correta?
Peça evidência por conclusão, reproduza os principais números na fonte original e revise definições. Se a recomendação depender de uma relação causal, trate-a como hipótese até testar ou obter evidência adicional.
A IA pode decidir sozinha o que fazer?
Ela pode organizar alternativas e apoiar a priorização. Mudanças em preço, orçamento, comunicação com clientes, escala, cadastro ou configuração devem seguir as aprovações da operação e os limites de acesso definidos.
A melhor pergunta termina em uma decisão verificável
IA para restaurantes não começa com uma lista infinita de comandos. Começa com uma dúvida operacional bem recortada. Quando objetivo, contexto, recorte, evidência e saída estão claros, a resposta deixa de ser um texto genérico e vira parte de um processo de decisão.
A Repediu atua na camada de Food Marketing, CRM/LTV e Food Analytics para conectar comportamento de clientes, recorrência, retenção e valor. O WhatsApp pode participar da jornada como canal; a análise precisa olhar a operação e o relacionamento de forma mais ampla.




