Jak AI zbiera zamówienia z Pyszne.pl, Glovo i Wolt i co realnie robi z tymi danymi?

Jeśli obsługujesz trzy albo cztery platformy dostawy jednocześnie, wiesz, jak wygląda ta lada: cztery tablety, cztery zestawy powiadomień, cztery oddzielne panele z ocenami. AI ściąga dane z Pyszne.pl, Glovo, Wolt i Uber Eats przez ich API, zbiera w jeden widok i analizuje: wskazuje, które pozycje menu sprzedają się słabo w konkretnym kanale, odpowiada na oceny klientów i generuje podsumowanie zmiany. To konkretna integracja, a nie magia, którą można uruchomić etapami.

Cztery tablety, cztery źródła chaosu

Typowy obraz, który widzimy, przychodząc do klienta z branży gastronomicznej: restauracja aktywna na Pyszne.pl, Glovo, Wolt i Uber Eats. Każda platforma działa na osobnym tablecie albo aplikacji webowej. Zamówienie z Glovo sygnalizuje jeden dźwięk, z Wolt inny. Kurier stoi i czeka, bo kuchnia nie widziała powiadomienia na czwartym tablecie.

Do tego dochodzą oceny. Klient zostawia jedną gwiazdkę na Pyszne.pl z komentarzem o zimnej zupie. Ktoś musi to zobaczyć i odpowiedzieć. W praktyce nikt nie ma czasu siedzieć w czterech panelach, więc oceny czekają. Odpowiedź na recenzję po tygodniu to fatalny sygnał dla kolejnych klientów przeglądających profil.

AI nie zastępuje samych platform ani logistyki kurierów. Ale może wyciągnąć z nich dane przez API i zebrać w jednym miejscu, gdzie jedna osoba obsługuje całość.

Skąd AI bierze dane z Pyszne.pl, Glovo i Wolt?

Każda z tych platform udostępnia API dla restauracji. Dostęp przyznawany jest po złożeniu wniosku bezpośrednio do platformy lub przez autoryzowanych partnerów technicznych, takich jak Deliverect, Dish czy podobne systemy agregujące. Zanim zaczniemy integrację, sprawdzamy jeden krok zerowy: czy Twój plan abonamentowy na każdej platformie obejmuje dostęp do API restauracji. Bez tego nic dalej nie ruszy.

Przez API wyciągamy konkretne obiekty danych:

• Order object: numer zamówienia, pozycje (item ID, nazwa, ilość, cena jednostkowa), status zamówienia (new, accepted, in_preparation, picked_up, delivered), czas złożenia zamówienia i szacowany czas dostawy
• Menu items: lista pozycji aktywnych na danej platformie, ceny, opisy, zdjęcia i dostępność w czasie rzeczywistym
• Reviews i ratings: ocena gwiazdkowa, treść komentarza, data, identyfikator powiązanego zamówienia oraz istniejąca odpowiedź restauracji (jeśli jest)
• Payout reports: zestawienie wypłat za dany okres, prowizje platformy, korekty, zwroty i anulowania

Uber Eats korzysta z Order Management API, Glovo z Glovo Integration API, Wolt z Restaurant API, a Pyszne.pl z API Takeaway Group. Każde ma nieco inne nazewnictwo pól i strukturę odpowiedzi. Dlatego między platformami a AI stoi warstwa mapująca, która ujednolica te dane do jednego schematu. To właśnie ona sprawia, że kierownik widzi jedno spójne zamówienie, a nie cztery osobne formaty JSON.

Co AI widzi, gdy patrzy na sprzedaż ze wszystkich platform naraz?

Pierwsza, podstawowa funkcja to widok wszystkich aktywnych zamówień z aktualnym statusem. Bez przełączania tabletów. Ale ważniejsza jest analiza historyczna, do której żadna platforma nie daje porównawczego wglądu ponad swój własny panel.

AI porównuje dane z ostatnich tygodni i wyciąga wzorce trudne do zauważenia, gdy patrzy się na cztery oddzielne raporty:

• Godziny szczytu per platforma: Glovo w konkretnej dzielnicy potrafi pikować między 11:30 a 12:15, a Wolt między 12:30 a 13:00. Jeśli to widać w danych, można rozłożyć pracę kuchni równomierniej i uniknąć sytuacji, gdy wszystko wpada naraz.
• Bestsellery i leżaki menu: AI zestawia liczbę zamówień każdej pozycji per platforma w wybranym przedziale. Jeśli "Talerz kebab duży" idzie świetnie na Pyszne.pl, ale prawie wcale na Glovo przez cały miesiąc, to sygnał: nowe zdjęcie, inna kolejność w menu, inna cena albo po prostu usunięcie pozycji z tego kanału.
• Zwroty i reklamacje per pozycja: to pole najczęściej umyka. Jeśli jedno danie generuje zwroty trzy razy częściej niż inne, widać to dopiero gdy dane z czterech platform złożysz w całość.
• Czas realizacji: z pól preparation_time i pickup_time AI liczy, gdzie jest wąskie gardło. Kurier czekający ponad 15 minut na odbiór obniża ocenę kurierską restauracji na platformie, co przekłada się bezpośrednio na widoczność w wynikach wyszukiwania wewnątrz aplikacji.

U jednego z klientów, małej sieci kebabów działającej w czterech miastach, dopiero zestawiając dane ze wszystkich platform okazało się, że jeden produkt generował zwroty trzy razy częściej niż inne pozycje. Wcześniej każdy manager widział "swój" panel i swoje dwa zwroty w miesiącu. Razem problem był oczywisty od razu.

Jak AI odpowiada na oceny i reklamacje?

Jedna dobra odpowiedź na negatywną recenzję może zmienić decyzję kilkuset kolejnych osób przeglądających profil restauracji. Problem polega na tym, że siedzenie w czterech panelach i ręczne odpowiadanie na każdą ocenę to praca, której nikt nie chce robić regularnie, a szczególnie po ciężkiej zmianie.

Integracja działa tak: AI pobiera nowe oceny przez review webhook albo polling co kilka minut. Analizuje treść i proponuje odpowiedź. Przed wysłaniem tekst trafia do moderatora: kierownika lub właściciela, który widzi go w jednej aplikacji i zatwierdza jednym kliknięciem albo koryguje. Dopiero po zatwierdzeniu odpowiedź leci na platformę.

Przy reklamacjach AI sprawdza historię konkretnego zamówienia: co było w koszyku, jaki był czas dostawy, czy zamówienie przeszło przez status "delayed". Dzięki temu odpowiedź odnosi się do faktów, a nie jest pustym "przepraszamy za kłopot". Na Wolt i Glovo szczególnie widać, że odpowiedzi publiczne budują lub psują wizerunek lokalu przez długi czas po zajściu.

Uwaga praktyczna: każda platforma ma własne limity znaków i wytyczne dotyczące treści odpowiedzi na recenzje. AI musi znać te ograniczenia, żeby nie generować tekstów, które platforma i tak odrzuci. To jeden z elementów, który testujemy przed uruchomieniem produkcyjnym, a nie po.

Podsumowanie zmiany i zatowarowanie bez ręcznego liczenia

O 23:00, gdy ostatni kurier odbiera zamówienie, kierownik może dostać automatyczny komunikat na Teams albo SMS. Nie raport w Excelu. Konkretna wiadomość: liczba zamówień z podziałem na platformy, które pozycje szły najlepiej, ile nowych ocen czeka na odpowiedź i prognoza na jutro oparta na analogicznym dniu poprzedniego tygodnia.

Zatowarowanie to krok dalej. AI nie zna stanu magazynu, chyba że go podłączymy. Jeśli masz system magazynowy, program gastronomiczny albo choćby arkusz z recepturami i normami porcji, AI może zestawić historię zamówień ze zużyciem składników i wygenerować listę zakupów na następny dzień. Bez połączenia z magazynem zostaje przy analizie sprzedaży. To i tak daje kierownikowi konkretną podstawę do rozmowy z dostawcami, zamiast działania na wyczucie.

Od czego zaczynamy integrację?

Nie robimy wszystkiego naraz. Typowy punkt startowy to jedna platforma i jeden konkretny cel.

• Sprawdzamy dostęp do API na każdej platformie i, jeśli trzeba, składamy wniosek lub angażujemy autoryzowanego partnera technicznego
• Konfigurujemy odbiór zamówień i ujednolicony widok, zazwyczaj jako prosta aplikacja webowa lub integracja z istniejącymi narzędziami zespołu (Teams, Slack)
• Pobieramy dane historyczne z ostatnich 30-60 dni i analizujemy, co z nich wynika dla Twojego menu, godzin pracy kuchni i struktury zwrotów
• Wdrażamy obsługę ocen z moderacją przed publikacją
• Opcjonalnie: automatyczne podsumowanie zmiany i prognoza zatowarowania

Integracja z jedną platformą to zazwyczaj kilka dni roboczych. Każda kolejna jest szybsza, bo schemat danych jest już ujednolicony po stronie AI. Nie musisz startować od wszystkich czterech platform jednocześnie, szczególnie jeśli jedna z nich odpowiada za zdecydowaną większość Twoich zamówień z dostawy.

Jeśli chcesz wiedzieć, od której platformy warto zacząć i jakie dane realnie wyciągniemy w Twoim konkretnym przypadku, zapraszamy na bezpłatny audyt. Możesz też zajrzeć do realnych wdrożeń, żeby zobaczyć, jak to wygląda u innych firm z branży gastronomicznej.