Γιατί οι Εφαρμογές Θερμίδων Δεν Ξέρουν τα Ελληνικά Φαγητά

Ο πελάτης σταματάει την καταγραφή την ένατη μέρα. Ρωτάς γιατί, και η απάντηση δεν είναι ποτέ «έχασα το κίνητρό μου». Είναι κάποια εκδοχή του: «δεν έβρισκα τι έφαγα».

Αυτός είναι ο πιο υποτιμημένος λόγος που αποτυγχάνει το διατροφικό coaching στην Ελλάδα, και δεν έχει σχέση με την πειθαρχία του πελάτη. Είναι πρόβλημα δεδομένων που οι περισσότερες εφαρμογές κληρονόμησαν και δεν διόρθωσαν ποτέ.

Η βάση δεδομένων από κάτω είναι αμερικανική

Σχεδόν κάθε μεγάλη βάση τροφίμων ξεκινάει από τα δεδομένα του USDA συν καταχωρήσεις χρηστών από ένα κυρίως αμερικανικό κοινό. Δουλεύει μια χαρά αν ο πελάτης σου τρώει στήθος κοτόπουλο, γιαούρτι από κεσεδάκι και συσκευασμένα σνακ.

Σπάει τη στιγμή που κάποιος τρώει σπιτικό φαγητό — μαγειρεμένο από συνταγή, χωρίς συσκευασία, χωρίς μάρκα, χωρίς barcode.

Ψάξε «μουσακάς» σε μια διεθνή εφαρμογή και θα πάρεις ένα από τα εξής, όλα άχρηστα:

1. Την εκδοχή μιας αλυσίδας εστιατορίων από άλλη χώρα, με μερίδα που δεν έχει καμία σχέση με το ταψί της μητέρας του.
2. Μια καταχώρηση χρήστη που πληκτρολόγησε κάποιος πριν τρία χρόνια, χωρίς πηγή, με μαντεμένα μακροθρεπτικά.
3. Τίποτα, οπότε ο πελάτης διαλέγει ό,τι μοιάζει πιο κοντά και προχωράει.

Η τρίτη περίπτωση είναι αυτή που τερματίζει τη συνεργασία. Όχι αμέσως — την ένατη μέρα, όταν το «μαντεύω» παύει να μοιάζει με καταγραφή.

Τα σύνθετα πιάτα είναι το πραγματικό σημείο θραύσης

Τα μεμονωμένα υλικά είναι εύκολα. Κάθε βάση ξέρει τι είναι 100γρ ρύζι.

Το πρόβλημα είναι τα σύνθετα πιάτα — στρωμένα, ψημένα, γιαχνί ή αναμεμειγμένα, εκεί που τα συστατικά δεν ξεχωρίζουν πια στο πιάτο. Μουσακάς. Παστίτσιο. Γεμιστά. Φασολάδα. Μπριάμ. Λαδερά γενικά, όπου το λάδι μπήκε στο μαγείρεμα και δεν μετριέται μετά.

Για να καταγράψει σωστά ένα από αυτά σε συμβατική εφαρμογή, ο πελάτης θα έπρεπε να:

• Ξέρει τη συνταγή που χρησιμοποιήθηκε
• Ζυγίσει ωμά υλικά που δεν τα είδε ποτέ ωμά
• Υπολογίσει το λάδι που απορρόφησε το φαγητό
• Διαιρέσει με τον αριθμό των μερίδων που έβγαλε το ταψί

Αυτό δεν είναι καταγραφή γεύματος. Είναι εργασία για το σπίτι, και κανείς δεν κάνει εργασίες εννιά μέρες στη σειρά.

Τι σου κοστίζει ως coach

Η ζημιά δεν είναι ότι ένα γεύμα καταγράφηκε ανακριβώς. Η ακρίβεια σε ένα μεμονωμένο γεύμα ελάχιστα μετράει. Η ζημιά είναι παρακάτω:

Τα δεδομένα συμμόρφωσης γίνονται μυθοπλασία. Αν οι πελάτες παραλείπουν τα γεύματα που είναι δύσκολο να καταγραφούν, δηλαδή ακριβώς τα σπιτικά, που είναι και τα πιο πολλά — το dashboard σου δείχνει 1.400 θερμίδες ενώ έφαγαν 2.100. Μετά προσαρμόζεις πλάνο με βάση νούμερα που περιγράφουν την κάλυψη της βάσης δεδομένων, όχι τη διατροφή του πελάτη.

Δεν ξεχωρίζεις το «δεν τρώει» από το «δεν καταγράφει». Θέλουν αντίθετη παρέμβαση. Το ένα θέλει αλλαγή πλάνου, το άλλο θέλει λύση τριβής. Αν τα δεδομένα σου δεν τα διακρίνουν, θα εφαρμόσεις με σιγουριά το λάθος.

Ο πελάτης κατηγορεί τον εαυτό του και φεύγει. Βιώνει την τριβή ως προσωπική αποτυχία αντί για περιορισμό του εργαλείου, και ο κόσμος εγκαταλείπει ό,τι τον κάνει να νιώθει ανίκανος.

Τέσσερα πράγματα που βοηθάνε στ' αλήθεια

1. Εκτίμηση από φωτογραφία αντί για αναζήτηση σε βάση. Αυτή είναι η δομική λύση, όχι παράκαμψη. Αν ο πελάτης φωτογραφίσει το πιάτο και πάρει εκτίμηση, η ερώτηση αλλάζει από «μπορώ να το βρω σε λίστα;» σε «είναι περίπου σωστό;», και η δεύτερη απαντιέται σε δύο δευτερόλεπτα. Η AI σάρωση φαγητού του Theron φτιάχτηκε ακριβώς για τα σύνθετα πιάτα, γιατί αυτά δεν τα εξυπηρετεί καμία αναζήτηση σε βάση.

2. Barcode για ό,τι είναι συσκευασμένο. Η φωτογραφία είναι το σωστό εργαλείο για ένα πιάτο φαγητό και λάθος εργαλείο για μια μπάρα πρωτεΐνης με ετικέτα. Εκεί που υπάρχει ετικέτα, χρησιμοποίησε τον σαρωτή barcode — διαβάζει τα πραγματικά δεδομένα του παρασκευαστή αντί να εκτιμά.

3. Καταχώρησε τη συνταγή μία φορά. Οι πελάτες τρώνε τα ίδια δώδεκα πιάτα εναλλάξ. Κατέγραψε σωστά μία φορά τη συνταγή του σπιτιού, αποθήκευσέ τη, και η τριβή μηδενίζεται.

4. Βαθμολόγησε τη συνέπεια, όχι την ακρίβεια. Πελάτης που καταγράφει κάθε γεύμα με 85% ακρίβεια σού δίνει πολύ καλύτερο σήμα από πελάτη που καταγράφει τέλεια το 40% των γευμάτων. Πες το ρητά — οι περισσότεροι υποθέτουν το αντίθετο και τα παρατάνε όταν δεν πετυχαίνουν ακρίβεια.

Έλεγξε το εργαλείο πριν κατηγορήσεις τον πελάτη

Πριν το επόμενο check-in, κάνε ένα τεστ: φωτογράφισε ένα σπιτικό σύνθετο πιάτο που τρώνε όντως οι πελάτες σου — ένα ταψί γεμιστά, μια φασολάδα, και προσπάθησε να το καταγράψεις στην εφαρμογή που τους έχεις βάλει. Κράτα χρόνο.

Αν πάρει πάνω από τριάντα δευτερόλεπτα, τα δεδομένα συμμόρφωσής σου μετράνε λάθος πράγμα, και κανένα μήνυμα υπευθυνότητας δεν το διορθώνει αυτό.

Συμπέρασμα

Η προσήλωση του πελάτη παρουσιάζεται συνήθως ως πρόβλημα κινήτρου. Συχνά είναι πρόβλημα κάλυψης δεδομένων μεταμφιεσμένο σε πρόβλημα κινήτρου. Η βάση τροφίμων φτιάχτηκε για τα σούπερ μάρκετ άλλης χώρας, το ελληνικό σπιτικό μαγείρεμα περνάει από μέσα της, και ο πελάτης καταλήγει ότι δεν τα καταφέρνει.

Οι coaches που λύνουν την τριβή της καταγραφής βλέπουν τα νούμερα συμμόρφωσης να αλλάζουν χωρίς να αλλάξουν τίποτα στο coaching τους — γιατί τα νούμερα επιτέλους περιγράφουν τη διατροφή αντί για τη βάση δεδομένων.

Αν θες να δεις πώς συνδυάζονται καταγραφή από φωτογραφία και παρακολούθηση συμμόρφωσης μέσα σε ροή coaching, γύρω από αυτό είναι χτισμένο το λογισμικό διατροφικού coaching του Theron. Κλείσε ένα demo μαζί μας και φέρε το πιο δύσκολο πιάτο σου.