Ahorro de tiempo
Menos búsqueda manual y menos prueba a ciegas.
MVP validable para mercado real
Decidir dónde comer un plato concreto no debería costarte 20 minutos cada día.
MealFinder resuelve esa decisión diaria con búsqueda por plato, ranking híbrido IA + comunidad y aprendizaje continuo por ciudad.
Quiero acceso temprano y novedadesDecisión concreta
Te dice dónde comer mejor lo que realmente quieres.
Ventaja acumulativa
Cada voto mejora el ranking y acelera decisiones futuras.
1. Problema
Las apps generalistas informan mucho, pero ayudan poco cuando quieres comer un plato concreto.
Ruido de información
Reseñas globales del local no responden bien a la intención específica del usuario.
Tiempo perdido
Se comparan decenas de opciones manualmente antes de decidir.
Decisión de baja calidad
Más riesgo de error, más frustración y menos recurrencia en la experiencia.
2. Solución
MealFinder convierte una búsqueda ambigua en una recomendación accionable.
Intención por plato
El usuario busca ramen, pulpo, croquetas o cualquier comida concreta.
Ranking híbrido
Se combinan IA, comunidad MealFinder y señales del local para ordenar mejor.
Aprendizaje continuo
Con más votos, la comunidad gana peso y reduce dependencia del cold start.
3. MVP actual
Capacidades que ya están implementadas y validables.
Producto usuario
- Búsqueda por plato (no solo por restaurante).
- Ordenación por mejor opción, calidad, cercanía, precio y tamaño de ración.
- Reseñas por plato con nota, comentario, foto, precio y ración.
- Listas guardadas, historial/visitas y capa de recurrencia.
Inteligencia y comunidad
- Gemini resuelve cold start cuando aún no hay suficiente comunidad.
- Con votos suficientes, la comunidad MealFinder pasa a dominar el ranking.
- Sincronización en backend de señales de comunidad.
- Acumulación histórica en Neon para enriquecer cobertura.
4. Arquitectura y horizonte
Viabilidad técnica hoy y hoja de ruta clara para escalar.
Limitación Places
La API devuelve muestras de reseñas por local, no el total visible en Maps.
Mitigación Neon
Merge histórico por placeId para aumentar evidencia con el tiempo.
Expansión Apify
Importación de datasets para acelerar cobertura inicial por ciudad.
Futuro AWS
Más control, escalabilidad y optimización de costes a volumen.
5. Costes y escalabilidad
Estructura de costes por fases sin inventar cifras no confirmadas.
Costes variables
- Google Places (según consultas y cobertura).
- IA / Gemini (según uso de ranking y volumen).
- Apify (según ritmo de expansión de ciudades).
Costes base
- Infraestructura actual: Render + Neon.
- Operación y mantenimiento backend.
- Posible evolución por tramos hacia AWS.
Fase piloto
Validar problema y retención
Carga contenida, uso selectivo de IA y foco en señales de calidad por plato.
Expansión ciudades
Escalar cobertura útil
Más consultas, más dataset inicial con Apify y ajuste gradual de infraestructura.
Fase escalado
Optimización por volumen
Mejor control de costes, pipeline más robusto y base para migración parcial a AWS.
Las cifras exactas dependen del pricing vigente de proveedores y del tráfico real observado.
6. Monetización y valor
Hay múltiples formas de monetizar sin perder foco en la utilidad del usuario.
Freemium + capas premium
Modelo base gratuito con funciones avanzadas para usuarios intensivos.
Filtros de alto valor
Opciones premium para celíacos, veganos, restricciones alimentarias y preferencias avanzadas.
Localidad y viajes
Cambio de localidad y planificación gastronómica para viajes, escapadas y uso recurrente fuera de casa.
Lista privada MealFinder
Si te interesa seguir este MVP o participar en su crecimiento, déjanos tus datos.
Canal oficial para acceso temprano, colaboración startup y conversaciones de financiación.