Ein Rahmenwerk zur kausalen Entdeckung und Inferenz für Verzögerungen bei On-Demand-Lieferdiensten

Warum dein Essen manchmal zu spät ankommt

Wer schon hungrig auf eine verspätete Essenslieferung gewartet hat, weiß, wie frustrierend diese zusätzlichen Minuten sein können. Hinter einer solchen Verzögerung steckt ein überraschend komplexes System aus Restaurants, Kurieren, Algorithmen, Verkehr und sogar dem Zeitpunkt deiner Bestellung. Diese Studie blickt unter die Haube einer großen chinesischen Lieferplattform und stellt eine einfache, aber gewichtige Frage: Welche Teile des Systems verursachen Verzögerungen tatsächlich, und welche sind nur Nebenerscheinungen?

Vom Fingertipp bis zur Haustür

Die Forschenden werteten mehr als 400.000 Bestellungen aus einer Großstadt im Norden Chinas aus, abgewickelt von einer der größten Lieferplattformen des Landes. Sie unterteilten jede Lieferung in drei Hauptphasen: Verarbeitung (wenn die Plattform einen Kurier zuweist), Abholung (wenn der Kurier zum Restaurant fährt und das Essen entgegennimmt) und Transport (die Fahrt vom Restaurant zum Kunden). Im Mittel entfiel etwas mehr als die Hälfte der Gesamtzeit auf den Transport, etwa ein Drittel auf die Abholung und der Rest auf die Verarbeitung. Ungefähr jede sechste Bestellung kam später als die dem Kunden zugesicherte Zeit an — ein Maß für das Ausmaß des Problems für Plattformen, Kuriere und Essensbesteller gleichermaßen.

Ursachen suchen, nicht nur Muster

Die meisten früheren Studien versuchten, Lieferzeiten mit fortgeschrittenem maschinellen Lernen vorherzusagen und die wichtigsten Variablen zu gewichten. Solche Werkzeuge zeigen aber meist nur Korrelationen auf. Lange Strecken und späte Bestellungen treten etwa häufig zusammen auf, sagen uns aber nicht, ob die Distanz selbst die Ursache ist oder nur mit einem tieferliegenden Problem zusammenhängt. Diese Studie nutzt stattdessen ein zweistufiges kausales Verfahren. Zuerst baut ein Bayessches "causal discovery"-Modell einen gerichteten Graphen, der zeigt, welche Faktoren offenbar direkt auf andere einwirken. Dann schätzt eine Technik namens Double Machine Learning, wie sehr eine Änderung jedes Faktors die Verzögerung im Mittel verschieben würde, während die anderen Faktoren kontrolliert werden. Dieser Ansatz zielt darauf ab, echte Treiber von bloßen Begleiterscheinungen zu trennen.

Was Lieferungen wirklich verlangsamt

Der kausale Graph zeigt, dass mehrere Teile des Ablaufs Aufträge direkt in Richtung Verspätung treiben. Längere Zeiten bei Verarbeitung, Abholung und Transport erhöhen alle das Verspätungsrisiko, ebenso längere Zubereitungszeiten im Restaurant und wenn viele Bestellungen in einer Kurier-"Welle" gebündelt sind. Der auffälligste Befund ist, dass die Abholzeit — der Zeitraum vom Annehmen einer Bestellung durch den Kurier bis zum Verlassen des Restaurants — den größten kausalen Einfluss hat. Minute für Minute trägt eine längere Abholzeit stärker zur Endverspätung bei als eine längere Fahrstrecke. Die Transportzeit ist der zweitstärkste Treiber und spiegelt Stau, Routing-Entscheidungen und Entfernung wider. Die Studie findet außerdem, dass Mittags-Spitzen kausal zu höheren Verzögerungen führen, während der abendliche Berufsverkehr und Wochenenden hauptsächlich indirekt über eine erhöhte Arbeitsbelastung der Kuriere wirken.

Wie eine verspätete Bestellung die nächste verzögert

Eine besonders wichtige Entdeckung ist die Verzögerungs-Propagation: ein "Dominoeffekt", bei dem eine verspätete Bestellung die folgenden Aufträge desselben Kuriers ebenfalls wahrscheinlicher verspätet. Das Modell zeigt, dass sowohl wie spät die vorherige Bestellung war als auch wie lange deren interne Phasen dauerten, die Verzögerung der nächsten Bestellung in derselben Welle direkt beeinflussen. Wenn ein Kurier eine Lieferung hinter dem Zeitplan abschließt, schrumpft der Zeitpuffer für die nächste Lieferung, und kleine Zwischenfälle können sie in die Verspätung kippen. Nachfolgende Analysen heben kritische Schwellenwerte hervor. Abholzeiten oberhalb von etwa 10 Minuten und Transportzeiten jenseits von ungefähr 17 Minuten erhöhen das Risiko, das zugesagte Zeitfenster zu verpassen, deutlich. Für vorherige Bestellungen reicht es im Mittel, rund 10 Minuten früher fertig zu werden, um zu vermeiden, die Verzögerung auf den nächsten Auftrag zu übertragen.

Erkenntnisse in besseren Service verwandeln

Im Vergleich ihrer kausalen Ergebnisse mit einem verbreiteten korrelationsbasierten Modell zeigen die Autorinnen und Autoren, dass traditionelle Methoden die Bedeutung mancher Faktoren unterschätzen oder sogar das Vorzeichen bestimmter Effekte falsch interpretieren können — etwa die Zubereitungszeit im Restaurant. Aufbauend auf dem verlässlicheren kausalen Bild schlagen sie mehrere praktische Strategien vor: Kurierankunft besser mit dem Fertigstellungszeitpunkt des Essens synchronisieren, die Anzahl der Bestellungen, die ein Kurier in einer Welle übernimmt, bei hohem Risiko begrenzen, "Pufferzeit" einplanen, wenn ein Kurier mit zu geringem Zeitpolster auf den Abschluss zusteuert, und die Routenplanung so gestalten, dass zusätzliche Aufträge die Wartezeiten der ersten Kunden nicht unverhältnismäßig verlängern. Für den Alltagsnutzer lautet die Botschaft: Verspätete Lieferungen sind nicht nur eine Frage eines langsamen Fahrers oder schlechten Verkehrs; sie entstehen aus der Art und Weise, wie das gesamte System Bestellungen plant, bündelt und sequenziert. Durch Anpassung dieser verborgenen Regeln könnte dein nächstes Essen eher heiß und pünktlich ankommen.

Zitation: Lu, M., Liu, R., Jin, Z. et al. A causal discovery and inference framework for on-demand food delivery delays. npj. Sustain. Mobil. Transp. 3, 22 (2026). https://doi.org/10.1038/s44333-026-00097-1

Schlüsselwörter: Verspätungen bei Essenslieferungen, kausale Inferenz, Letzte-Meile-Logistik, On-Demand-Plattformen, Kurierbetrieb