Un marco de descubrimiento e inferencia causal para los retrasos en la entrega de comida a demanda

Por qué a veces llega tarde tu comida para llevar

Cualquiera que haya esperado con hambre una entrega de comida tardía sabe lo frustrantes que son esos minutos extra. Detrás de ese retraso hay un sistema sorprendentemente complejo que involucra restaurantes, repartidores, algoritmos, tráfico e incluso el momento en que haces el pedido. Este estudio revisa el funcionamiento interno de una gran plataforma china de entrega de comida para plantear una pregunta sencilla pero poderosa: ¿qué partes del sistema causan realmente los retrasos y cuáles simplemente están presentes sin ser causales?

Desde que tocas el pedido hasta la puerta

Los investigadores analizaron más de 400.000 pedidos de una gran ciudad del norte de China, atendidos por una de las mayores plataformas del país. Dividieron cada entrega en tres etapas principales: procesamiento (cuando la plataforma asigna un repartidor), recogida (cuando el repartidor se desplaza al restaurante y recoge la comida) y transporte (el trayecto del restaurante al cliente). En promedio, el transporte suponía algo más de la mitad del tiempo total, la recogida alrededor de un tercio y el procesamiento el resto. Aproximadamente uno de cada seis pedidos llegó más tarde de la hora prometida a los clientes, lo que refleja la magnitud del problema para plataformas, repartidores y comensales por igual.

Buscar causas, no solo patrones

La mayoría de estudios anteriores intentaron predecir los tiempos de entrega usando aprendizaje automático avanzado, ordenando qué variables parecen más importantes. Pero esas herramientas revelan sobre todo correlaciones. Por ejemplo, una gran distancia y un pedido tarde tienden a ir juntos sin decirnos si la distancia es la causa raíz o solo está ligada a algún problema subyacente. Este estudio, en cambio, utiliza un marco causal en dos pasos. Primero, un modelo bayesiano de “descubrimiento causal” construye un grafo dirigido que muestra qué factores parecen influir directamente en otros. Luego, una técnica llamada doble aprendizaje automático estima cuánto cambiaría el retraso, en promedio, al modificar cada factor, controlando por todos los demás. Este enfoque busca separar los verdaderos impulsores de los simples acompañantes.

Qué es lo que realmente frena las entregas

El grafo causal revela que varias partes del flujo de trabajo empujan directamente los pedidos hacia la tardanza. Mayores tiempos de procesamiento, recogida y transporte aumentan el riesgo de retraso, al igual que una mayor preparación de la comida en el restaurante y que varios pedidos se agrupen en la misma “ola” del repartidor. El hallazgo más destacado es que el tiempo de recogida —el periodo desde que el repartidor acepta un pedido hasta que sale del restaurante— tiene el mayor impacto causal. Minuto a minuto, alargar la recogida añade más al retraso final que alargar la parte por carretera del viaje. El tiempo de transporte es el segundo impulsor más fuerte, reflejando congestión, elecciones de enrutamiento y distancia. El estudio también encuentra que las horas punta del mediodía causan un aumento de los retrasos, mientras que la franja de la tarde y los fines de semana actúan principalmente de forma indirecta al incrementar la carga de trabajo de los repartidores.

Cómo un pedido tarde hace que el siguiente llegue tarde

Un descubrimiento especialmente importante es la propagación del retraso: un “efecto dominó” por el que llegar tarde en un pedido aumenta la probabilidad de que los siguientes del mismo repartidor también lleguen tarde. El modelo muestra que tanto cuánto se retrasó el pedido anterior como la duración de sus etapas internas afectan directamente el retraso del siguiente pedido en la misma ola. Si un repartidor termina una entrega con retraso, el colchón de tiempo para la siguiente se reduce y pequeñas incidencias pueden convertirla en una entrega tardía. Los análisis complementarios resaltan umbrales críticos. Tiempos de recogida que superan unos 10 minutos y tiempos de transporte por encima de aproximadamente 17 minutos aumentan bruscamente el riesgo de perder la ventana prometida. Para pedidos previos, terminar aproximadamente 10 minutos antes suele ser suficiente, en promedio, para evitar transmitir el retraso al siguiente trabajo.

Convertir los hallazgos en un servicio mejor

Al comparar sus resultados causales con un modelo popular basado en correlaciones, los autores muestran que los métodos tradicionales pueden subestimar la importancia de algunos factores, como los tiempos de preparación en los restaurantes, o incluso interpretar mal el signo de ciertos efectos. A partir de la imagen causal más fiable, sugieren varias estrategias prácticas: alinear mejor la llegada del repartidor con el momento en que la comida estará lista, limitar cuántos pedidos maneja un repartidor en una sola ola cuando el riesgo es alto, añadir “tiempo de holgura” cuando un repartidor esté a punto de terminar un pedido con poco margen, y rediseñar el enrutamiento para que añadir pedidos extra no alargue indebidamente la espera de los primeros clientes. Para los usuarios cotidianos, la conclusión es que las entregas tardías no se deben solo a un repartidor lento o mal tráfico; emergen de cómo todo el sistema programa, agrupa y ordena los pedidos. Afinar esas reglas ocultas podría hacer que tu próxima comida tenga más probabilidades de llegar caliente y a tiempo.

Cita: 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

Palabras clave: retrasos en la entrega de comida, inferencia causal, logística de última milla, plataformas a demanda, operaciones de mensajería