Un cadre de découverte causale et d’inférence pour les retards dans la livraison de repas à la demande

Pourquoi votre commande arrive parfois en retard

Quiconque a attendu affamé une livraison en retard connaît la frustration de ces minutes supplémentaires. Derrière ce retard se cache un système étonnamment complexe impliquant restaurants, livreurs, algorithmes, circulation et même l’horaire de votre commande. Cette étude explore les rouages d’une grande plateforme chinoise de livraison pour poser une question simple mais puissante : quelles parties du système causent réellement les retards, et lesquelles ne font que les accompagner ?

Du clic à la porte

Les chercheurs ont analysé plus de 400 000 commandes d’une grande ville du nord de la Chine, prises en charge par l’une des principales plateformes du pays. Ils ont découpé chaque livraison en trois étapes principales : traitement (lorsque la plateforme assigne un livreur), prise en charge (lorsque le livreur se rend au restaurant et collecte la commande) et transport (le trajet du restaurant au client). En moyenne, le transport représentait un peu plus de la moitié du temps total, la prise en charge environ un tiers et le traitement le reste. Environ une commande sur six arrivait après l’heure promise au client, ce qui illustre l’ampleur du problème pour les plateformes, les livreurs et les consommateurs.

Rechercher des causes, pas seulement des corrélations

La plupart des études antérieures ont cherché à prédire les temps de livraison avec des méthodes d’apprentissage automatique avancées, en classant les variables apparemment les plus importantes. Mais ces outils révèlent principalement des corrélations. Une longue distance et une commande tardive vont souvent de pair, par exemple, sans dire si la distance est la cause première ou simplement liée à un problème sous-jacent. Cette étude utilise plutôt un cadre causal en deux étapes. D’abord, un modèle bayésien de « découverte causale » construit un graphe orienté montrant quels facteurs semblent influencer directement d’autres facteurs. Ensuite, une technique appelée double machine learning estime de combien la modification de chaque facteur ferait varier le retard, en moyenne, tout en contrôlant pour les autres variables. Cette approche vise à séparer les véritables moteurs des simples témoins.

Ce qui ralentit vraiment les livraisons

Le graphe causal révèle que plusieurs éléments du flux de travail poussent directement les commandes vers la tardivité. Des durées plus longues de traitement, de prise en charge et de transport augmentent toutes le risque de retard, tout comme une préparation de repas plus longue au restaurant et le fait d’avoir de nombreuses commandes groupées dans une même « vague » de livraisons d’un livreur. La conclusion la plus marquante est que le temps de prise en charge — la période entre l’acceptation de la commande par le livreur et son départ du restaurant — a le plus grand impact causal. Minute pour minute, allonger la prise en charge ajoute plus au retard final que d’allonger la portion routière du trajet. Le temps de transport est le deuxième facteur le plus fort, reflétant la congestion, les choix d’itinéraire et la distance. L’étude trouve aussi que le pic du déjeuner augmente causalement les retards, tandis que l’heure de pointe du soir et les week-ends agissent principalement de façon indirecte en augmentant la charge de travail des livreurs.

Comment une commande en retard rend la suivante en retard

Une découverte particulièrement importante est la propagation des retards : un « effet domino » où le retard d’une commande rend les commandes suivantes du même livreur plus susceptibles d’être en retard. Le modèle montre que tant le retard de la commande précédente que la durée de ses étapes internes affectent directement le retard de la commande suivante dans la même vague. Si un livreur termine une livraison en retard, la marge de temps pour la suivante se réduit, et de petits aléas peuvent la faire basculer en retard. Des analyses complémentaires mettent en évidence des seuils critiques. Des temps de prise en charge dépassant environ 10 minutes et des temps de transport supérieurs à environ 17 minutes augmentent fortement le risque de manquer la fenêtre promise. Pour les commandes précédentes, finir environ 10 minutes en avance suffit, en moyenne, à éviter de transmettre le retard au travail suivant.

Transformer les enseignements en un meilleur service

En comparant leurs résultats causaux avec un modèle populaire fondé sur les corrélations, les auteurs montrent que les méthodes traditionnelles peuvent sous-estimer l’importance de certains facteurs, comme les temps de préparation des restaurants, ou même interpréter à tort le sens de certains effets. S’appuyant sur une image causale plus fiable, ils suggèrent plusieurs stratégies pratiques : mieux synchroniser l’arrivée des livreurs avec le moment où la nourriture sera prête, limiter le nombre de commandes qu’un livreur gère dans une même vague lorsque le risque est élevé, ajouter du « temps tampon » lorsqu’un livreur est en voie de terminer une commande avec trop peu de marge, et repenser le routage pour que l’ajout de commandes supplémentaires n’allonge pas indûment l’attente des premiers clients. Pour les utilisateurs quotidiens, la leçon est que les livraisons en retard ne sont pas seulement l’affaire d’un livreur lent ou d’un mauvais trafic ; elles émergent de la façon dont tout le système programme, groupe et enchaîne les commandes. Ajuster ces règles cachées pourrait augmenter les chances que votre prochain repas arrive chaud et à l’heure.

Citation: 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

Mots-clés: retards de livraison de repas, inférence causale, logistique du dernier kilomètre, plateformes à la demande, opérations des livreurs