Un quadro di scoperta causale e inferenza per i ritardi nelle consegne alimentari on-demand

Perché il tuo cibo da asporto a volte arriva in ritardo

Chiunque abbia aspettato affamato una consegna in ritardo sa quanto siano fastidiosi quei minuti in più. Dietro quel ritardo c’è un sistema sorprendentemente complesso che coinvolge ristoranti, corrieri, algoritmi, traffico e persino il momento in cui effettui l’ordine. Questo studio esplora il funzionamento interno di una grande piattaforma cinese di consegna alimentare per porre una domanda semplice ma potente: quali parti del sistema causano davvero i ritardi e quali invece sono solo spettatrici?

Dalla pressione dell’ordine alla porta di casa

I ricercatori hanno analizzato più di 400.000 ordini provenienti da una grande città del nord della Cina, servita da una delle maggiori piattaforme del Paese. Hanno suddiviso ogni consegna in tre fasi principali: processamento (quando la piattaforma assegna un corriere), ritiro (quando il corriere si reca al ristorante e prende il cibo) e trasporto (il tragitto dal ristorante al cliente). In media, il trasporto ha occupato poco più della metà del tempo totale, il ritiro circa un terzo e il processamento il resto. Circa un ordine su sei è arrivato oltre l’orario promesso ai clienti, a testimonianza della portata del problema per piattaforme, corrieri e clienti.

Cercare cause, non solo modelli

La maggior parte degli studi precedenti ha cercato di prevedere i tempi di consegna usando sofisticati metodi di machine learning, classificando quali variabili sembrano più importanti. Ma quegli strumenti rivelano principalmente correlazioni. Una lunga distanza e un ordine tardivo tendono ad andare insieme, per esempio, senza dirci se sia la distanza la causa principale o solo collegata a un problema più profondo. Questo studio utilizza invece un quadro causale in due fasi. Prima, un modello bayesiano di “scoperta causale” costruisce un grafo orientato che mostra quali fattori sembrano influenzare direttamente altri. Poi, una tecnica chiamata double machine learning stima quanto la modifica di ciascun fattore sposterebbe il ritardo, in media, controllando per tutti gli altri. Questo approccio mira a separare i veri fattori scatenanti dai meri accompagnatori.

Cosa rallenta davvero le consegne

Il grafo causale rivela che diverse parti del flusso di lavoro spingono direttamente gli ordini verso il ritardo. Tempi di processamento, ritiro e trasporto più lunghi aumentano tutti il rischio di ritardo, così come tempi di preparazione del pasto più estesi al ristorante e l’accorpamento di molti ordini nella stessa “onda” di consegne di un corriere. Il risultato più rilevante è che il tempo di ritiro — il periodo che va dall’accettazione dell’ordine da parte del corriere alla sua uscita dal ristorante — ha il maggior impatto causale. Minuto su minuto, allungare il ritiro aggiunge più ritardo finale rispetto all’allungamento della parte su strada del viaggio. Il tempo di trasporto è il secondo fattore più influente, riflettendo congestione, scelte di instradamento e distanza. Lo studio rileva inoltre che i picchi di pranzo aumentano causalmente i ritardi, mentre la sera e nei fine settimana agiscono principalmente in modo indiretto aumentando il carico di lavoro dei corrieri.

Come un ordine in ritardo rende in ritardo il successivo

Una scoperta particolarmente importante è la propagazione del ritardo: un effetto domino per cui il ritardo di un ordine rende più probabile che gli ordini successivi dello stesso corriere arrivino in ritardo. Il modello mostra che sia quanto è stato in ritardo l’ordine precedente sia la durata delle sue fasi interne influenzano direttamente il ritardo dell’ordine successivo nella stessa onda. Se un corriere termina una consegna in ritardo, il margine di tempo per la consegna successiva si riduce e piccoli intoppi possono farla diventare in ritardo. Analisi successive evidenziano soglie critiche. Tempi di ritiro che superano circa 10 minuti e tempi di trasporto oltre circa 17 minuti aumentano bruscamente il rischio di mancare la finestra promessa. Per gli ordini precedenti, finire circa 10 minuti in anticipo è sufficiente, in media, per non trasferire il ritardo al lavoro successivo.

Trasformare le intuizioni in un servizio migliore

Confrontando i loro risultati causali con un modello popolare basato sulle correlazioni, gli autori mostrano che i metodi tradizionali possono sottostimare l’importanza di alcuni fattori, come i tempi di preparazione del ristorante, o addirittura interpretare male il verso di certi effetti. Partendo da un quadro causale più affidabile, suggeriscono diverse strategie pratiche: sincronizzare meglio l’arrivo del corriere con il momento in cui il cibo sarà pronto, limitare il numero di ordini che un corriere gestisce in una singola onda quando il rischio è elevato, aggiungere “tempo cuscinetto” quando un corriere rischia di terminare un ordine con troppo poco margine e riprogettare l’instradamento in modo che aggiungere ordini extra non prolunghi indebitamente l’attesa dei primi clienti. Per gli utenti quotidiani, la conclusione è che le consegne in ritardo non dipendono solo da un corriere lento o dal traffico; emergono da come l’intero sistema programma, aggrega e sequenzia gli ordini. Regolare quelle regole nascoste potrebbe aumentare la probabilità che il tuo prossimo pasto arrivi caldo e puntuale.

Citazione: 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

Parole chiave: ritardi nelle consegne alimentari, inferenza causale, logistica last-mile, piattaforme on-demand, operazioni dei corrieri