Een kader voor oorzakelijke ontdekking en inferentie bij vertragingen van on-demand maaltijdbezorging

Waarom je bestelling soms te laat aankomt

Wie hongerig wacht op een late bezorging weet hoe frustrerend die extra minuten kunnen zijn. Achter die vertraging schuilt een verrassend complex systeem met restaurants, koeriers, algoritmen, verkeer en zelfs het tijdstip waarop je bestelt. Deze studie kijkt onder de motorkap van een groot Chinees bezorgplatform om een simpele maar krachtige vraag te stellen: welke onderdelen van het systeem veroorzaken daadwerkelijk vertragingen, en welke spelen slechts een bijrol?

Van tik op bestellen tot voordeur

De onderzoekers analyseerden meer dan 400.000 bestellingen in een grote stad in Noord-China, bediend door een van de grootste bezorgplatforms van het land. Ze verdeelden elke levering in drie hoofdfasen: verwerking (wanneer het platform een koerier toewijst), ophalen (wanneer de koerier naar het restaurant reist en het eten ophaalt) en transport (de rit van restaurant naar klant). Gemiddeld nam het transport iets meer dan de helft van de totale tijd in beslag, ophalen ongeveer een derde en verwerking de rest. Ongeveer één op de zes bestellingen arriveerde later dan de aan de klant beloofde tijd, wat de schaal van het probleem voor platformen, koeriers en eters illustreert.

Zoeken naar oorzaken, niet alleen patronen

De meeste eerdere studies probeerden levertijden te voorspellen met geavanceerde machine learning en rangschikten welke variabelen belangrijk leken. Maar die instrumenten tonen vooral correlaties. Een lange afstand en een late bestelling gaan bijvoorbeeld vaak samen, zonder ons te vertellen of afstand zelf de oorzaak is of slechts verband houdt met een dieperliggend probleem. Deze studie gebruikt in plaats daarvan een tweefasig oorzakelijk kader. Eerst bouwt een Bayesiaans “causal discovery”-model een gerichte graaf die laat zien welke factoren schijnbaar rechtstreeks andere beïnvloeden. Vervolgens schat een techniek genaamd double machine learning hoeveel het gemiddeld verschuift in vertraging als je elke factor aanpast, terwijl gecontroleerd wordt voor alle andere. Deze aanpak wil ware drijfveren scheiden van louter toeschouwers.

Wat leveringen echt vertraagt

De oorzakelijke graaf onthult dat meerdere onderdelen van de workflow bestellingen direct naar laatheid duwen. Langere verwerkingstijden, ophaaltijden en transporttijden verhogen allemaal het risico op vertraging, net als langere bereidingstijden in het restaurant en het bundelen van veel bestellingen in één koeriersgolf. De opvallende bevinding is dat de ophaaltijd — de periode vanaf het accepteren van een bestelling tot het verlaten van het restaurant — de grootste oorzakelijke impact heeft. Minuut per minuut voegt verlengde ophaaltijd meer toe aan de uiteindelijke vertraging dan het verlengen van het weggedeelte van de rit. Transporttijd is de tweede sterkste factor, wat congestie, routekeuzes en afstand weerspiegelt. De studie vindt ook dat pieken tijdens de lunch oorzakelijk vertragingen verhogen, terwijl avondspits en weekends vooral indirect werken door de werklast van koeriers te vergroten.

Hoe één late bestelling de volgende vertraagt

Een bijzonder belangrijke ontdekking is vertragingdoorgave: een "domino-effect" waarbij het te laat zijn van één bestelling de kans vergroot dat de volgende bestellingen van dezelfde koerier ook te laat komen. Het model toont dat zowel hoe laat de voorgaande bestelling was als hoe lang de interne fasen daarvan duurden, rechtstreeks de vertraging van de volgende bestelling in dezelfde golf beïnvloeden. Als een koerier een levering achterloopt, slinkt de tijdbuffer voor de volgende levering en kunnen kleine haperingen leiden tot te laat aankomen. Verdere analyses wijzen op kritische drempels. Ophaaltijden die ongeveer 10 minuten overschrijden en transporttijden boven zo’n 17 minuten verhogen scherp het risico op het missen van het beloofde venster. Voor voorgaande bestellingen is ongeveer 10 minuten eerder afronden gemiddeld genoeg om te voorkomen dat de vertraging wordt doorgegeven aan de volgende klus.

Inzichten omzetten in betere service

Door hun oorzakelijke resultaten te vergelijken met een populair correlatiegebaseerd model tonen de auteurs aan dat traditionele methoden het belang van sommige factoren kunnen onderschatten, zoals restaurantbereidingstijden, of zelfs het teken van bepaalde effecten verkeerd kunnen interpreteren. Gebaseerd op het betrouwbaardere oorzakelijke beeld stellen ze meerdere praktische strategieën voor: koerierarriveren beter afstemmen op wanneer het eten klaar zal zijn, een limiet stellen aan hoeveel bestellingen een koerier in één golf afhandelt als het risico hoog is, extra "speling" toevoegen wanneer een koerier op schema lijkt te liggen maar te weinig buffer heeft, en routing herontwerpen zodat het toevoegen van extra bestellingen de wachttijd van eerste klanten niet onnodig verlengt. Voor gewone gebruikers is de conclusie dat late leveringen niet alleen te wijten zijn aan een trage koerier of slecht verkeer; ze ontstaan door hoe het hele systeem bestellingen plant, bundelt en op elkaar afstemt. Het bijstellen van die verborgen regels kan ervoor zorgen dat je volgende maaltijd met grotere kans warm en op tijd aankomt.

Bronvermelding: 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

Trefwoorden: vertragingen maaltijdbezorging, oorzakelijke inferentie, last-mile logistiek, on-demand platformen, koerieroperaties