Rama odkrywania przyczyn i wnioskowania dla opóźnień w dostawach jedzenia na żądanie

Dlaczego twoje zamówienie czasem przychodzi spóźnione

Każdy, kto głodny czekał na spóźnioną dostawę jedzenia, zna frustrację z powodu tych dodatkowych minut. Za takim opóźnieniem stoi zaskakująco złożony system obejmujący restauracje, kurierów, algorytmy, ruch drogowy, a nawet porę złożenia zamówienia. W tym badaniu przyglądamy się od środka dużej chińskiej platformie dostawczej, by zadać proste, lecz istotne pytanie: które elementy systemu faktycznie powodują opóźnienia, a które są jedynie towarzyszącymi zjawiskami?

Od stuknięcia w aplikację do drzwi

Naukowcy przeanalizowali ponad 400 000 zamówień z dużego miasta na północy Chin, obsługiwanych przez jedną z największych krajowych platform dostawczych. Podzielili każdą dostawę na trzy główne etapy: przetwarzanie (kiedy platforma przypisuje kuriera), odbiór (gdy kurier jedzie do restauracji i pobiera jedzenie) oraz transport (podróż od restauracji do klienta). Średnio transport zajmował nieco ponad połowę całkowitego czasu, odbiór około jednej trzeciej, a przetwarzanie resztę. Około jedna na sześć przesyłek dotarła później niż obiecano klientom, co pokazuje skalę problemu dla platform, kurierów i klientów.

Szukając przyczyn, nie tylko wzorców

Wcześniejsze badania w większości starały się przewidywać czasy dostaw za pomocą zaawansowanego uczenia maszynowego, wskazując, które zmienne wydają się najważniejsze. Narzędzia te ujawniają jednak głównie korelacje. Długa odległość i późne zamówienie często występują razem, na przykład, nie mówiąc nam, czy to odległość sama w sobie jest podstawową przyczyną, czy jedynie powiązana z jakimś głębszym problemem. To badanie zastosowało zamiast tego dwustopniową ramę przyczynową. Najpierw bayesowski model „odkrywania przyczyn” buduje skierowany graf pokazujący, które czynniki wydają się bezpośrednio wpływać na inne. Potem technika zwana podwójnym uczeniem maszynowym szacuje, o ile zmiana każdego czynnika średnio przesunęłaby opóźnienie, kontrolując jednocześnie pozostałe. Podejście to ma na celu oddzielenie prawdziwych sprawców od jedynie towarzyszących zmiennych.

Co rzeczywiście spowalnia dostawy

Graf przyczynowy ukazuje, że kilka elementów przepływu pracy bezpośrednio zwiększa prawdopodobieństwo opóźnienia. Dłuższe czasy przetwarzania, odbioru i transportu wszystkie podnoszą ryzyko opóźnienia, podobnie jak wydłużony czas przygotowania posiłku w restauracji oraz wiele zamówień zebranych razem w tzw. „fali” kuriera. Najbardziej wyróżniającym się odkryciem jest to, że czas odbioru — okres od zaakceptowania zamówienia przez kuriera do momentu opuszczenia restauracji — ma największy wpływ przyczynowy. Minuta wydłużonego odbioru dodaje więcej do ostatecznego opóźnienia niż minuta wydłużonego odcinka drogowego. Czas transportu jest drugim najsilniejszym czynnikiem, co odzwierciedla zatłoczenie, wybory tras i odległość. Badanie wykazuje również, że szczyt w porze lunchu przyczynowo zwiększa opóźnienia, podczas gdy popołudniowy szczyt i weekendy działają głównie pośrednio, zwiększając obciążenie kurierów.

Jak jedno spóźnienie powoduje kolejne

Szczególnie ważnym odkryciem jest propagacja opóźnień: „efekt domina”, w którym spóźnienie jednego zamówienia zwiększa prawdopodobieństwo opóźnień kolejnych zamówień tego samego kuriera. Model pokazuje, że zarówno to, o ile poprzednie zamówienie było spóźnione, jak i to, ile trwały jego wewnętrzne etapy, bezpośrednio wpływają na opóźnienie następnego zamówienia w tej samej fali. Jeśli kurier kończy jedną dostawę z opóźnieniem, bufor czasowy dla następnej dostawy maleje i drobne zakłócenia mogą przesunąć ją w stronę spóźnienia. Analizy uzupełniające wskazują krytyczne progi. Czasy odbioru przekraczające około 10 minut i czasy transportu przekraczające mniej więcej 17 minut wyraźnie zwiększają ryzyko niezdążenia w obiecanym oknie. Dla poprzednich zamówień średnio wystarczy zakończyć je mniej więcej 10 minut wcześniej, aby nie przekazać opóźnienia dalej.

Przekucie wniosków w lepszą obsługę

Porównując wyniki przyczynowe z popularnym modelem opartym na korelacjach, autorzy pokazują, że tradycyjne metody mogą nie doceniać znaczenia niektórych czynników, takich jak czas przygotowania w restauracji, a nawet błędnie interpretować kierunek niektórych efektów. Opierając się na bardziej wiarygodnym obrazie przyczynowym, sugerują kilka praktycznych strategii: lepsze zsynchronizowanie przybycia kuriera z momentem, gdy jedzenie będzie gotowe; ograniczanie liczby zamówień, które kurier obsługuje w jednej fali, gdy ryzyko jest wysokie; dodawanie „marginesu czasu”, gdy kurier ma zbyt mały bufor przed zakończeniem dostawy; oraz przeprojektowanie tras tak, by dodanie kolejnych zamówień nie nadmiernie wydłużało oczekiwanie pierwszych klientów. Dla zwykłych użytkowników wniosek jest taki, że spóźnione dostawy to nie tylko powolny kurier czy zły ruch drogowy; wynikają z reguł, według których cały system planuje, grupuje i porządkuje zamówienia. Dopracowanie tych ukrytych zasad może sprawić, że następny posiłek przyjdzie gorący i na czas.

Cytowanie: 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

Słowa kluczowe: opóźnienia dostaw jedzenia, wnioskowanie przyczynowe, logistyka ostatniej mili, platformy na żądanie, operacje kurierów