Um quadro de descoberta causal e inferência para atrasos em entrega de comida sob demanda

Por que seu pedido às vezes chega atrasado

Qualquer pessoa que já esperou faminta por uma entrega de comida atrasada sabe quão frustrantes aqueles minutos extras podem ser. Por trás desse atraso há um sistema surpreendentemente complexo envolvendo restaurantes, entregadores, algoritmos, trânsito e até o horário do seu pedido. Este estudo examina os bastidores de uma grande plataforma chinesa de entrega de alimentos para responder a uma pergunta simples, porém poderosa: quais partes do sistema realmente causam atrasos, e quais estão apenas presentes sem produzir o efeito?

Do toque do pedido à porta

Os pesquisadores analisaram mais de 400.000 pedidos de uma grande cidade no norte da China, atendida por uma das maiores plataformas de entrega do país. Eles dividiram cada entrega em três estágios principais: processamento (quando a plataforma atribui um entregador), retirada (quando o entregador vai ao restaurante e recolhe a comida) e transporte (a viagem do restaurante até o cliente). Em média, o transporte levou pouco mais da metade do tempo total, a retirada cerca de um terço e o processamento o restante. Aproximadamente um em cada seis pedidos chegou depois do horário prometido aos clientes, refletindo a dimensão do problema para plataformas, entregadores e consumidores.

Procurando causas, não apenas padrões

A maioria dos estudos anteriores tentou prever tempos de entrega usando aprendizado de máquina avançado, classificando quais variáveis parecem mais importantes. Mas essas ferramentas revelam principalmente correlações. Uma longa distância e um pedido feito tarde tendem a ocorrer juntos, por exemplo, sem nos dizer se a distância em si é a causa raiz ou apenas está ligada a alguma questão mais profunda. Este estudo, em vez disso, usa uma estrutura causal em duas etapas. Primeiro, um modelo bayesiano de “descoberta causal” constrói um grafo direcionado mostrando quais fatores parecem influenciar diretamente outros. Em seguida, uma técnica chamada double machine learning estima quanto mudar cada fator deslocaria o atraso, em média, controlando por todos os demais. Essa abordagem busca separar os verdadeiros motores dos meros espectadores.

O que realmente atrasa as entregas

O grafo causal revela que várias partes do fluxo de trabalho empurram diretamente os pedidos para atrasarem. Tempos mais longos de processamento, retirada e transporte aumentam o risco de atraso, assim como um maior tempo de preparo do prato no restaurante e ter muitos pedidos agrupados na mesma “onda” de entregas de um entregador. A descoberta de destaque é que o tempo de retirada — o período desde que o entregador aceita um pedido até deixar o restaurante — tem o maior impacto causal. Minuto a minuto, alongar a retirada adiciona mais ao atraso final do que alongar a parte de estrada da viagem. O tempo de transporte é o segundo motor mais forte, refletindo congestionamento, escolhas de roteamento e distância. O estudo também encontra que o pico do almoço eleva causalmente os atrasos, enquanto o horário nobre da noite e fins de semana atuam principalmente de forma indireta ao aumentar a carga de trabalho dos entregadores.

Como um pedido atrasado torna o próximo atrasado

Uma descoberta particularmente importante é a propagação de atrasos: um “efeito dominó” em que um atraso em um pedido torna os seguintes do mesmo entregador mais propensos a se atrasarem também. O modelo mostra que tanto o quão atrasado o pedido anterior foi quanto quanto tempo suas etapas internas levaram afetam diretamente o atraso do próximo pedido na mesma onda. Se um entregador termina uma entrega fora do horário, o intervalo de segurança para a entrega seguinte encolhe, e pequenos contratempos podem levá-la ao atraso. Análises complementares destacam limiares críticos. Tempos de retirada que excedem cerca de 10 minutos e tempos de transporte acima de aproximadamente 17 minutos aumentam fortemente o risco de perder a janela prometida. Para pedidos anteriores, terminar cerca de 10 minutos adiantado é suficiente, em média, para evitar transmitir o atraso ao próximo trabalho.

Transformando insights em melhor serviço

Comparando seus resultados causais com um modelo popular baseado em correlação, os autores mostram que métodos tradicionais podem subestimar a importância de alguns fatores, como os tempos de preparo do restaurante, ou mesmo interpretar o sinal de certos efeitos de forma equivocada. Com base na imagem causal mais confiável, eles sugerem várias estratégias práticas: alinhar melhor a chegada do entregador ao momento em que a comida ficará pronta, limitar quantos pedidos um entregador atende em uma única onda quando o risco é alto, adicionar “tempo de folga” quando um entregador estiver prestes a terminar uma entrega com pouca margem, e redesenhar roteiros para que adicionar pedidos extras não aumente indevidamente a espera dos primeiros clientes. Para usuários comuns, a lição é que entregas atrasadas não se resumem a um entregador lento ou trânsito ruim; elas emergem de como todo o sistema agenda, agrupa e sequencia pedidos. Ajustar essas regras ocultas pode aumentar a chance de sua próxima refeição chegar quente e no horário.

Citação: 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

Palavras-chave: atrasos em entrega de comida, inferência causal, logística de última milha, plataformas sob demanda, operações de entregadores