AI kan gøre takeaway-leveringer mere effektive

Wolt, Just Eat og Uber Eats. Vi bestiller takeaway som aldrig før.

I 2025 gik 22 procent af verdens samlede forbrug på restauranter og andre spisesteder til levering – mod blot ni procent i 2019, viser tal fra analysevirksomheden Euromonitor International.

Det stigende antal ordrer stiller leveringsplatformene over for et dilemma: Skal buddet køre afsted, så snart pizzaen er klar? Eller skal ordren vente nogle minutter, så den kan blive leveret sammen med en anden ordre?

Når flere ordrer samles, kan buddene køre færre kilometer og levere mere effektivt. Men hvis platformen venter for længe, risikerer kunden både forsinkelse og en kold pizza.

Nu har forskere udviklet en AI-baseret model, der kan hjælpe platformene med at finde den rette balance. Modellen samler flere ordrer på samme tur uden at øge den tid, de holdes tilbage, og fastholder samtidig en rettidig levering på mere end 95 procent.

Modellen er testet på mere end 650.000 ordrer fra Meituan, en af Kinas største platforme for takeawaylevering. Dataene dækker 22 geografiske serviceområder – fra travle bykvarterer til forstæder og områder med lavere efterspørgsel.

Studiet er den første artikel med en SDU-affiliation, der er publiceret i Transportation Science, flagskibstidsskriftet for Transportation Science and Logistics Society under INFORMS.

Flere ordrer på samme tur
I travle perioder krævede forskernes model op til seks procent færre bude per ordre end platformens eksisterende metode. Samtidig blev mere end 95 procent af ordrerne leveret til tiden.

Modellen var også bedre til at identificere ordrer, der kunne leveres sammen. Afhængigt af tidspunktet på dagen samlede den mellem 13 og 24 procent af ordrerne, sammenlignet med mellem 7 og 17 procent med platformens eksisterende praksis.

Det er væsentligt, at forbedringerne blev opnået uden at holde ordrerne tilbage i længere tid.

– Det afgørende er, at modellen ikke kun forsøger at gøre leveringerne så hurtige eller billige som muligt. Den afvejer flere konkurrerende hensyn og finder en balance mellem effektive ruter, rettidige leveringer og den tilgængelige budkapacitet, siger Yihua Wang, adjunkt ved Institut for Teknologi og Innovation på Syddansk Universitet.

AI lærer af virkelige beslutninger
Når en ordre tikker ind, ved leveringsplatformen ikke, hvilke nye ordrer der kommer få minutter senere. Derfor skal den træffe sine beslutninger under betydelig usikkerhed.

Forskerne kombinerer to metoder for at håndtere udfordringen. Først bruger modellen såkaldt invers optimering til at lære af platformens tidligere beslutninger og afdække, hvordan forskellige driftsmæssige hensyn vægtes. Derefter anvender den deep reinforcement learning til at finde de beslutninger, der giver de bedste resultater over tid.

Modellen vurderer, hvilke ordrer der skal sendes afsted med det samme, hvilke der kortvarigt kan holdes tilbage, og hvordan de udsendte ordrer bedst kan samles.

Resultaterne viser, at det i områder og perioder med relativt få nye ordrer kan øge muligheden for at kombinere leveringer, hvis en ordre holdes tilbage lidt længere. Ordrer over lange afstande er derimod mindre egnede til at vente, fordi sandsynligheden for at finde en passende ordre at kombinere dem med er mindre.

Klar til afprøvning i et levende system
Ifølge Yihua Wang vil kunderne især få gavn af mere pålidelige og rettidige leveringer. Buddene vil kunne levere flere ordrer på samme tur og køre en kortere distance per ordre, mens platformene kan reducere deres samlede logistikomkostninger og udnytte den tilgængelige budkapacitet bedre.

Teknologien, der skal til for at anvende modellen, findes allerede, men metoden er endnu ikke taget i brug som en del af en platforms levende leveringssystem.

– Næste skridt vil være et tæt samarbejde med en leveringsplatform, så modellen kan integreres i dens system og testes under virkelige driftsforhold. Løsningen er imidlertid udviklet specifikt til den type hyppige beslutninger, som platformene træffer hver dag. Indtil videre er metoden testet på takeawaylevering, men den vil også kunne undersøges i samarbejde med logistikvirksomheder, der driver store netværk af distributionscentre – blandt andet i den dansk-tyske grænseregion. Det kan danne et stærkt grundlag for fremtidigt industrisamarbejde og bredere praktisk anvendelse, siger Yihua Wang.

Hun har bidraget til at udvikle modellens matematiske og beregningsmæssige grundlag, implementere og teste metoderne på virkelige data samt analysere resultaternes driftsmæssige betydning.

Forskningsartiklen er skrevet af Yihua Wang, Long He, Zhengling Qi og Stefan Minner.

Læs den videnskabelige artikel: https://pubsonline.informs.org/doi/10.1287/trsc.2025.0149