AI-model kan reducere behovet for takeawaybude uden længere ventetid

En ny AI-baseret model kan potentielt hjælpe takeaway-platforme med at få mere ud af deres budkapacitet. I test på mere end 650.000 virkelige leveringer krævede modellen i travle perioder op til seks procent færre bude per ordre end den metode, platformen allerede anvendte.

Samtidig blev mere end 95 procent af ordrerne leveret til tiden, mens forbedringerne ifølge forskerne ikke blev opnået ved at holde kundernes bestillinger tilbage i længere tid.

Modellen er udviklet af forskere, heriblandt Yihua Wang, der er adjunkt ved Institut for Teknologi og Innovation på Syddansk Universitet.

Flere leveringer kan samles på samme tur

En central udfordring for takeaway-platforme er at afgøre, om en færdig ordre straks skal sendes afsted, eller om det bedre kan betale sig at vente kortvarigt på en anden ordre, som kan komme med på samme tur.

Forskerne har testet modellen på data fra den kinesiske takeaway-platform Meituan. Datasættet omfatter mere end 650.000 ordrer fordelt på 22 geografiske serviceområder med både travle byområder, forstæder og områder med lavere efterspørgsel.

Resultaterne viser, at modellen afhængigt af tidspunktet på dagen kunne samle mellem 13 og 24 procent af ordrerne. Med platformens eksisterende metode lå andelen mellem 7 og 17 procent.

Dermed kunne flere ordrer håndteres på samme tur, uden at den tid, ordrerne blev holdt tilbage, steg.

– 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.

AI træffer beslutninger under usikkerhed

Problemet for en takeaway-platform er, at den ikke ved, hvilke bestillinger der kommer få minutter senere. En beslutning om at sende et bud afsted bliver derfor truffet uden sikker viden om, hvorvidt en ny ordre kort efter kunne være blevet leveret på samme rute.

Forskerne kombinerer derfor to metoder.

Med såkaldt invers optimering lærer modellen af platformens tidligere beslutninger og forsøger at identificere, hvordan forskellige driftsmæssige hensyn er blevet vægtet. Derefter anvendes deep reinforcement learning til at finde beslutninger, der over tid giver bedre resultater.

På den baggrund vurderer modellen blandt andet, hvilke ordrer der bør sendes straks, hvilke der kortvarigt kan vente, og hvilke leveringer der med fordel kan kombineres.

Testene peger samtidig på, at den optimale beslutning afhænger af forholdene. I områder eller perioder med relativt få nye ordrer kan en lidt længere ventetid eksempelvis forbedre muligheden for at finde en anden ordre til samme tur. Ved lange leveringsafstande er det derimod mindre attraktivt at vente, fordi sandsynligheden for at finde en passende ekstra ordre er lavere.

Endnu ikke taget i brug i den daglige drift

Potentialet kommer på et tidspunkt, hvor levering fylder en større del af restaurantmarkedet. Ifølge tal fra Euromonitor International, som er gengivet i pressemeddelelsen fra Syddansk Universitet, gik 22 procent af verdens samlede forbrug på restauranter og andre spisesteder i 2025 til levering. I 2019 var andelen ni procent.

Forskerne vurderer, at en mere effektiv disponering blandt andet kan gøre det muligt for buddene at levere flere ordrer på samme tur og reducere den kørte distance per ordre. For platformene kan det ifølge Yihua Wang betyde lavere samlede logistikomkostninger og en bedre udnyttelse af budkapaciteten.

Modellen er dog endnu ikke implementeret i et levende leveringssystem. Resultaterne stammer fra test på eksisterende, virkelige leveringsdata.

– 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, siger Yihua Wang.

Forskerne peger desuden på, at metoden senere kan undersøges i andre dele af logistikbranchen, eksempelvis virksomheder med større netværk af distributionscentre.

Forskningsartiklen er skrevet af Yihua Wang, Long He, Zhengling Qi og Stefan Minner og er publiceret i tidsskriftet Transportation Science.

Vores team kan have anvendt AI til at assistere i skabelsen af dette indhold, som er gennemgået af redaktørerne.