Machine learning applied to food delivery logistics

• Grant number: 18/11676-9
• Support Opportunities: Scholarships in Brazil - Innovative Research in Small Business - PIPE
• Start date: May 01, 2018
• End date: January 31, 2019
• Field of knowledge: Physical Sciences and Mathematics - Computer Science - Computer Systems
• Principal Investigator: Adauton Machado Heringer
• Grantee: Adauton Machado Heringer
• Company: Cozo Tecnologia Ltda
• CNAE: Atividades profissionais, científicas e técnicas não especificadas anteriormente
• Associated research grant: 17/15401-1 - Machine learning applied to food delivery logistics, AP.PIPE

Abstract

Após alcançar R$ 1,25 bilhões em 2015, o mercado brasileiro de entregas em domicílio de restaurantes via aplicativos online deve alcançar R$ 12 bilhões em 2021. Apesar do expressivo crescimento, a maior parte dos restaurantes não alcançará a escala mínima para justificar o alto investimento em veículos e motoboys, acarretando uma seleção natural dos restaurantes mais caros. Em consequência, o preço médio praticado no delivery é o dobro do preço praticado nos estabelecimentos, o que impede via preço a participação das classes C e D nesse mercado. Como solução, a Cozo desenvolve um software de inteligência logística que conecta restaurantes e motoboys independentes ao cliente final, viabilizando o serviço de delivery sem a necessidade de investimento em capital fixo pelo restaurante. Como diferencial, a Cozo utiliza técnicas de machine learning para otimizar o sistema logístico geral, beneficiando o cliente final com velocidade de entrega, o motoboy com redução de custos logísticos e o restaurante com a nova praça de alimentação online. Dentro do contexto de machine learning, este projeto de pesquisa é centrado na aplicação de árvores aditivas de regressão bayesianas na estimativa do tempo de preparo dos pedidos. Tal modelagem possibilitará a inferência completa do tempo de preparo a posteriori, por meio de amostragens de Monte Carlo via cadeias de Markov. Assim, não somente o tempo de preparo médio é estimado, mas intervalos de credibilidade são criados e efeitos marginais analisados. A expectativa é que, além de precisão na estimativa do tempo de preparo do pedido, o algoritmo seja capaz de aprender e refinar a estimativa de acordo com mudanças estruturais do restaurante como volume de pedidos, horário de funcionamento ou mudança no quadro de funcionários. O resultado positivo deste projeto de pesquisa aliado às técnicas de roteirizarão já existentes possibilitará a disrupção no mercado de delivery através da atuação online de uma nova classe de restaurantes. O impacto principal seria a redução do preço médio praticado dos atuais R$ 60 para até R$ 20, promovendo a inclusão das classes C e D no contexto de cidades mais inteligentes. (AU)