Machine learning applied to food delivery logistics

• Grant number: 20/09288-0
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: August 01, 2020
• End date: May 31, 2022
• Field of knowledge: Physical Sciences and Mathematics - Computer Science - Computer Systems
• Principal Investigator: Adauton Machado Heringer
• Grantee: Eliseu Júnio Araújo
• CNAE: Atividades profissionais, científicas e técnicas não especificadas anteriormente
• Associated research grant: 18/22516-2 - Machine learning applied to food delivery logistics, AP.PIPE

Abstract

Após atingir R$ 4 bilhões em 2017, o mercado brasileiro de entregas em domicílio de restaurantes via aplicativos online deve ultrapassar R$ 12 bilhões até 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 necessidade de investimento em capital fixo pelo restaurante através de um sistema logístico descentralizado. Como diferencial, a Cozo utiliza técnicas de machine learning para otimizar o sistema logístico geral, beneficiando clientes com redução de preço e melhor predição de tempo, motoboys com redução de custos logísticos e os restaurantes com a oportunidade de operar online sem custos fixos. Ademais, a utilização de machine learning visa também auxiliar a construção de um produto escalável com custo baixo de aquisição de novos clientes, central à estratégia de crescimento e sustentabilidade da Cozo. 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 possibilitará a descentralização do mercado online de delivery através da entrada de uma nova classe de restaurantes estruturalmente mais baratos, o que marca o potencial disruptivo do projeto. O impacto principal é a consequente inclusão das classes C e D no mercado que hoje é dominado pelas classes A e B.