物流

デリバリー配達順序を最適化する7つの計画変数と最適化AI

デリバリーの配達順序は、複数店舗からのピックアップと複数顧客への配達を、料理の温度劣化、配達時間枠、ライダー稼働、需要の急変まで含めて秒〜分単位で組み直す問題です。1注文の配達順を単独で決めることはできない。注文需要、ピックアップ時間枠、配達時間枠、ライダーの現在地、料理温度、多注文バンドリング、動的な割込みまで含めて全体で最適化しなければ、遅配と空配のどちらも解消しない。本記事では、デリバリー配達順序の計画で同時に考えるべき7つの変数を整理し、最適化AIで配達順序とバンドリングを動的に再設計する仕組みを解説する。

この記事でわかること

  • 飲食デリバリー市場で「配達順序」が経営課題に化けた理由
  • 従来型のルール配車や人手の運用では扱いきれない3つの構造的な原因
  • デリバリー配達順序で同時に考えるべき7つの計画変数
  • 最適化AIが配達順序とバンドリングを秒〜分単位で動かす仕組み

なぜ「デリバリーの配達順序」が飲食・物流で重要なのか

遅配とキャンセルが顧客LTVを直撃する

フードデリバリーのSLAは、注文から配達完了までおおむね30〜45分。プラットフォーム側は10分単位の遅延でクーポン補填や料金返金を発動し、店舗側の評価点数も下がる。低評価が積めば検索結果での露出順位が落ち、新規流入が減る。一度離れた顧客の再来店率は急速に下がり、配達品質1点の差が年間売上で大きく開く。

特にピーク時間(11時〜13時、18時〜21時)に集中する注文は、店舗オペレーションと配達リソースの両方を同時に圧迫する。ピーク10%の遅配が顧客満足を構造的に削り、ピーク以外の時間帯で挽回しようとしても、需要そのものが薄いため取り戻せない。配達品質はピーク時間の配達順序で決まると言っても過言ではない。

配達順序は単なるオペレーション業務ではなく、顧客LTVを直接動かす経営指標になった。

2024年問題と人手不足が便数の天井を下げる

2024年4月から物流・運送業へ適用された時間外労働の上限規制は、軽貨物運送業を含むラストワンマイル全般に効いている。配達ライダーの拘束時間に上限がかかり、ピーク時間帯にライダー数を増やすにも採用コストと教育コストが跳ね上がった。配達員不足は構造化しており、便数の天井は固定されつつある。

リソースの絶対量が増やせない以上、限られたライダーで遅配と空配を同時に減らす計画設計が中心の打ち手になる。1人あたりの配達効率を10%上げられるかどうかが、店舗の営業利益と顧客満足を同時に動かす。配達順序の最適化は、人を増やせない時代の数少ない収益改善手段になりつつある。

ライダー数が固定された前提では、限られた便数のなかで配達品質を最大化する計画が必要になる。

フードロスと温度品質が再注文率を左右する

料理は出来上がってから時間が経つほど品質が落ちる。揚げ物のサクサク感、麺類の伸び、冷たいデザートの溶け、温かい料理の冷め。商品ごとに「美味しさを保てる時間」が違い、ピックアップから配達完了までのリードタイムを商品別に管理しないと、品質クレームが連鎖する。

総合評価点数が0.1下がるだけで、プラットフォーム上の表示順位やマーケティング露出に響く。再注文率の差は1〜2か月では見えにくいが、半年〜1年で売上に明確な差となって現れる。料理温度を「品質スコア」として数値で管理し、配達順序の判断材料に組み込まなければ、遅配だけを追っても再注文は伸びない。

温度と時間という2つの時計を同時に守ることが、リピート率と店舗評価の前提になる。

デリバリー配達順序が難しい3つの根本原因

ピックアップと配達の二重ノード制約があるから

通常の配送ルート最適化は「営業所から複数顧客へ届ける」という片道型の問題です。これに対しデリバリーは、「複数店舗で料理を受け取る」段階と「複数顧客に届ける」段階が交互に発生する。ピックアップノードと配達ノードがペアで結びつき、必ずピックアップが先、配達が後という順序制約がかかる。

これは数理最適化の世界でPickup and Delivery Problem with Time Windows(PDPTW)と呼ばれる難所で、通常のルート最適化より探索空間が桁違いに大きい。1人のライダーが3注文を抱えれば、巡回パターンは「店A→客A→店B→客B→店C→客C」だけでなく「店A→店B→客A→店C→客B→客C」のように店をまとめてから回る選択肢も入る。組合せが爆発する構造は、配送計画の常識が通用しない。

ピックアップと配達の順序ペアを守りながら最適解を探す問題は、片道配送とは別物の難しさを持つ。

時間枠と料理温度の二重時計が同時に進むから

各注文には顧客側の配達希望時間枠と、料理の品質維持時間という2つの締切が同時に走る。時間枠だけ守っても料理が冷めれば品質クレームになり、料理を急いで届けようとして他注文の時間枠を破れば顧客満足が落ちる。一方の時計を守れば他方が崩れる構造を、注文ごとに動的に解かなければならない。

ピーク時間のピザチェーンを例に取れば、ライダー1人が3注文を抱えた瞬間に「揚げ物は15分以内、ピザは30分以内、サラダは45分以内」のように商品別の時間制約が積み重なる。さらに各顧客の希望時間枠が重なれば、組合せの正解は刻々と変わる。時間枠が連動する制約は他の運行計画と同様、注文単位で独立に最適化できる問題ではない。

2つの時計を同時に守る計画を秒〜分単位で組み続けなければ、遅配か品質クレームのどちらかが必ず出る。

注文の到着が需要に応じて揺れるから

オンラインデリバリーでは、注文がリアルタイムにストリームで到着する。前日に立てた配達計画は、当日のピーク需要、悪天候、近隣イベント、競合店のクーポン施策で次々と書き換わる。注文が10分単位で増減するため、計画の鮮度が10分で陳腐化する。

需要予測の精度を高めても、誤差幅は時間帯や曜日で平均±20〜30%に達する。突発要因が重なれば瞬間的に倍増や半減も起きる。前日の予測で立てたシフトと、当日のピークが大きくずれれば、ライダーが余る時間と足りない時間が共存する。需要のばらつきを前提に、ライダー配置と配達順序を当日中に何度も組み直す運用が必要になる。

オフラインで一度作った計画では、オンライン需要の変動に追いつけない構造になっている。

デリバリー配達順序で同時に考えるべき7つの計画変数

(1) 注文需要予測と時間帯別ピーク

出発点は、店舗・エリア・時間帯ごとに「いつ・どんな注文が・いくつ入るか」を予測することです。曜日効果(週末・金曜夜)、時間帯ピーク(昼12時、夜19時)、天候効果(雨天で注文急増)、近隣イベント、季節要因を変数として持つ。点予測だけではライダー配置が決まらないため、誤差の分布も一緒に扱う必要がある。

ある住宅地店舗の金曜夜の注文が平均40件・誤差±10件なら、欠品・遅配確率を一定以下に抑えるライダー配置は中央値+1.5σ前後で逆算できる。逆にオフィス街の昼ピークは安定しているため、攻めた水準でよい。エリアごとの誤差プロファイルを使い分ける運用が、ピーク時遅配と非ピーク時の空配を同時に抑える前提になる。

予測精度そのものに加えて、誤差の取り扱い設計が、ライダー配置と配達品質の両方を動かす。

(2) 店舗ピックアップ時間枠と調理進捗

各注文は調理が完了してから初めてピックアップできる。調理時間は商品ごと・店舗の混雑度ごとに違い、注文受付から完成まで5分〜25分と幅がある。ライダーが店舗に早く着きすぎれば滞留が起きて他注文の配達が遅れ、遅く着けば料理が冷めてピックアップ後の品質が落ちる。

調理進捗をリアルタイムでライダーの到着予定時刻と同期させる必要がある。POS連携で「あと何分で完成」が見えれば、ライダーは別の配達を挟んでから戻ってくる選択も取れる。逆に進捗が見えなければ、ライダーは保険として早めに到着し、無駄な滞留時間が積み上がる。調理時間の予測と配達順序の最適化は、別問題に見えて実は同じ最適化の入力情報になる。

ピックアップ時間枠は、調理進捗データの粒度がそのまま配達順序の精度に変換される。

(3) 顧客側の配達時間枠と再配達率

各顧客には希望配達時間枠がある。プラットフォーム標準の30分以内、店舗独自の60分以内、予約注文の指定時刻ピンポイントなど、契約条件で決まる。時間枠を破れば料金返金やクーポン補填が発生し、店舗評価が下がる。

さらに、不在再配達も計画変数に効いてくる。受け取り場所が在宅か玄関前置きか、対面が必要かで再配達確率が変わる。再配達が発生するとライダーの稼働時間を一気に消費し、後続注文の遅配リスクが上がる。配達時間枠は単なる「いつまでに届けるか」だけでなく、確実に受け取ってもらえる確度まで含めて設計する必要がある。

時間枠と再配達率は、ライダー稼働を間接的に縛る変数として配達順序の最適化に組み込む対象になる。

(4) ライダー(配達員)の現在地と稼働制約

各ライダーの現在地、現在抱えている注文、稼働可能な残時間、休憩のタイミング、対応エリアの慣れ、保有する保温装置の種類が変数として効く。新規注文をどのライダーに割り当てるか(マッチング)と、抱えた注文をどの順序で回るか(ルーティング)を同時に解く必要がある。

ライダーの稼働時間は労働基準法と契約条件で上限がある。ピーク時間に集中させすぎれば後半でライダーが枯渇し、ピーク後の注文が滞る。逆に分散させすぎればピーク本体の遅配が増える。シフト配置と当日のリアルタイム再配置を、需要予測と整合させて動かさなければ、稼働率と配達品質はどちらかが必ず崩れる。

ライダー資源は時間と空間の二重制約を持ち、固定スケジュールでは扱いきれない動的資源になる。

(5) 料理温度と配送品質スコア

商品ごとに「美味しさを保てる時間」が違う。揚げ物15分、麺類20分、ピザ30分、冷蔵デザートは保冷条件次第で変動する。ライダーの保温バッグや保冷装置の有無、外気温、移動距離が品質に直接効く。配達順序を組むときに「この商品はあと何分で品質が落ちるか」を順位制約として組み込まなければ、時間枠を守ったのにクレームが来るパターンが残る。

品質スコアを店舗の総合評価に紐付ければ、配達順序の判断材料が「時間枠を守る」から「時間枠と品質の両立」に切り替わる。データとしては、商品マスタごとの品質維持時間、過去の配達温度実績、季節別の劣化曲線を整備する必要がある。商品マスタが整備されていれば、最適化AIは商品種別ごとの優先度を自動で配達順序に反映できる。

温度品質は配達順序の隠れ変数で、これを明示的に扱わない計画は再注文率を構造的に下げる。

(6) 多注文同時配達のバンドリング

ライダー1人が複数注文を同時に運ぶバンドリングは、配達効率を大きく動かす。同じ店舗から近接エリアへの2件をまとめれば、走行距離が半分になる。一方、バンドルし過ぎれば後ろの注文が遅延し、料理温度も劣化する。バンドル件数の上限と、バンドルしてよい組合せの判定は、注文の到着順、配達距離、商品種別、時間枠の余裕を見ながら動的に決める必要がある。

バンドリングは積載最適化と似た構造を持つ。トラックの積載最適化と同じく、容量・経路・時間の制約を同時に満たすパターンを探す問題であり、デリバリーのバンドリングはこれを秒単位で動的に解く版になる。人手では到底回せない速度が要求される領域です。

バンドリング判断は、配達効率と品質のトレードオフを動的に決める最重要の意思決定変数になる。

(7) 動的再ルーティングと注文割込み

ライダーが配達中に新規注文が入る。割込み注文を現ルートに組み込むのか、別のライダーに振るのか、しばらくキューで待たせるのかを判断する。割込みを取り込めば配達効率は上がるが、既存注文の時間枠と料理温度に影響する。取り込まなければ新規注文の時間枠が遅れる。

道路工事、悪天候、店舗の調理遅延、ライダーの体調不良も再ルーティングの引き金になる。状況変化に応じて計画を秒〜分単位で組み直すリアルタイム最適化の発想を前提にすれば、計画は「立てて終わり」ではなく「動かしながら更新する」運用に切り替わる。再計画コストが高いと、現場は応急処置でしのぎ、損失を後追い精算するしかなくなる。

動的再ルーティングは、計画系の更新頻度がそのまま現場の対応力に変換される最後の変数になる。

なぜ「人手の運用と従来型のルール配車」では限界があるのか

マッチング組合せが10分で陳腐化する

ピーク時の都市エリアでは、稼働ライダー数百人と注文数千件が秒単位で動く。新規注文ごとに「どのライダーに、どの順番で、どこまでバンドルして割り当てるか」のマッチングを再計算する必要がある。人間が比較できるパターンは多くて数十通り。ライダー百人×時間帯×注文数十件の組合せは指数関数的に膨らみ、変数が連動する組合せ爆発の典型例として人手では到底解けない規模になる。

固定ルールの配車(最も近いライダーに割り当てる、空きライダーから順に振る)は、ライダーが百人を超えた段階で実効性を失う。判断粒度が粗くなり、ライダー1人あたりの配達効率は構造的に頭打ちになる。10分前のマッチングが既に古い世界では、計算速度が経営指標を直接動かす。

問題サイズが現場の処理能力を超えた以上、勘とルールの延長では配車の最適化に届かない。

多目的トレードオフが現場の判断では揺れ続ける

デリバリー配車は、配達時間、料理温度、ライダー稼働率、走行距離、顧客満足という複数目標を同時に追う。一方を最大化すれば他方が必ず崩れる。配達時間を絞れば走行距離が伸び、走行距離を絞ればバンドル増で温度が落ち、温度を守ればライダー稼働率が下がる構造です。

現場では「先週は遅配が多かったから今週は早めの配車を優先」「先月は走行コストが高かったから今月はバンドル率を上げる」のような切り替え運用に陥りがちです。週次でブレが出るうえ、年間で見ると複数目標のいずれも当初計画から外れる。コスト・品質・納期と同様に複数目標を同時に追う多目的最適化の仕組みがないと、判断は振り子のままになる。

トレードオフ設計を仕組みで支えなければ、現場の判断は揺れ続ける。

オフラインで作った計画はオンライン需要に追いつかない

前日や朝のシフト計画と、当日のピーク需要は必ずずれる。手動の再調整は分〜時間単位がやっとで、再計算する間に状況が再び変わる。配車の動的最適化はタクシーなど旅客系の領域でも同じ構造的課題を抱えており、稼働するドライバーと到着する需要を秒単位でマッチングし直す仕組みが求められている。

デリバリーは旅客タクシーと違い、店舗での調理時間と料理温度が加わるため、再計画の難易度が一段上がる。半日かけて作る計画と、数分で作り直す計画は別物です。スピードが落ちたままでは、需要急変やライダー欠勤への先手は打てず、遅配が出てから応急配車で対応する後追い運用が続く。

再計画コストが高いと、計画は古いまま死蔵し、現場は応急処置で損失を後追い精算するしかなくなる。

最適化AIがデリバリー配達順序をどう変えるか

最適化AIは、現場が守らなければならないルールを破らずに、最も良い結果を返すAIです。生成AIのように「それらしい配車案」を作るのではなく、ピックアップ時間枠・配達時間枠・ライダー稼働時間・料理温度の品質維持時間・バンドル上限といった制約を一つも違反しない計画の中から、配達遅延・走行距離・品質スコアを同時に最適化する解を探し出す。守るべき条件を数式として明示し、その範囲内で最善解を導く仕組みが、汎用ルートツールとの本質的な違いになる。

ゴールと守るべきルールを数式に落とす

デリバリー配達順序最適化のゴール(AIに与える目標)は、たとえば「全注文の遅配時間と走行距離の重み付き合計を、品質スコアを一定以上に保った上で最小化する」と定義する。守るべきルール(現場の条件)は、各注文のピックアップ時間枠と配達時間枠、ライダーごとの稼働時間と保温装置種別、商品ごとの品質維持時間、バンドル上限、ピックアップ→配達の順序制約、エリアごとの最低カバレッジなどです。

これらを定式化したうえで、エリア別の需要予測、ライダーの現在地と状態、店舗の調理進捗、注文ストリーム、過去の配達実績をすべて入力に渡す。マスター整備(商品マスタの品質維持時間、ライダー台帳、店舗POS連携)が前提として要る。ここまで揃って初めて、最適化AIは「数百ライダーをどの注文にどの順序で割り当てるか」を組合せ最適化として扱える。

ゴールとルールを明示すれば、判断は属人運用から再現可能なロジックへ移行できる。

精度: 数百ライダーを秒〜分粒度で同時最適化する

最適化AIは、数百〜数千のライダーと注文を秒〜分の粒度で、時間枠・稼働・品質・バンドルの制約をすべて満たした計画にまとめる。ピックアップと配達のペア順序を守りつつ、各商品の品質維持時間とライダーの稼働上限を超えないように、遅配時間と走行距離の重み付き合計を最小化する解を見つける。

配車・回収計画では、ドライバーの勤務条件を満たしながら残業を抑えるルートを設計でき、再計画も高速に回せる。デリバリー配達順序でも、需要・ライダー・順序・温度の四面を同時に解ける計画は、ルールベース配車や手作業の組み合わせでは届かない精度に到達できる。

実行可能性まで担保した計画は、当日の応急配車と空配の両方を構造から減らす。

スピード: 注文ストリームに合わせて秒単位で再計画できる

新規注文の到着、ライダーの位置更新、店舗の調理遅延、悪天候、突発イベント。再計画が要るたびに、数百ライダーを巻き込んだ計画を秒単位で出し直せる。これにより、新規注文の即時マッチング、配達中の動的バンドル判断、突発時の振替が、現場の手作業の速度から解放される。

計算アーキテクチャ(並列化・近似手法・前回計画からの差分計算)を組み合わせることで、運用粒度に合った再計画頻度を確保できる。判断のボトルネックがなくなれば、応急処置から計画ベースの先回りに運用が変わる。ピーク到来前の事前配置、悪天候時のエリア再分配、ライダー欠勤時の即時補完が、後追いではなく事前の計画として組み込めるようになる。

スピードが上がると、計画は「立てて終わり」から「注文ストリームに合わせて毎秒更新する」運用に切り替わる。

透明性: 「なぜこの注文をこの順で運ぶか」を説明できる

最適化AIは、出力された配車案について「どの制約がきいて」「どの目的のためにこの順序が選ばれたか」を可視化できる。本部の運用責任者が店舗オーナーやライダーに説明する際も、データと制約条件を起点に議論ができる。本来は「経験」と一括りにされていた判断根拠が、誰でも追跡可能なロジックに置き換わる。

汎用の配車システムが「最も近いライダーに割り当てる」しか扱えないのに対し、最適化AIは需要・ライダー・順序・温度・バンドル・契約を横断した全体最適を扱える。さらに「この店舗は日曜にスタッフが少ないため調理遅延を見込んだ配車」「このエリアはマンションが多いため再配達確率を高めに設定」といった現場固有のルールも、業務ヒアリングを通じてモデルに組み込める。

意思決定が透明化されると、配車は「ベテランの勘」から「組織の標準」へ格上げできる。

まとめ

デリバリーの配達順序は、SLA厳格化と人手不足、料理温度品質の重視のもとで、配達時間・走行距離・品質スコア・ライダー稼働を同時に追いかける経営課題に化けた。ピックアップと配達の二重ノード制約、時間枠と料理温度の二重時計、注文ストリームの動的変動が重なって、人手と従来型のルール配車では扱いきれない領域に突入している。

デリバリー配達順序の計画には、注文需要予測、店舗ピックアップ時間枠、顧客側配達時間枠、ライダー現在地と稼働、料理温度と品質スコア、多注文バンドリング、動的再ルーティングという7つの変数が同時に絡む。組合せ爆発と多目的トレードオフ、再計画スピードの三方向で、運用は構造的な限界に達している。

最適化AIを使えば、数百ライダーを秒〜分粒度で同時最適化し、注文ストリームに合わせて秒単位で再計画を回し、判断ロジックを透明化できる。OptHubは現場理解とアルゴリズム設計の両面から、配達順序を飲食・物流事業の継続的な意思決定プロセスに組み込む支援を行っている。

関連コラム

現場の最適化のヒントを今すぐ受け取りませんか?

資料請求・お問い合わせはお気軽に。
現場が変わる一歩をサポートいたします!
お問合せはこちら

「OptHub」資料請求

AIで最適な運用計画を実行できる仕組みを実現。
「OptHub Solution」 の詳細な資料をご提供します。

  • OptHubの概要
  • 業界別の最適化例
  • OptHubの提供価値
  • 導入の流れと想定予算
  • OptHub事例集

無料今すぐダウンロード