Resumen Técnico: Pagando Clientes por la Paciencia

1. Planteamiento del Problema

Las plataformas de comercio rápido (Q-commerce) prometen entregas en menos de 10 minutos, pero cada vez ofrecen más opciones de entrega por "franjas horarias" (slots), donde los pedidos se agrupan y se entregan mediante rutas compartidas para lograr eficiencia operativa. Sin embargo, los modelos de precios actuales a menudo no proporcionan incentivos financieros para que los clientes elijan estas opciones de franja horaria, a pesar de los significativos ahorros de costos que generan para la plataforma.

El documento aborda tres preguntas fundamentales respecto a la tarificación de estas entregas por franjas:

• Q1 (Transferencia): ¿Qué parte de los ahorros de costo marginal generados por el agrupamiento (batching) debe devolverse al cliente en forma de descuento? ¿Depende esto de si las tarifas son fijas o basadas en la distancia?
• Q2 (Valor de la Paciencia): ¿Cómo cambia el beneficio económico del agrupamiento a medida que aumenta la longitud del intervalo de la franja ($\Delta$)? ¿Existe un punto de rendimientos decrecientes?
• Q3 (Alcance de las Franjas): Dada la demanda intradía, ¿durante qué horas es viable ofrecer franjas y qué duración deberían tener?

El estudio asume una demanda total fija (los productos de la compra de supermercado se adquieren independientemente de las tarifas); por lo tanto, la fijación de precios actúa como un mecanismo para dirigir los pedidos entre la entrega instantánea (individual) y la de franja horaria (agrupada).

2. Metodología y Marco Analítico

El documento construye un marco analítico que integra la geometría exacta de rutas, el agrupamiento estocástico y la retroalimentación endógena de adopción del cliente.

2.1 Modelado de Rutas y Costos

• Geometría de Recorrido Modificada: El autor critica las aproximaciones de continuo estándar (p. ej., Beardwood et al., 1959; Daganzo, 1984) que utilizan la forma $k\sqrt{mA}$ para la longitud del recorrido. Esta forma carga incorrectamente una "etapa de salida" (stem leg) a los viajes individuales ($n=1$), distorsionando los costos para lotes pequeños. El documento introduce una función de tiempo de recorrido corregida $H_1(n)$ que presenta un término $(m-1)_+$ bajo la raíz cuadrada, asegurando una calibración exacta para viajes individuales mientras preserva la escala asintótica para lotes grandes.
• Restricciones de Capacidad: Un repartidor transporta como máximo $C$ pedidos. Los despachos de $n$ pedidos se dividen en $q = \lceil n/C \rceil$ recorridos. El tiempo total $H(n)$ contabiliza esta división.
• Estructura de Costos: El pago al repartidor se modela como una tarifa por piezas de dos partes (por entrega + por km) que liquida un salario de reserva $\bar{w}$. El costo de una entrega instantánea es $c_I(r)$, mientras que el costo marginal de un pedido por franja es $c_{mg}(L)$, donde $L$ es el tamaño medio del lote.

2.2 Dinámicas de Retraso y Adopción

• Retroalimentación de Retraso Endógeno: Una innovación crítica es modelar el retraso $x_S$ como endógeno. A medida que más clientes adoptan una franja, el tamaño del lote $L$ crece, aumentando el retraso dentro del recorrido $\theta(n)$. Esto crea un bucle de retroalimentación: los mayores retrasos disuaden la adopción.
• Utilidad del Cliente: Los clientes minimizan la suma de la tarifa y la desutilidad por el exceso de retraso ($u(x; \beta) = \min(\beta x, \bar{V})$). La participación de adopción $a$ se determina mediante una ecuación de punto fijo donde la cuota de adopción depende del descuento $d$ en relación con el retraso realizado $x_S(aN, \Delta)$.
• Optimización: La plataforma maximiza el beneficio por ventana eligiendo el descuento óptimo $d^*$. La función objetivo equilibra la pérdida de ingresos por el descuento frente a los costos de mensajería ahorrados. El modelo distingue entre:
  • Tarifas Planas: Un descuento uniforme independientemente de la distancia.
  • Tarifas por Kilómetro: Descuentos graduados por distancia.

3. Contribuciones Clave e Insights Teóricos

3.1 Tasa de Transferencia Óptima

El documento deriva la tasa de transferencia óptima $\rho^*$ (la fracción de los ahorros marginales transferidos al cliente).

• Resultado: Bajo valores de tiempo del cliente uniformes, $\rho^* = 1/(2 + \epsilon)$, donde $\epsilon$ es la elasticidad del retraso de la franja respecto al tamaño del lote.
• Implicación: A diferencia de los modelos de monopolio estándar (que sugieren una transferencia del 50% bajo demanda lineal) o los mercados competitivos (transferencia del 100%), la presencia de retroalimentación de retraso atenúa la transferencia. La $\rho^*$ calibrada oscila entre 0.40 y 0.55. Esto significa que la plataforma retiene entre el 45% y el 60% de los ahorros, transfiriendo solo entre $0.50 y$0.90 por pedido al cliente.

3.2 Saturación de Ahorros (El "Quiebre de Capacidad")

• Resultado: Los ahorros de costos se saturan rápidamente una vez que se llena una sola carga de repartidor ($C$). El tiempo de recorrido marginal por parada cae de 5.8 minutos (2ª parada) a menos de 2 minutos (12ª parada).
• Implicación: El descuento óptimo $d^*$ se mantiene plano para longitudes de franja que van desde 15 minutos hasta 3 horas, a pesar de que el retraso del cliente continúa creciendo. La estrategia óptima es establecer la longitud de la franja lo suficientemente larga como para llenar un repartidor ($\Delta^* \approx C / (a\lambda(t))$). El óptimo global suele situarse en "quiebres de capacidad" (múltiplos de $C$), donde los costos marginales son más bajos.

3.3 Tarifas Basadas en Distancia vs. Tarifas Planas

• Resultado: Teóricamente, los descuentos graduados por distancia podrían aumentar el excedente de la franja en un 28% al emparejar mejor los descuentos con los mayores ahorros marginales de los clientes distantes.
• Hallazgo Empírico: Sin embargo, el análisis de los datos de Olist revela que las tarifas de entrega metropolitana en el mundo real son estrictamente planas (la distancia explica solo el 1.4% de la varianza de la tarifa). El documento identifica una brecha entre la eficiencia teórica y la práctica del mercado, señalando que las tarifas planas actuales efectivamente subsidian de forma cruzada a los clientes distantes.

3.4 Alcance Operativo y Temporal

• Demanda de Supermercado: A diferencia de la entrega de comida (bimodal), la demanda de supermercados sigue una meseta diurna amplia (10:00–16:00).
• Implicación: Las franjas de la misma hora son viables durante la mayoría de las horas operativas (08:00–21:00). Diferir los pedidos fuera de las horas punta hacia una ola de máxima actividad solo es beneficioso si la demanda en el valle cae por debajo del ~15% de la demanda pico, una condición que rara vez se cumple en la demanda de supermercados.

4. Calibración Empírica y Resultados

El modelo se calibra utilizando conjuntos de datos de código abierto de Amazon (geometría de rutas), Grubhub (reloj de entrega de comida), Instacart (reloj de supermercado) y Olist (estructuras de tarifas).

• Parámetros: Área de zona calibrada $\approx 7.77$ km², distancia media $\bar{r} = 1.09$ km, capacidad del repartidor $C=12$, y salario de reserva \bar{w} = \12$/h.
• Transferencia: Las tasas de transferencia calibradas son de 0.41 en segmentos suaves y 0.50–0.58 en los quiebres de capacidad.
• Descuentos: Los descuentos óptimos oscilan entre $0.48 y$0.83 por pedido.
• Longitud de la Franja: Una franja de 15–30 minutos es óptima para llenar un repartidor. Extender la franja a 2 horas aumenta significativamente el retraso (de ~20 a ~74 minutos) sin aumentar el descuento ni el beneficio.
• Utilización de la Flota: Una simulación de un día completo revela que la entrega instantánea requiere una utilización de la flota por debajo del 0.50–0.65. Por encima de este umbral, los pedidos instantáneos enfrentan retrasos significativos, socavando la propuesta de valor de la entrega "rápida".

5. Significancia y Limitaciones

Significancia

El documento establece que la fijación de precios óptima para las entregas por franjas no es una simple transferencia de ahorros de costos, sino un compromiso complejo que involucra la geometría de las rutas, las restricciones de capacidad y la impaciencia del cliente. Proporciona una justificación rigurosa de por qué las plataformas deben ofrecer descuentos modestos (40–55% de los ahorros) y por qué la franja más corta que llena un repartidor es superior a las franjas más largas o pacientes. También destaca una ineficiencia estructural en las prácticas actuales del mercado, donde las tarifas planas ignoran la variación espacial de los ahorros.

Limitaciones

El autor señala explícitamente varias limitaciones:

1. Tiempo de Inactividad: El modelo omite el tiempo de inactividad entre despachos; las simulaciones sugieren que esto efectivamente duplica el costo salarial si la utilización de la flota es baja.
2. Ruido de Agrupamiento: El modelo asume un agrupamiento de Poisson, mientras que los datos reales muestran sobredispersión (varianza/media $\approx 3$).
3. Curva de Recorrido: La curva de recorrido está calibrada con datos de paquetes con un centro de tienda reubicado, lo cual es una aproximación de modelado para las tiendas oscuras (dark stores).
4. Lado de la Demanda: La distribución de los valores de tiempo de los clientes ($\beta$) y el límite de saciedad ($\bar{V}$) se asumen, ya que no existen sustitutos de datos abiertos para una encuesta de elección discreta. En consecuencia, aunque el nivel de descuento óptimo es robusto, las tasas de adopción previstas (que oscilan entre el 7% y el 45%) y las ganancias totales por hora son sensibles a estas suposiciones.

En resumen, el documento argumenta que para el Q-commerce, el "valor de la paciencia" está concentrado al principio y limitado por la capacidad del repartidor. Las plataformas deben incentivar la paciencia con descuentos planos modestos para franjas cortas que llenen un solo repartidor, en lugar de ofrecer descuentos profundos para retrasos largos.