Mislukte bezorgpogingen zijn een van de hardnekkigste problemen in de stedelijke logistiek. De koerier arriveert; er is niemand thuis en de kostbare cyclus begint opnieuw: een tweede poging, extra brandstof, meer uitstoot en een gefrustreerde klant.

Een onderzoek, gepubliceerd in Research in Transportation Economics (Escudero-Santana et al., 2026), benadert dit probleem vanuit een frisse invalshoek: wat als het bezorgalgoritme simpelweg beter wist wanneer je echt thuis bent?

Een dieper begrip van gebruikersgewoonten kan de efficiëntie en effectiviteit van de bezorgplanning aanzienlijk verbeteren. Nauwkeurige gedragsdata maken betere routeoptimalisatie mogelijk, wat leidt tot kortere bezorgtijden en lagere kosten. Ook vergroot het de kans op succesvolle bezorgingen doordat de planning wordt afgestemd op de werkelijke aanwezigheid van klanten op het opgegeven adres.

Het kernprobleem

De cijfers liegen er niet om. Volgens het onderzoek mislukt 44% van alle bezorgpogingen simpelweg omdat de klant op het moment van bezorging niet thuis was. Zelfs een kleine daling van dat mislukkingspercentage levert enorme besparingen op op de kosten, de verkeersdruk én de CO₂-uitstoot. De meeste huidige systemen vragen klanten om een voorkeurstijdvak op te geven, zoals 'ochtend' of '15.00–18.00 uur', maar opgegeven voorkeuren komen lang niet altijd overeen met de werkelijkheid. Het dagelijkse leven loopt nu eenmaal anders.

Drie niveaus van klantkennis

De onderzoekers van de Universiteit van Sevilla ontwikkelden een simulatie-optimalisatieraamwerk dat drie steeds rijkere niveaus van klantinformatie test. Het eerste is de standaardaanpak: klanten geven hun voorkeurstijdvakken op, en het algoritme neemt die voor waar aan. Het tweede voegt historische data toe: welk percentage van eerdere bezorgingen op dit adres in dit tijdvak was daadwerkelijk succesvol? Het derde, en meest vernieuwende, niveau maakt gebruik van een volledig beschikbaarheidsprofiel: een probabilistische curve op basis van geanonimiseerde geolocatiedata, die de kans weergeeft dat een klant op elk moment van de dag thuis is.

Wat het onderzoek uitwees

Het simpelweg toevoegen van historische slagingspercentages aan de opgegeven tijdvakken maakte weinig verschil. De reden is intuïtief: klanten kiezen doorgaans tijdvakken die al aansluiten bij hun dagelijkse routine, waardoor de historische data grotendeels bevestigen wat al bekend was.

De werkelijke winst kwam van de volledige beschikbaarheidsprofielen. Wanneer het routeringsalgoritme gebruik kon maken van een dynamische kansencurve, bijvoorbeeld met de wetenschap dat een bepaalde klant op maandagavond tussen 17.00 en 19.00 uur 80% kans heeft om thuis te zijn, maar dat die kans rond het middaguur daalt tot 20%, verbeterde de prestatie aanzienlijk. Vergeleken met de conventionele ochtend- en middagslots verminderde de profielgebaseerde strategie het aantal mislukte thuisbezorgingen met meer dan 45%. De kosten daalden met ongeveer 17% bij smalle tijdvensters van 60 minuten. En dat alles zonder verlies van rekentechnische efficiëntie.

Het onderzoek bevestigt ook een bekende afruil: smallere tijdvensters verminderen mislukte pogingen, maar verhogen de routekosten, omdat koeriers minder flexibiliteit hebben in de volgorde van de stops. Beschikbaarheidsprofielen bieden een manier om deze afruil te doorbreken: ze leveren precisie zonder klanten te dwingen onhandig krappe tijdslots te accepteren.

Afhaalpunten als extra opties

Wanneer alternatieve bezorglocaties zoals pakketautomaten en lokale winkels werden toegevoegd naast thuisbezorging, daalden zowel het mislukkingspercentage als de kosten verder. De best presterende scenario's boden bij elke bestelling drie opties: een persoonlijk adres, een pakketautomaat en een flexibele derde optie. Deze flexibiliteit stelt het routeringssysteem in staat zich op de dag zelf aan te passen aan de daadwerkelijke omstandigheden.

Privacy en praktische haalbaarheid

Het team erkent de gevoelige kwestie die hiermee gepaard gaat: deze aanpak vereist dat klanten locatiedata delen. Ze ontwikkelden een prototype van een mobiele app die periodiek de nabijheid van bezorgadressen controleert, zonder ruwe locatiegeschiedenis op te slaan. Of voldoende klanten bereid zijn zich hiervoor aan te melden, blijft een open vraag, maar voor degenen die dat wel doen, zijn de logistieke voordelen evident.

De les voor stedelijke logistiek

Dit onderzoek biedt pakketbezorgers een concreet, datagedreven pad naar minder verspilde ritten, lagere uitstoot en een betere klantervaring. Nu steden steeds drukker worden en de druk om duurzamer te opereren toeneemt, kan het slimmer benutten van gedragsdata, met de juiste privacywaarborgen, een van de meest praktische hefbomen blijken die beschikbaar zijn.

Bron: Escudero-Santana, A., Cortés-Muñoz, J., Lorenzo-Espejo, A., & Pegado-Bardayo, A. (2026). The impact of customer habit knowledge on last-mile logistics costs and satisfaction. Research in Transportation Economics, 117, 101777.