Como o iFood reduziu distância percorrida por entregadores com IA

O desafio era melhorar eficiência em uma operação de delivery com milhões de pedidos mensais. Pequenas melhorias em rota, recomendação e previsão de entrega geram grande impacto financeiro e operacional. O iFood precisava transformar dados em decisões em tempo real.

A operação envolve consumidores, restaurantes e entregadores em mais de mil cidades. Antes da centralização da IA, já existiam iniciativas dispersas, mas elas eram usadas principalmente para responder perguntas de áreas de negócio. A empresa decidiu estruturar uma academia dedicada a machine learning, deep learning e eficiência logística.

O iFood estruturou uma área de IA e aplicou modelos a logística e recomendações. Na logística, usa simulações para analisar parâmetros por dia da semana, horário e condições operacionais. Em recomendações, personaliza restaurantes e pratos com base no gosto do usuário e proximidade.

Foram usados Amazon SageMaker, Amazon Kinesis, Amazon EKS e Amazon DynamoDB. SageMaker apoia testes de modelos, Kinesis processa dados em tempo real e EKS mantém modelos em produção com escalabilidade.

Os modelos analisam dados operacionais e simulam diferentes parâmetros de logística para prever tempos, rotas e eficiência. Quando os cenários são aprovados, são colocados em produção. A IA também personaliza listas de restaurantes e pratos, equilibrando preferência do usuário e eficiência de entrega.

O processo combina coleta de dados em tempo real, teste de modelos, simulação segura, benchmark e deploy em produção. A infraestrutura AWS permite treinar vários modelos, testar hipóteses e operacionalizar algoritmos sem começar do zero em cada novo caso de uso.

• SLA de entrega aumentou de 80% para 95%.
• 12% de redução na distância percorrida por entregadores.
• 50% de redução no tempo ocioso dos entregadores.
• Mais de 39 milhões de pedidos por mês.
• Mais de 1.000 cidades atendidas.
• Ecossistema com cerca de 220 mil restaurantes.

O case mostra que IA em logística precisa unir dados em tempo real, simulação e produção. Não basta prever; é necessário operacionalizar modelos no fluxo. A escala do iFood prova que pequenas melhorias percentuais podem gerar impacto relevante quando aplicadas a milhões de transações.