做一點簡單的猜測：
一個外賣訂單可以由一個五元組描述：(商戶座標，客戶座標，菜品總價，下單時間、送達時間)。
在積累了足夠多的數據後，就可以訓練模型，根據商戶座標、客戶座標的分類（例如同一小區相鄰樓棟視為同一點）、菜品總價（制作時間的代理）、下單時間（用來預測訂單數/騎手數比值），得到送達時間的概率分布。
得到概率分布以後，就可以計算一個重要的指標—— 按時送達率 （本質是概率分布的一個截尾）。根據按時送達率，可以倒算每一單的截尾點，也就是app上顯示的「預計X點Y分送達」。
如果企業經營的目標是控制按時送達率（不能是100%，是一個綜合考慮客戶體驗和毛利率後算出來的數，可能是90%，也可能是80%，控制它的目標是利潤最大化），那麽在加入這個機制後，如果不對模型做相應調整，最後可能的結果是——模型把輸出的截尾點 左移 ，換句話說，app上顯示的「預計X點Y分送達」變早了。例如我原來這單6：30點，預計7:30送到，過一陣會變成預計7：28。而這個變化並不是6：30這個時段的訂單/騎手比變化導致的，而是控制按時送達率為利潤最大化問題的解導致的。
那麽有人可能要問了，能否在模型裏輸入真實的按時送達率，在app上顯示客戶寬限後的按時送達與否呢？答案是「可以但對企業沒有意義」。前面說過，控制按時送達率的目標是利潤最大化。利潤一邊是營收，另一邊是成本。營收的影響因素是客戶體驗（老遲到就不用了），成本的影響因素裏，和騎手密切相關的就是他實際拿到手的收入了。這個收入等於派送費減去超時罰金。
所以， 考核騎手 用哪個按時送達率，模型就應該根據哪個按時送達率輸出預計送達時點。
換言之，假定企業按這種方式經營，在經過一段時間後，即使你點了「願意多等5分鐘」，騎手的按時送達率仍然會在這次公關危機前的水平。他們自身也比誰都清楚，如果不像以前一樣拿安全跟時間賽跑，就還是會扣錢。
餓了麽這次對公關危機的反應很快，但是這個新功能很可能不解決問題。真正解決問題的是訓練模型為每一單計算「 安全送達時間下限 」。但是這個需要大量的數據積累。在每個城市，（商家，客戶(聚類後)）這個二元組都可以有多達數十萬個取值，每一個取值對應的訂單觀測值其實沒多少。而「安全送達」這個概念則需要考慮路網、交通燈、時段擁堵程度等諸多因素，數據積累多如主流地圖套用，對（安全守交規的）通勤時間做到相對精確的估算也就近兩年的事。餓了麽有沒有足夠的數據積累我要打個問號。
當然，餓了麽實際是不是這麽弄的我不知道，他們的模型是不是只用上面幾個維度我也不知道。但是簡單想想就會發現，要真正解決外賣騎手面臨的困境和造成的安全隱患， 數據、模型和企業價值觀缺一不可 。
我不是餓了麽的股東，所以我覺得，數據和模型可能客觀上需要等，但企業價值觀這個事上，恐怕沒有多大的客觀限制。
