Los servicios de entrega de comida en línea están creciendo rápidamente en popularidad, lo que hace que la satisfacción del cliente sea fundamental para el éxito de la empresa en un mercado competitivo. Las predicciones precisas del tiempo de entrega son clave para garantizar una alta satisfacción del cliente. Mientras existen varios métodos para la estimación del tiempo de viaje, a menudo se pasan por alto el análisis efectivo de datos y el procesamiento. Este documento aborda esta brecha aprovechando el análisis de datos espaciales y técnicas de preprocesamiento para mejorar la calidad de los datos utilizados en modelos bayesianos para predecir los tiempos de entrega de alimentos. Utilizamos la API de OSRM para generar rutas que reflejen con precisión las condiciones del mundo real. A continuación, visualizamos estas rutas utilizando diversas técnicas para identificar y examinar resultados sospechosos. Nuestro análisis de la distribución de rutas identificó dos grupos de valores atípicos, lo que nos llevó a establecer un límite apropiado para la distancia máxima de la ruta a ser utilizada en futuros modelos bayesianos. Un total del 3% de los datos fueron clasificados como valores atípicos, y el 15% de las muestras contenían datos inválidos. El análisis espacial reveló que estos valores atípicos eran principalmente entregas en las afueras o más allá de los límites de la ciudad. El análisis espacial muestra que el mercado de OFD indio tiene tendencias similares a los mercados chinos e ingleses y está concentrado en áreas densamente pobladas. Al refinar la calidad de los datos a través de estos métodos, buscamos mejorar la precisión de las predicciones de tiempo de entrega, mejorando en última instancia la satisfacción del cliente.