电商订单配送延迟预测项目：找出延时高风险订单

用机器学习预测电商订单是否延迟送达：来自巴西电商平台的真实案例

项目背景

在电商行业中，订单是否按时送达直接影响用户满意度与平台口碑。为了提高用户体验与物流效率，很多平台开始尝试利用机器学习手段提前预测哪些订单存在配送延迟的风险，从而提前介入、优化资源配置。

本项目选用的是 Kaggle 上的 Brazilian E-Commerce Public Dataset 数据集，包含 10 余张表，涵盖订单、客户、卖家、支付、商品、地理等信息，结构完整，贴近实际业务，是电商分析与建模的优秀练手机会。

我们将以预测“订单是否延迟”为核心目标，依照真实业务流程完成数据处理、特征工程、建模与评估分析，并尝试提出具有实际业务价值的解决方案。

---

数据理解与建模目标

我们将构建一个二分类模型，预测某订单是否会延迟送达。

延迟送达的定义为：实际送达时间 > 预计送达时间。

构建目标字段：

df['is_late'] = (df['order_delivered_customer_date'] > df['order_estimated_delivery_date']).astype(int)

经统计，延迟订单约占总量的 8.1%，存在显著类别不平衡。

---

特征工程（Feature Engineering）

项目中采用了逐步精炼的特征工程方法，包含以下关键部分：

✅ 原始变量选择

• price, freight_value, product_weight_g 等连续变量
• product_category_name, customer_state, seller_state 等分类变量

✅ 新特征构造

• 预计配送时长：预计送达 - 购买时间
• 配送提前天数：预计送达 - 实际送达
• 价格与运费交互项：price * freight_value
• 商品体积：长 * 宽 * 高
• 体积重量比：volume / weight
• 购买时间（小时/星期几）：用以刻画用户下单习惯
• 路由状态组合编码：customer_state + seller_state

# 示例：生成体积、交互特征
merged_df['product_volume'] = merged_df['product_length_cm'] * merged_df['product_height_cm'] * merged_df['product_width_cm']
merged_df['price_freight_interaction'] = merged_df['price'] * merged_df['freight_value']

✅ 编码与缺失值处理

• 分类变量统一使用 Label Encoding
• 缺失值如 product_weight_g, product_volume 等使用中位数填充

---

⚙️ 模型训练与评估

基准模型采用 Random Forest Classifier，保持 0.5 阈值，训练集/测试集比例为 80/20。

模型表现（保持默认概率阈值 0.5）：

accuracy:  67.9%
precision (class=1):  14.5%
recall    (class=1):  62.0%
f1-score (class=1):  23.4%

可以看到，虽然精确率较低，但召回率已相对不错。

由于该任务是 业务风险识别 类型的问题，“提前发现潜在延迟”更为重要，因此提升 recall 更具有实际价值。

我们尝试将阈值调整为 0.3，以提升对延迟订单的召回：

recall (class=1): 提升至 98%
precision (class=1): 下滑至 8%

但由于误报过多，可能会带来不必要的运营成本，故最终保留默认 0.5 阈值，并建议：

将模型输出的概率作为风控评分，由运营侧设定灵活阈值，以便权衡精确率与召回率。

---

模型可解释性分析

我们基于特征重要性排名评估模型的“关注重点”：

特征	重要性排名
预计配送时长	1
客户州 (customer_state)	2
运费 (freight_value)	3
发货路由 (route_state)	4
运费 × 单价交互项	5
商品重量、体积、下单时间等	中等偏下

这进一步揭示了物流成本与地理路线在配送延迟中的重要作用。

此外，我们还构造了如 shipping_lead_time、shipping_duration、early_shipping_flag 等交互特征，在业务解释中具备良好直觉性。

---

实际业务价值与落地思考

从本项目结果出发，我们提出以下潜在落地方向：

• 在下单瞬间对订单进行风险评分，高风险订单优先标记
• 物流团队可针对高风险订单提前联系物流商或优化调度
• 销售端可根据历史延迟率优化商品组合推荐策略
• 长期来看，结合距离、地区与产品种类分布可优化仓配网络

特别提醒：模型不能“完美预测”所有延迟订单，但它可以极大提高平台对风险的感知能力，从“被动响应”转向“主动发现”，从而提升整体履约水平。

---

总结与复盘

本项目完整模拟了一个从数据探索到模型部署思维的预测流程。其优势在于：

• 数据集贴近真实业务，涵盖信息丰富
• 构造了多项具有业务含义的新特征
• 结合实际应用场景设计了合理阈值策略
• 体现了建模与业务逻辑融合的重要性

---

有任何问题或建议也欢迎评论区一起交流～