E-Commerce Late Delivery Prediction

التنبؤ بتأخر توصيل طلبات التجارة الإلكترونية باستخدام تعلم الآلة

نبذة عن المشروع:

يهدف المشروع إلى بناء نظام تنبؤي يساعد شركات التجارة الإلكترونية على تحديد الطلبات المعرضة للتأخر في التوصيل، من خلال تحليل بيانات الطلبات والشحن والعملاء باستخدام تقنيات علم البيانات وتعلم الآلة.

اعتمد المشروع على مجموعة بيانات Olist Brazilian E-Commerce، التي تحتوي على بيانات حقيقية لأكثر من 100 ألف طلب.

مراحل تنفيذ المشروع :

1. جمع البيانات ومعالجتها: استخراج البيانات من PostgreSQL وربط الجداول باستخدام Python وPandas.

2. التحليل الاستكشافي (EDA): دراسة خصائص الطلبات والتوزيعات والأنماط المرتبطة بالتوصيل.

3. تجهيز البيانات (Preprocessing): معالجة القيم المفقودة وتجهيز المتغيرات ومنع تسرب البيانات (Data Leakage).

4. هندسة الخصائص (Feature Engineering): إنشاء متغيرات تساعد في التنبؤ باحتمالية تأخر الطلبات.

5. بناء النماذج: تدريب ومقارنة Logistic Regression وRandom Forest.

6. تقييم الأداء: استخدام Accuracy وPrecision وRecall وF1 Score وROC-AUC، مع تقسيم زمني للبيانات لمحاكاة التنبؤ على طلبات مستقبلية.

أبرز النتائج:

- حقق نموذج Logistic Regression دقة تصنيف بلغت 84.54% على بيانات التحقق (Validation Set).

- بلغت قيمة Recall لفئة الطلبات المتأخرة 63.26%، وROC-AUC نحو 70.27%.

- أظهرت النتائج تحديًا في التنبؤ بالفئة الأقل تمثيلًا، وهو ما يبرز أهمية التعامل مع عدم توازن الفئات.

- أظهر التقييم على البيانات الأحدث زمنيًا انخفاضًا في الأداء، مما يؤكد أهمية اختبار قدرة النموذج على التعميم ومراقبة أدائه بمرور الوقت.

التقنيات المستخدمة :

Python, PostgreSQL, Pandas, NumPy, Scikit-learn, Matplotlib, Jupyter Notebook.

القيمة التطبيقية:

يوضح المشروع كيفية الاستفادة من البيانات لبناء نموذج يساعد شركات التجارة الإلكترونية على رصد احتمالية تأخر الطلبات، بما يدعم اتخاذ قرارات استباقية وتحسين عمليات التوصيل، مع ضرورة تحسين النموذج والتحقق من أدائه قبل استخدامه في بيئة تشغيل فعلية.