Olist 电商平台延迟配送与满意度预测开源项目

带领团队基于Olist电商数据集（约9.5万条已交付订单）搭建端到端机器学习流程，预测订单延迟配送并分析其对客户满意度的影响。
完成多表数据整合与特征工程，结合订单、客户、卖家、支付、评价及地理信息构建物流特征与卖家历史表现特征。
设计基于时间顺序的滚动统计特征，避免数据泄漏，并使用时间划分方式完成训练集、验证集与测试集构建。
对比逻辑回归与XGBoost等模型，并提出“两阶段回归到分类”框架，仅使用预测时点前可获得的信息构建特征，将
PR-AUC从0.10以下提升至0.80以上，ROC-AUC提升至约0.98。