承諾與背叛：計算物流延遲天數，揭露 1 星負評的致命元兇

18th鐵人賽

2026-09-18 19:39:28

38 瀏覽

分享至

比運費更致命的體驗殺手

在 Day 10 中，我們用「運費比率」量化了偏遠地區買家的物流負擔。但商業常識告訴我們：買家願意付款結帳，代表運費再貴他都已經「知情且默許」。

真正會讓買家留下極端差評（1 星負評）的，通常不是預期內的成本，而是「預期的落差」也就是平台答應了預計送達日，包裹卻遲遲沒出現。

今天我們將引入全新的顧客評價表 (order_reviews)，
透過時間特徵工程計算「實際配送天數」與「延遲天數」，用數據量化物流跳票對顧客滿意度的毀滅性打擊。

步驟一：呼叫評價表，拆解「重複評論」陷阱

我們先從資料字典中取出 olist_order_reviews_dataset：

# 從字典中取出評價表
reviews = olist_db['olist_order_reviews_dataset']

# 檢視欄位資訊
reviews[['review_id', 'order_id', 'review_score', 'review_creation_date']].head(3)

如圖:

在進行跨表合併前，老手的防呆雷達必須立刻啟動：一張訂單只會有一則評價嗎？

# 檢查是否有同一張 order_id 對應多筆 review 的情況
duplicate_reviews = reviews['order_id'].duplicated().sum()
print(f"重複評論的訂單數: {duplicate_reviews} 筆")

如圖 :

執行後會發現有數百筆訂單存在多次評價（可能買家更新了評論）。
如果直接 Merge，資料粒度又會被悄悄拉膨脹！

我們在合併前先按評論時間保留最新的一筆：

# 依據 review_creation_date 排序，只保留每筆訂單最新的評價
clean_reviews = reviews.sort_values('review_creation_date').drop_duplicates(
    subset='order_id', 
    keep='last'
)

# 合併回我們的有效訂單主表
orders_with_reviews = pd.merge(
    valid_orders, 
    clean_reviews[['order_id', 'review_score']], 
    on='order_id', 
    how='inner'
)

print(f"成功合併評價的訂單數: {len(orders_with_reviews):,} 筆")

如圖:

步驟二：特徵工程——計算實際天數與延遲天數

我們需要從時間戳記中衍生出兩個關鍵的行為指標：

# 1. 實際配送耗時（換算為天數）
orders_with_reviews['actual_delivery_days'] = (
    orders_with_reviews['order_delivered_customer_date'] - orders_with_reviews['order_purchase_timestamp']
).dt.total_seconds() / (24 * 3600)

# 2. 延遲落差（大於 0 代表遲到，小於等於 0 代表提早或準時送達）
orders_with_reviews['delay_days'] = (
    orders_with_reviews['order_delivered_customer_date'] - orders_with_reviews['order_estimated_delivery_date']
).dt.total_seconds() / (24 * 3600)

# 3. 建立二元標記：是否延遲交付？
orders_with_reviews['is_delayed'] = orders_with_reviews['delay_days'] > 0

orders_with_reviews[['order_id', 'actual_delivery_days', 'delay_days', 'is_delayed', 'review_score']].head(3)

實作 :

實際配送天數 (actual_delivery_days)：送達顧客時間 - 下單購買時間
延遲天數 (delay_days)：送達顧客時間 - 官方預估送達時間

步驟三：數據聚合——延遲的代價有多大？

有了標籤後，我們馬上比較「準時履約」與「延遲履約」的顧客評分差異：

# 依是否延遲分組，計算平均評分與單量佔比
delay_impact = orders_with_reviews.groupby('is_delayed').agg(
    order_count=('order_id', 'count'),
    avg_score=('review_score', 'mean')
).reset_index()

delay_impact['share_pct'] = (delay_impact['order_count'] / delay_impact['order_count'].sum() * 100).round(2)
delay_impact['avg_score'] = delay_impact['avg_score'].round(2)
delay_impact

實作 :　

數據對比：

準時履約 (is_delayed == False)：平均評分高達 4.2 分左右，維持極佳的滿意度水準。
配送延遲 (is_delayed == True)：平均評分雪崩至 1.6～2.2 分！

延遲訂單雖然只佔整體約 7%～10%，但它幾乎直接宣判了這批顧客的流失。
買家對「平台食言」的容忍度幾乎為零。

步驟四：視覺化——評分分佈的極端斷崖

我們透過堆疊長條圖（Barplot）直接觀察評分結構的變化：

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10, 5))
sns.countplot(
    data=orders_with_reviews, 
    x='review_score', 
    hue='is_delayed', 
    palette=['#3498db', '#e74c3c']
)

plt.title('Review Score Distribution: On-Time vs Delayed Delivery', fontsize=12, fontweight='bold')
plt.xlabel('Review Score (1-5 Stars)')
plt.ylabel('Order Count')
plt.legend(title='Is Delayed?', labels=['On-Time', 'Delayed'])
plt.tight_layout()
plt.show()

實作 :　