[Day 14] 延遲到底怪誰？拆解發貨極限日與賣家 SLA 履約實戰

18th鐵人賽

2026-09-21 21:32:02

17 瀏覽

分享至

包裹遲到，到底是誰的鍋？

在前面的文章中，發現了兩大體驗痛點：

Day 11：物流延遲會直接把滿意度推下斷崖，造成大量 1 星負評。

Day 13：超重或超大體積的包裹更容易發生配送跳票。

每當訂單延遲時，平台的客服與營運團隊往往第一時間找貨運公司問責。
但在指責貨運夥伴之前，我們必須回答一個關鍵問題：賣家到底有沒有準時把包裹包好、交給司機？

今天，將深入探索明細表中極具營運價值的欄位 shipping_limit_date，
透過特徵工程精確計算賣家的履約服務水準協議（SLA），將「賣家發貨延誤」與「物流幹線延誤」徹底拆解開來！

步驟一：提取發貨截止日與貨運交件時間

在 Olist 的資料庫中，平台給予賣家明確的出貨承諾規範：

shipping_limit_date（明細表）：平台規定賣家最晚必須將包裹交給物流承運商的時間點。

order_delivered_carrier_date（訂單表）：貨運司機實際掃描條碼、收走包裹的時間點。

我們取出欄位並進行對齊：

# 1. 從字典取出明細表，並確保發貨截止日轉換為 datetime 格式
items = olist_db['olist_order_items_dataset'].copy()
items['shipping_limit_date'] = pd.to_datetime(items['shipping_limit_date'])

# 2. 確保使用 Day 11 產出、含有延遲標籤的訂單大表 (orders_with_reviews)
# 並確保物流收件時間為 datetime 格式
orders_with_reviews['order_delivered_carrier_date'] = pd.to_datetime(
    orders_with_reviews['order_delivered_carrier_date']
)

# 3. 跨表合併：將明細表的發貨限制，與訂單表的收件時間、延遲狀態串接
seller_sla = pd.merge(
    items[['order_id', 'product_id', 'seller_id', 'shipping_limit_date']],
    orders_with_reviews[['order_id', 'order_delivered_carrier_date', 'is_delayed', 'review_score']],
    on='order_id',
    how='inner'
)

# 4. 排除物流尚未收件（缺失 carrier_date）的少數極端資料
seller_sla.dropna(subset=['order_delivered_carrier_date', 'shipping_limit_date'], inplace=True)

# 檢視合併後的成果
seller_sla.head(3)

實作區 :

步驟二：特徵工程——計算「賣家出貨違約」

我們透過這兩個時間戳記相減，衍生出賣家層級的履約指標：

賣家交件落差天數 (seller_delay_days)：實際交給貨運公司的時間 - 規定發貨截止時間。

賣家出貨是否違約 (is_seller_breach)：若交件時間超過截止日（> 0），即判定為賣家跳票。

# 1. 計算賣家交件時差（實際交件日 - 發貨截止日，換算成天數）
seller_sla['seller_delay_days'] = (
    seller_sla['order_delivered_carrier_date'] - seller_sla['shipping_limit_date']
).dt.total_seconds() / (24 * 3600)

# 2. 衍生二元特徵：標記賣家是否違約出貨 (SLA Breach)
seller_sla['is_seller_breach'] = seller_sla['seller_delay_days'] > 0

# 3. 計算全平台賣家出貨違約率
breach_rate = seller_sla['is_seller_breach'].mean() * 100
print(f"全平台賣家出貨超時率 (SLA Breach Rate): {breach_rate:.2f}%")

實作區 :

步驟三：因果連鎖——賣家拖延會引發最終送達延遲嗎？

前段賣家出貨拖延，是否真的會導致最終包裹送到買家手中時遲到？
我們用交叉分析（Cross-Tabulation）來驗證這條連鎖效應：

# 交叉分析：賣家是否超時交件 vs. 最終整張訂單是否遲到
cross_analysis = pd.crosstab(
    seller_sla['is_seller_breach'], 
    seller_sla['is_delayed'], 
    normalize='index'
) * 100

cross_analysis.columns = ['買家端準時 (%)', '買家端延遲 (%)']
cross_analysis.index = ['賣家準時交件', '賣家超時出貨']
cross_analysis.round(2)

實作區 :

連鎖反應數據：

賣家準時交貨：最終送到買家手上遲到的機率僅約 5%～6%，代表物流承運商大部分時候都能在承諾時間內跑完全程。
賣家超時出貨：最終整張訂單發生延遲的機率暴增至 30%～40% 以上！

這意味著：前段賣家多拖一天，後段貨運物流就需要額外承擔巨大的補時壓力。
賣家壓貨是觸發後續物流骨牌效應的主要導火線之一。

步驟四：防呆聚合——賣家層級履約體檢

我們不能單看單筆交易，必須評估個別賣家的整體信譽。
結合 Day 12 的經驗，我們設定門檻，只分析出貨量大於等於30件的成熟賣家：

# 1. 依 seller_id 聚合評估賣家履約指標
seller_performance = seller_sla.groupby('seller_id').agg(
    total_orders=('order_id', 'count'),
    breach_rate=('is_seller_breach', 'mean'),
    final_delay_rate=('is_delayed', 'mean'),
    avg_score=('review_score', 'mean')
).reset_index()

# 2. 樣本門檻防呆：只保留出貨量 >= 30 筆的活躍賣家
active_sellers = seller_performance[seller_performance['total_orders'] >= 30].copy()
active_sellers['breach_rate_pct'] = (active_sellers['breach_rate'] * 100).round(2)
active_sellers['final_delay_rate_pct'] = (active_sellers['final_delay_rate'] * 100).round(2)
active_sellers['avg_score'] = active_sellers['avg_score'].round(2)

# 3. 依賣家違約率降冪排序，檢視表現最差的前 5 名
worst_sellers = active_sellers.sort_values(by='breach_rate_pct', ascending=False).head(5)
worst_sellers[['seller_id', 'total_orders', 'breach_rate_pct', 'final_delay_rate_pct', 'avg_score']]

實作區 :　