אתם רב״ט מומחה/ית נתונים במדור הלוגיסטיקה. מפקד המחסנים, גנרל ו׳, מבקש להבין למה חלק מהמשלוחים מגיעים בזמן וחלק מתעכבים.
מטרת המשימה: לבנות מודל שמנבא את delivery_time_minutes, ולהסביר לגנרל אילו גורמים באמת משפיעים על זמן המשלוח.
קיבלתם קובץ עם היסטוריה של משלוחים. כל שורה היא משלוח אחד ממחסן אל בסיס או אזור אימון. הנתונים הם נתונים לימודיים ומלאכותיים, אבל הם נבנו כך שיהיו בהם קשרים אמיתיים, רעש, חריגים וגם מלכודות אנליטיות.
חשוב: זו אינה משימה למציאת אויב ואינה הוראה מבצעית. זו משימת לימוד בטוחה על תכנון, נתונים, מודלים וטעויות פרשנות.
מספיק לגרפים, קורלציות ורגרסיה ליניארית, אבל לא כבד מדי ל‑Orange.
מזהה משלוח, מאפייני מסלול, מחסן, מטען, נהג ומשתנה מטרה.
לחזות את delivery_time_minutes — זמן המשלוח בדקות.
לפעמים משלוח קצר מתעכב, ולפעמים משלוח ארוך דווקא מגיע מהר. יש תלונות על עומס במחסן, כבישים לא נוחים, עצירות בדרך, מזג אוויר וניסיון הנהג.
גנרל ו׳ מבקש להפסיק להתווכח לפי תחושות ולבדוק את הנתונים.
בסוף המשימה תגישו דוח קצר: משוואת מודל, גורמים קריטיים, המלצות מעשיות, ואזהרה אחת על פרשנות שגויה של מקדמים.
שמות העמודות נשארים באנגלית כדי שיהיה נוח לעבוד ב‑Orange. ההסבר כאן בעברית.
| עמודה | פירוש | תפקיד בניתוח |
|---|---|---|
| delivery_id | מזהה משלוח | לא להשתמש במודל |
| base_zone | אזור יעד כללי | משתנה קטגוריאלי |
| distance_km | מרחק בקילומטרים | מועמד חזק להסבר זמן המשלוח |
| cargo_type | סוג מטען: מים, מזון, ציוד, רפואה ועוד | משתנה קטגוריאלי |
| cargo_weight_kg | משקל המטען בק״ג | ייתכן שישפיע מעט |
| road_type | סוג הדרך | משתנה חשוב אפשרי |
| weather | מזג אוויר | עשוי לגרום לעיכובים |
| time_of_day | שעת יציאה כללית | בוקר/צהריים/ערב/לילה |
| number_of_stops | מספר עצירות בדרך | מועמד חזק לעיכוב |
| warehouse_load | עומס במחסן בזמן היציאה | עשוי להשפיע על זמן כולל |
| driver_experience_months | ניסיון הנהג בחודשים | יכול להשפיע בכיוון הפוך |
| fuel_used_liters | ליטרים של דלק שנצרכו | משתנה מספרי לבדיקה |
| average_speed_kmh | מהירות ממוצעת בקמ״ש | משתנה מספרי לבדיקה |
| urgent_delivery | האם המשלוח הוגדר דחוף | משתנה קטגוריאלי |
| delivery_time_minutes | זמן משלוח בדקות | משתנה מטרה |
הורידו את קובץ ה‑CSV ופתחו אותו ב‑Orange בעזרת File. ודאו שהעמודה delivery_time_minutes מזוהה כעמודה מספרית.
השתמשו ב‑Data Table, Feature Statistics ו‑Distributions. חפשו ערכים חריגים ומשלוחים ארוכים במיוחד.
בנו Scatter Plot: בציר Y שימו delivery_time_minutes, ובציר X נסו כמה משתנים מספריים שונים. המטרה היא לזהות קשרים ויזואליים, לא רק מספרים.
השתמשו ב‑Correlations. בדקו קשרים בין המשתנה התלוי לבין המשתנים המסבירים, וגם קשרים בין המשתנים המסבירים עצמם.
הגדירו את delivery_time_minutes כ‑Target. בנו Linear Regression, בדקו את המקדמים, ואז השתמשו ב‑Predictions או ב‑Test and Score אם זה נוח לכם.
לפעמים גרף בין משתנה מסביר לבין זמן המשלוח נראה ברור מאוד, אבל בתוך רגרסיה ליניארית מלאה סימן המקדם יוצא מפתיע. זו לא בהכרח טעות של Orange — זו הזמנה לבדוק את הקשרים בין המשתנים עצמם.
מצאו משתנה שב‑Scatter Plot נראה קשור חיובית לזמן המשלוח.
בדקו האם אותו משתנה קשור חזק מאוד למשתנה מספרי אחר.
השוו בין הגרף, הקורלציות וסימן המקדם ברגרסיה המלאה.
המודול Rank עוזר לראות במהירות אילו משתנים קשורים יותר למשתנה המטרה. הוא לא מחליף רגרסיה, לא מוכיח סיבתיות, ולא פותר מולטיקולינאריות — אבל הוא כלי טוב לגלות איפה כדאי להתחיל להסתכל.
בחרו את delivery_time_minutes כ‑Target, הפעילו Rank, והשוו את התוצאות עם הגרפים, הקורלציות והמקדמים של הרגרסיה.
| מקום | שם המשתנה | האם לדעתכם הוא גורם אמיתי או אולי משתנה שמייצג משהו אחר? |
|---|---|---|
| 1 | ||
| 2 | ||
| 3 | ||
| 4 | ||
| 5 |
רב״ט אנליסט/ית: מלאו דוח קצר וברור. גנרל ו׳ לא צריך טקסט מתמטי ארוך — הוא צריך מסקנות, סיכונים והמלצות.
כתבו את משוואת הרגרסיה בצורה מובנת. לא חייבים לכלול את כל המשתנים — בחרו 4–6 מקדמים מרכזיים.
בחרו גורם אחד שהכי חשוב לדעתכם לפיקוד: גורם שמסביר הרבה עיכובים, או גורם שניתן לשפר בפועל.
טיפ: אם כותבים תשובות במסמך, לחצו על “שמירה בדפדפן”. אפשר גם להוריד תשובות כקובץ טקסט או להדפיס ל‑PDF.