Prédiction du Temps de Livraison Client (Delivery Time Prediction)

Objectif du Projet

Ce projet vise à développer un modèle de régression Machine Learning capable de prédire avec précision le temps total d’une livraison (Delivery_Time_min) pour une entreprise de logistique.

Objectifs spécifiques :

• Anticiper les retards et optimiser la planification des livraisons.
• Informer les clients en temps réel avec des estimations fiables.
• Explorer et analyser les données (EDA) pour comprendre l’influence de facteurs tels que le trafic, la météo, la distance ou encore l’expérience du livreur.
• Entraîner et comparer deux modèles de régression : RandomForestRegressor et SVR (Support Vector Regressor).
• Évaluer les performances avec les métriques MAE (Mean Absolute Error) et R² (Coefficient de Détermination).

---

Gestion du Projet

Pour garantir une approche structurée et professionnelle du développement du modèle prédictif :

• Gestion des tâches (EDA, prétraitement, modélisation, tests) réalisée avec Jira.
• Versionnement du code avec Git et GitHub, en utilisant des branches dédiées (EDA, tests unitaires, pipeline).
• Architecture modulaire : séparation claire entre le pipeline, les notebooks d’analyse et les tests.

---

Structure du Projet

La structure suivante présente l’organisation des fichiers et répertoires du projet :

Prediction-du-Churn-Client-desabonnement-/

│── data/                # Données CSV 
│── pipeline.py/         # Script du pipeline de Machine Learning
│── main.ipynb/      # Notebooks d’analyse exploratoire
│── test_pipeline.py/    # Tests unitaires avec Pytest
│   
│── requirements.txt     # Liste des dépendances
│── README.md            # Documentation du projet

Technologies Utilisées

• Python
• Pandas, NumPy → manipulation et préparation des données
• Matplotlib, Seaborn → visualisation et analyse exploratoire
• Scikit-learn →
  • Prétraitement : StandardScaler, OneHotEncoder
  • Sélection de variables : SelectKBest (f_regression)
  • Modélisation : RandomForestRegressor, SVR
  • Optimisation : GridSearchCV
• Pytest / Unittest → tests automatisés de qualité et de performance

---

Installation et Exécution

1 -> Cloner le dépôt

git clone https://github.com/manalfarouq/Prediction-du-Temps-de-Livraison.git
cd Prediction-du-Temps-de-Livraison

2 -> Installer les dépendances

pip install -r requirements.txt

3 -> Exécuter le projet

jupyter notebook main.ipynb

Pipeline Machine Learning complet :

python pipeline.py

Tests automatisés (validation des données et MAE) :

pytest -v test_pipeline.py

Résultats et Choix du Modèle Final

Modèle	MAE (min)	R²
SVR (Support Vector Regressor)	5.835	0.821
RandomForestRegressor	6.980	0.768

Conclusion

Le SVR a été sélectionné comme modèle final car :

• MAE plus faible (≈ 5.8 min → erreur moyenne ≈ 5 min 50 s)
• Meilleure capacité explicative (R² = 82.1 %)
• Excellente stabilité après optimisation par GridSearchCV

Malgré une interprétation légèrement plus complexe que celle du Random Forest, le SVR offre une précision supérieure, le rendant idéal pour fournir des estimations fiables aux clients.

Bonus : Intégration Continue avec GitHub Actions

Pour garantir que le code reste toujours fonctionnel, on peut configurer GitHub Actions pour exécuter automatiquement les tests à chaque push sur la branche main.

🔹 Configuration

Crée un fichier dans ton dépôt :

.github/workflows/python-tests.yml

Avec le contenu suivant :

name: Run Unit Tests

# Déclenche le workflow à chaque push sur main
on:
  push:
    branches: [ main ]

jobs:
  test:
    runs-on: ubuntu-latest  # Environnement Ubuntu récent
    steps:
      - name: Checkout du code
        uses: actions/checkout@v4

      - name: Installer Python
        uses: actions/setup-python@v5
        with:
          python-version: '3.14'

      - name: Installer les dépendances
        run: |
          python -m pip install --upgrade pip
          pip install -r requirements.txt
          pip install pytest joblib scikit-learn pandas

      - name: Exécuter les tests
        run: pytest -v

🔹 Comment ça fonctionne

1. Déclenchement automatique
   À chaque push sur la branche main, GitHub lance le workflow automatiquement.

2. Installation de Python et des dépendances
   Un environnement Python propre est créé et toutes les librairies nécessaires sont installées.

3. Exécution des tests
   Les tests unitaires définis dans test_pipeline.py sont exécutés automatiquement.

4. Alertes en cas d’erreur
   Si un test échoue, GitHub affiche une alerte rouge dans l’onglet Actions, ce qui permet de corriger rapidement les problèmes.

🔹 Avantages

• Stabilité du code
  Garantit que le code reste stable et fonctionnel à chaque modification.

• Détection rapide des erreurs
  Permet de détecter rapidement les erreurs avant qu’elles n’affectent le projet.

• Collaboration facilitée
  Utile pour collaborer avec plusieurs développeurs sur le même dépôt.