
預(yù)計(jì)到2020年電子商務(wù)的銷售額將達(dá)到4萬億美元,電子商務(wù)的發(fā)展勢不可擋。大量調(diào)查顯示,與實(shí)體店購物相比,客戶更喜歡網(wǎng)上購物的便利性,但這對于那些試圖通過自由退貨政策將競爭對手?jǐn)D出市場的公司來說卻有弊有利。據(jù)估計(jì),有高達(dá)三分之一的在線訂單被退回,這降低了利潤率。
對此,谷歌和Myntra平臺的研究人員在一篇新論文中嘗試解決退貨的難點(diǎn)。他們使用在購物者的偏好、體形、產(chǎn)品瀏覽記錄等數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型,設(shè)法在客戶購買商品之前預(yù)測每個顧客的退貨概率。
為了確定造成退貨的最主要因素,研究人員對Myntra平臺進(jìn)行了分析,該平臺大約有600,000種商品,每周促成數(shù)百萬份訂單。他們發(fā)現(xiàn),在所有產(chǎn)生的退貨訂單中,當(dāng)客戶購物車中存在與之類似的商品時(shí),會有4%的概率會退貨。
此外,他們還發(fā)現(xiàn)53%的退貨歸因于尺寸和裝配相關(guān)的問題,退貨率與購物車內(nèi)產(chǎn)品數(shù)量緊密相關(guān),購物車內(nèi)要是超過5件商品的話,退貨率約為72%,而購物車內(nèi)只有一件商品的話,退貨率為9% 。同樣不出所料的是,與新生產(chǎn)的商品相比,庫存商品的退貨率幾乎翻了一番。
憑借這些數(shù)據(jù),該團(tuán)隊(duì)設(shè)計(jì)了他們稱作混合雙模型的AI模型,以此預(yù)測購物車和商品退貨概率。較高級別的AI模型對可退貨的購物車內(nèi)商品進(jìn)行分類,利用第一個模型識別為可退貨的購物車內(nèi)商品,而第二個模型則用于預(yù)測單個產(chǎn)品的退貨概率。兩個模型都是用三個類目下的樣本進(jìn)行訓(xùn)練的,主要涵蓋產(chǎn)品、購物車和用戶級功能,包括(但不限于)品牌、產(chǎn)品新舊、購物車內(nèi)商品數(shù)、訂單日期和時(shí)間、交付城市、訂單數(shù)、付款方式和購買頻率。
那模型表現(xiàn)如何呢? 在實(shí)驗(yàn)中,表現(xiàn)較佳的退貨預(yù)測AI系統(tǒng)在觀測者操作特性曲線下的面積(AUC)達(dá)到了83.2%,精度達(dá)到74%——操作特性曲線是一種檢測精度的測量方法。在對100,000名用戶進(jìn)行的實(shí)時(shí)測試中,與對照組相比,訂單數(shù)略微下降(1.7%),但退貨率下降了3%。
該團(tuán)隊(duì)指出,零售商知道哪些客戶可能退回商品后,可以采取預(yù)防措施,例如定制運(yùn)費(fèi)或通過提供優(yōu)惠券使產(chǎn)品無法退回?!敖窈?,我們計(jì)劃將這個模型應(yīng)用于更多可以幫助降低整體退貨率的項(xiàng)目?!彼麄儗懙馈?
(來源:雨果情報(bào)君)
以上內(nèi)容屬作者個人觀點(diǎn),不代表雨果網(wǎng)立場!本文經(jīng)原作者獨(dú)家授權(quán)供稿,轉(zhuǎn)載需經(jīng)雨果網(wǎng)授權(quán)同意。