谷歌和Myntra研制AI新应用，可预测并解决顾客退货率

预计到2020年电子商务的销售额将达到4万亿美元，电子商务的发展势不可挡。大量调查显示，与实体店购物相比，客户更喜欢网上购物的便利性，但这对于那些试图通过自由退货政策将竞争对手挤出市场的公司来说却有弊有利。

    预计到2020年电子商务的销售额将达到4万亿美元，电子商务的发展势不可挡。大量调查显示，与实体店购物相比，客户更喜欢网上购物的便利性，但这对于那些试图通过自由退货政策将竞争对手挤出市场的公司来说却有弊有利。

    据估计，有高达三分之一的在线订单被退回，这降低了利润率。对此，谷歌和Myntra平台的研究人员在一篇新论文中尝试解决退货的难点。他们使用在购物者的偏好、体形、产品浏览记录等数据训练机器学习模型，设法在客户购买商品之前预测每个顾客的退货概率。

    为了确定造成退货的最主要因素，研究人员对Myntra平台进行了分析，该平台大约有600,000种商品，每周促成数百万份订单。他们发现，在所有产生的退货订单中，当客户购物车中存在与之类似的商品时，会有4%的概率会退货。

    此外，他们还发现53%的退货归因于尺寸和装配相关的问题，退货率与购物车内产品数量紧密相关，购物车内要是超过5件商品的话，退货率约为72%，而购物车内只有一件商品的话，退货率为9% 。

    同样不出所料的是，与新生产的商品相比，库存商品的退货率几乎翻了一番。凭借这些数据，该团队设计了他们称作混合双模型的AI模型，以此预测购物车和商品退货概率。较高级别的AI模型对可退货的购物车内商品进行分类，利用第一个模型识别为可退货的购物车内商品，而第二个模型则用于预测单个产品的退货概率。

    两个模型都是用三个类目下的样本进行训练的，主要涵盖产品、购物车和用户级功能，包括（但不限于）品牌、产品新旧、购物车内商品数、订单日期和时间、交付城市、订单数、付款方式和购买频率。

    那模型表现如何呢？ 在实验中，表现最佳的退货预测AI系统在观测者操作特性曲线下的面积（AUC）达到了83.2%，精度达到74%——操作特性曲线是一种检测精度的测量方法。

    在对100,000名用户进行的实时测试中，与对照组相比，订单数略微下降（1.7%），但退货率下降了3%。该团队指出，零售商知道哪些客户可能退回商品后，可以采取预防措施，例如定制运费或通过提供优惠券使产品无法退回。

    “今后，我们计划将这个模型应用于更多可以帮助降低整体退货率的项目。”他们写道。（编译/雨果网 陈杰）【特别声明】未经许可同意，任何个人或组织不得复制、转载、或以其他方式使用本网站内容。

    转载请联系：editor@cifnews.com