AI的零售业少数派报告他们知道你甚至在购买之前就会退货

零售可以是一种游戏，印度在线服装零售商Myntra通过预测人们购买之前返回购物车中的内容的倾向，以及使用奖励和惩罚来阻止退货，从而学习更好地玩游戏。就像电影“少数派报告”中的某些内容一样，杀手在他们根据预先情绪杀死之前被逮捕，机器学习的从业者正在试图衡量你甚至在购买之前返回服装的可能性。总部位于班加罗尔的印度电子商务创业公司Flipkart(由WalMart和其他公司支持)的在线时装零售商Myntra本周发布了一项新研究，描述了在点击购买之前评估一个人的在线购物车的实验。它基于您在线观看的模式，也可以根据您可能没有意识到的尺寸和适合度进行猜测。

所有这一切都是为了使计算机能够在不到70毫秒的时间内决定您有多大的回报风险。目的是通过奖励和惩罚，采取各种措施来决定是否以不同的方式对待您作为回报风险。这些包括增加您的运费，作为一种威慑，或提供优惠券作为奖励，以换取购买不可退还。Myntra的研究人员在与真实客户的测试中发现神经网络的预测，以及奖励和惩罚，以可衡量的方式降低了回报率。作者将几条信息组合成一个“深度神经网络”来预测产品回报，包括产品信息的“潜在”向量，历史回报率，以及知道您购买的东西可能不适合的个性化尺寸向量。Myntra

这篇论文“早鸟捕捉蠕虫：在购买时尚电子商务之前预测回报”，发布在arXiv预打印服务器上，由Sajan Kedia，Manchit Madan和Myntra的Sumit Borar撰写。此后Borar开始在谷歌工作。本文值得注意的是上周与Myntra研究人员发表的另外两篇论文一起发布。在一篇论文“One Embedding To Dom All”中，作者通过结合多种信息来源为零售创造了一种新的产品清单。第三篇论文“时尚零售：预测新产品的需求”预测哪些新服装产品将根据过去的趋势做得很好，但也会根据款式和品牌以及定价模型，这种模式可以预测全新商品的样式在他们开始销售之前会做的。最后一篇论文将于8月份在阿拉斯加州安克雷奇举行的知识发现和数据挖掘会议上发表。

但是，“早鸟”报纸似乎提供了如何将零售转变为一种游戏的最引人注目的例子。Kedia及其同事观察到，在线零售商实现简单回报的趋势导致实际回报激增，这给这些零售商带来了高昂的“逆向物流”成本。他们写道，这包括运回的成本，以及客户拥有它们时错过的销售成本，所有这些都“占据了电子零售商利润率的主要部分”。作者写道，零售行业一直试图预测回报率，但从未通过“实时预测购物车页面，以便可以根据回报概率值采取先发制人的行动”。为了进行这些实时预测，作者整理了一个“完全连接”的深度神经网络，该网络受到关于产品和客户的众多因素的培训。然后，经过训练的模型将生成客户购物车的即时评估，以预测退货的概率。

“实时生产架构”可在不到70毫秒的时间内评估您的购物车，并决定是否发放奖励或惩罚以遏制您的预期退货行为。Myntra使用的因素不同于您对某些新发明的预期。在您期望的事物中，一个非常明显的因素是计算任何人过去给某件衣服返回商店的次数。此外，诸如给定用户点击产品列表的速率之类的数据用于构建特定于该用户的所谓的“产品嵌入”。这是通过采用“矩阵分解”来完成的。该过程的目的是“将用户 - 产品交互矩阵转换为较低维度的潜在向量，捕获产品的隐藏属性”。您在购物车中放置了多少类似的东西，比如同一件不同颜色的衬衫。事实证明，这种物品的加倍是高回报的主要指标。事实上，他们写道，一个人在购物车中的总物品越多，他们的退货率就越高。

“退货率高度依赖于购物车的尺寸，”他们写道。“随着购物车尺寸超过五种产品，退货率达到72%，而含有一种产品的购物车的退货率为9%。”作者并没有对因果关系进行过多的推测，但可能人们正在做虚拟更衣室的事情，装载多种版本的东西，在家中试用它们，完全期望返回他们最不喜欢的那些。您可能没有预料到的一个引人注目的因素是所谓的“个性化尺寸潜在特征”。作者注意到，在回归的历史数据中，当人们被问到为什么他们要回送东西时，超过一半的实例是因为该项目的大小错误或者不符合他们想要的方式。

作者观察到，一个人甚至不知道他们的尺寸是多么重要，因为列出和描述尺寸的方式因项目或品牌而异。因此，他们建议创建一个矢量，该矢量连接用户的“来自终身点击流数据”的信息。“这里的产品定义方式很详细，比如'Nike-Men-Shoes-Sports-10'，其中10是大小。”除了个别品牌的信息之外，还汇总了整个服装类别的信息，包括尺寸信息，“这有助于理解产品的所有尺寸相关属性”。

作者使用Google的Tomas Mikolov及其同事在2013年使用该作者开发的“Word2Vec”算法开发的流行的“skip-gram”方法嵌入了所有这些信息。因此，当他们监视您的购物车并检查您所拥有的产品时，他们可以将您的预期购买与“调整大小的向量进行比较，这些向量可以解释用户的身体形状并适合不同的品牌和产品。”使用所有这些嵌入，运行神经网络，程序创建潜在回报的概率分数。作者以“A / B”方式进行了“实时”测试，根据分显示了一些购物者的奖励或惩罚，同时让对照组体验正常的购物体验。他们写道，它在生产的Myntra购物网站上对100,000名用户进行了测试。

“双模型首先预测购物车的返回概率，然后以渐变提升方法使用它来识别将从该购物车返回的确切产品数量。”该预测被输入“实时生产架构”，该架构决定实施的奖励和惩罚(如果有的话)。他们写道，这种方法得到了结果。当他们改变运费时，例如，逐个人，订单下降了1.7%，但回报也下降了3%甚至更高。他们指出，当提供优惠券以换取不可退货的商品时，27%的顾客接受了此优惠，退货率下降了4%。Kedia及其同事的教训很明确：这种统计预期改善了业务的各个方面。“行动项目的实验结果表明，准确预测回报可能会导致回报率下降。”他们写道，他们计划在未来的工作中追求更多的“行动项目”。与此同时，消费者的教训也很清楚：当你在网上购物时，你正在参与一个游戏，这个游戏的规则是商家比你更了解的。虽然你对他们如何玩游戏知之甚少，但商人使用机器学习越来越多地了解你如何玩游戏。