یادگیری ماشین کالاهای پسفرستادهشده را پیش از خرید آنها پیشبینی کرد
پژوهشگران با طراحی مدل جدید یادگیری ماشین موفق به پیشبینی کالاهای پسفرستادهشده، پیش از خرید آنها شدند.
تجارت الکترونیک بهعنوان یک نیروی فعال غیرقابل توقف شناخته شده است و پیشبینی میشود که با رشد این تجارت، میزان فروش کالا تا سال ۲۰۲۰ به ۴ تریلیون دلار برسد. موفقیت تجارت الکترونیک هیچ رمز و رازی جز راحتتر بودن خرید آنلاین از نظر مشتریان نیست. نتایج نظرسنجیهای بیشماری نشان دادهاند که مشتریان راحتی خرید از فروشگاههای آنلاین را به فروشگاههای سنتی ترجیح میدهند؛ اما تعدادی از شرکتها در تلاش هستند تا با سیاستهای آزادانهتر درمورد بازگشت دادن کالا، در این رقابت پیشی بگیرند. برآورد شده که یک سوم از سفارشات آنلاین بازگردانده میشود که این موضوع باعث کاهش حاشیه سود میشود.
پژوهشگران گوگل و شرکت تجارت الکترونیک Myntra Designs در هند، در پژوهش جدیدی، نقطهضعف بازپس فرستادن کالاهای آنلاین را بررسی کردند. نتایج این بررسی در مقالهای در آرشیو Arxiv منتشر شده است. این تیم تحقیقاتی با استفاده از مدل یادگیری ماشین، مجموعهای از دادهها را روی ترجیحات خریداران، شکل و اندازه محصولات، میزان بازدید محصولات و موارد دیگر آموزش دادند و موفق به ارائه مدلی شدند که میتواند قبل از خرید، پیشبینی کند که آیا مشتری کالای خریداریشده را بازپس خواهد فرستاد یا خیر.
برای شناسایی عواملی که تأثیر بهسزایی بر بازگشت کالاها دارند، پژوهشگران تجزیه و تحلیلی را روی پلتفرم تجارت الکترونیک Myntra Designs انجام دادند که روزانه بهطور میانگین میزبان ۶۰۰ هزار محصول است و رسیدگی به میلیونها سفارش در هفته را تسهیل میکند. نتایج این بررسی نشان داد که ۴ درصد بازگشت کالاها زمانی رخ میدهد که محصولات مشابهی از همان کالا در سبد خرید وجود دارد. علاوهبر این، ۵۳ درصد از بازگشتیها بهعلت مسائل مربوطبه اندازه و تناسب محصولات بوده است. همچنین میزان پس فرستادن محصولات رابطه مستقیمی با اندازه سبد خرید داشته است. بررسیها نشان دادند زمانیکه سبدهای خرید بزرگتر هستند، نرخ بازگشت محصولات حدود ۷۲ درصد بوده است که در آن، بیش از پنج محصول در سبد خرید گنجایش داشته است. اما این میزان در سبدهای خرید کوچکتر که تنها یک محصول داشته، ۹ درصد اعلام شده است. جای تعجب نیست که نرخ بازگشت کالاهای قدیمیتر دوبرابر کالاهای جدیدتر بوده است.
با در اختیار داشتن این اطلاعات، پژوهشگران این تیم موفق به طراحی مدل جدیدی به نام مدل دوگانه هیبریدی (hybrid dual-model) شدند که میتواند احتمال بازگشت کالا را براساس اندازه سبد خرید و اقلام محصولات پیشبینی کند. هوش مصنوعی طبقهبندیکننده سطح بالاتر میتواند سبدهای خرید قابل بازگشت را دستهبندی کند. هوش مصنوعی طبقهبندیکننده سطح دوم پیشبینی احتمال بازگشت در سطح محصول فردی را انجام میدهد. طبقهبندیکنندههای سطح دوم بهوسیله طبقهبندیکننده سطح اول میتوانند کالاهای قابل بازگشت را در سبدخرید دستهبندی کنند. هر دو سطح طبقهبندیکننده هوش مصنوعی روی مجموعهای از دادهها که شامل نمونهها در سه دسته ویژگیهای محصول، سبد خرید و سطح کاربر از جمله نام تجاری، سن محصول، اندازه سبد خرید، روز و زمان سفارش، شهر تحویل، شمارش سفارش، حالت پرداخت و فراوانی خرید (اما نه فقط محدود به همین موارد) بودند، آموزش داده شدند.
ممکن است بخواهید بدانید که عملکرد این مدل جدید دوگانه هیبریدی چگونه بوده است. طبق نتایج آزمایشها، بهترین عملکرد سیستم پیشبینیکننده بازگشت محصولات هوش مصنوعی با استفاده از مشخصه عامل گیرنده (AUC) که واحد اندازهگیری برای شناسایی میزان دقت است، به ۸۳.۲ درصد و با میزان دقت ۷۴ درصد رسید. در آزمایشی که بهطور زنده روی ۱۰۰ هزار کاربر انجام شد، تعداد سفارشات به میزان کمی (۱.۷ درصد) در مقایسه با گروه کنترل کاهش یافت؛ اما میزان درصد بازپس فرستادن کالاها ۳ درصد کاهش یافت.
این تیم تحقیقاتی بیان میکند دانستن این نکته که مشتریان احتمالا چه اقلام از کالاهایی را پس میفرستند، پای خردهفروشان را به این موضوع باز میکند و باعث میشود که خردهفروشان اقدامات پیشگیرانهای مانند شخصیسازی هزینههای حملونقل یا حتی ارائهی کوپن به محصولات پسفرستادنی را انجام دهند که این محصولات بازگشت داده نشوند.
بهگفتهی این پژوهشگران:
در برنامه بلندمدت قصد داریم که این مدل را روی اقلام نیازمند اقدام دیگری پیادهسازی کنیم که میتواند به کاهش بازده کلی کمک کند.
