Журнал

«Healthy Food — это не Дима Пронин». Он потерял клиентов, партнёров и 10 млн руб. Что было дальше?

«Healthy Food — это не Дима Пронин». Он потерял клиентов, партнеров и 10 млн рублей. Что было дальше?

Рубрики

О журнале

Соцсети

Напишите нам

Новости

Google представил ИИ, который прогнозирует объем возврата товаров

Фото: iStock

Исследователи Google и индийской компании по электронной коммерции Myntra Designs опубликовали статью, посвященную возврату товаров, приобретенных в интернет-магазинах. Используя модель машинного обучения, обученную на наборе данных о предпочтениях покупателей, их телосложении, представлениях о товаре и многом другом, им удалось предсказать вероятность возврата для каждого покупателя до покупки, сообщает VentureBeat.


Ожидается, что к 2020 году объем продаж посредством электронной торговли достигнет $4 трлн, однако возвраты составят чуть менее трети от этой суммы, сильно снижая эффективность интернет-магазинов и понижая их прибыль. Чтобы определить, какие факторы оказали наибольшее влияние на число возвратов товаров, исследователи провели анализ статистики платформы электронной коммерции Myntra Designs, которая имеет товарный ассортимент в размере 600 тыс. продуктов и получает несколько миллионов заказов в неделю.

Они обнаружили, что из всех возвратов 4% происходит, когда в корзине есть несколько похожих товаров. Кроме того, они обнаружили, что 53% возвратов происходят из-за проблем с размером и подгонкой, и что процент возврата сильно зависят от размера общей покупки. Если покупатель одновременно приобретает более пяти продуктов, то шансы возврата одной из них составляют около 72% по сравнению с 9% для покупки, в которую входит один товар.

Вооружившись этими числами, команда разработала так называемую гибридную двойную модель для прогнозирования вероятности возврата товара и покупки в целом. ИИ, разбитый на две части, учился предсказывать вероятность возврата отдельных товаров и покупок машинным способом, обрабатывая блок данных, содержащий образцы по трем категориям — функциям продукта, корзины и данных пользователя — включая такие факторы, как бренд, возраст продукта, размер корзины, день и время заказа, город доставки, заказ количество, способ оплаты и частота покупки, а также многое другое.

Команда отмечает, что, зная, какие клиенты могут вернуть товар, розничный продавец может предпринять упреждающие действия, например, персонализировать стоимость доставки или сделать товар невозвратным, предложив купон. «В будущем мы планируем применить эту модель к большему количеству элементов действий, которые могли бы снизить прибыль платформы», — написали они.


Подписывайтесь на наш канал в Telegram: @incnews