零售可以是一種游戲，印度在線服裝零售商Myntra通過預測人們購買之前返回購物車中的內(nèi)容的傾向，以及使用獎勵和懲罰來阻止退貨，從而學習更好地玩游戲。就像電影“少數(shù)派報告”中的某些內(nèi)容一樣，殺手在他們根據(jù)預先情緒殺死之前被逮捕，機器學習的從業(yè)者正在試圖衡量你甚至在購買之前返回服裝的可能性。總部位于班加羅爾的印度電子商務創(chuàng)業(yè)公司Flipkart(由WalMart和其他公司支持)的在線時裝零售商Myntra本周發(fā)布了一項新研究，描述了在點擊購買之前評估一個人的在線購物車的實驗。它基于您在線觀看的模式，也可以根據(jù)您可能沒有意識到的尺寸和適合度進行猜測。

所有這一切都是為了使計算機能夠在不到70毫秒的時間內(nèi)決定您有多大的回報風險。目的是通過獎勵和懲罰，采取各種措施來決定是否以不同的方式對待您作為回報風險。這些包括增加您的運費，作為一種威懾，或提供優(yōu)惠券作為獎勵，以換取購買不可退還。Myntra的研究人員在與真實客戶的測試中發(fā)現(xiàn)神經(jīng)網(wǎng)絡的預測，以及獎勵和懲罰，以可衡量的方式降低了回報率。作者將幾條信息組合成一個“深度神經(jīng)網(wǎng)絡”來預測產(chǎn)品回報，包括產(chǎn)品信息的“潛在”向量，歷史回報率，以及知道您購買的東西可能不適合的個性化尺寸向量。Myntra

這篇論文“早鳥捕捉蠕蟲：在購買時尚電子商務之前預測回報”，發(fā)布在arXiv預打印服務器上，由Sajan Kedia，Manchit Madan和Myntra的Sumit Borar撰寫。此后Borar開始在谷歌工作。本文值得注意的是上周與Myntra研究人員發(fā)表的另外兩篇論文一起發(fā)布。在一篇論文“One Embedding To Dom All”中，作者通過結(jié)合多種信息來源為零售創(chuàng)造了一種新的產(chǎn)品清單。第三篇論文“時尚零售：預測新產(chǎn)品的需求”預測哪些新服裝產(chǎn)品將根據(jù)過去的趨勢做得很好，但也會根據(jù)款式和品牌以及定價模型，這種模式可以預測全新商品的樣式在他們開始銷售之前會做的。最后一篇論文將于8月份在阿拉斯加州安克雷奇舉行的知識發(fā)現(xiàn)和數(shù)據(jù)挖掘會議上發(fā)表。

但是，“早鳥”報紙似乎提供了如何將零售轉(zhuǎn)變?yōu)橐环N游戲的最引人注目的例子。Kedia及其同事觀察到，在線零售商實現(xiàn)簡單回報的趨勢導致實際回報激增，這給這些零售商帶來了高昂的“逆向物流”成本。他們寫道，這包括運回的成本，以及客戶擁有它們時錯過的銷售成本，所有這些都“占據(jù)了電子零售商利潤率的主要部分”。作者寫道，零售行業(yè)一直試圖預測回報率，但從未通過“實時預測購物車頁面，以便可以根據(jù)回報概率值采取先發(fā)制人的行動”。為了進行這些實時預測，作者整理了一個“完全連接”的深度神經(jīng)網(wǎng)絡，該網(wǎng)絡受到關于產(chǎn)品和客戶的眾多因素的培訓。然后，經(jīng)過訓練的模型將生成客戶購物車的即時評估，以預測退貨的概率。

“實時生產(chǎn)架構(gòu)”可在不到70毫秒的時間內(nèi)評估您的購物車，并決定是否發(fā)放獎勵或懲罰以遏制您的預期退貨行為。Myntra使用的因素不同于您對某些新發(fā)明的預期。在您期望的事物中，一個非常明顯的因素是計算任何人過去給某件衣服返回商店的次數(shù)。此外，諸如給定用戶點擊產(chǎn)品列表的速率之類的數(shù)據(jù)用于構(gòu)建特定于該用戶的所謂的“產(chǎn)品嵌入”。這是通過采用“矩陣分解”來完成的。該過程的目的是“將用戶 - 產(chǎn)品交互矩陣轉(zhuǎn)換為較低維度的潛在向量，捕獲產(chǎn)品的隱藏屬性”。您在購物車中放置了多少類似的東西，比如同一件不同顏色的襯衫。事實證明，這種物品的加倍是高回報的主要指標。事實上，他們寫道，一個人在購物車中的總物品越多，他們的退貨率就越高。

“退貨率高度依賴于購物車的尺寸，”他們寫道。“隨著購物車尺寸超過五種產(chǎn)品，退貨率達到72%，而含有一種產(chǎn)品的購物車的退貨率為9%。”作者并沒有對因果關系進行過多的推測，但可能人們正在做虛擬更衣室的事情，裝載多種版本的東西，在家中試用它們，完全期望返回他們最不喜歡的那些。您可能沒有預料到的一個引人注目的因素是所謂的“個性化尺寸潛在特征”。作者注意到，在回歸的歷史數(shù)據(jù)中，當人們被問到為什么他們要回送東西時，超過一半的實例是因為該項目的大小錯誤或者不符合他們想要的方式。

作者觀察到，一個人甚至不知道他們的尺寸是多么重要，因為列出和描述尺寸的方式因項目或品牌而異。因此，他們建議創(chuàng)建一個矢量，該矢量連接用戶的“來自終身點擊流數(shù)據(jù)”的信息。“這里的產(chǎn)品定義方式很詳細，比如'Nike-Men-Shoes-Sports-10'，其中10是大小。”除了個別品牌的信息之外，還匯總了整個服裝類別的信息，包括尺寸信息，“這有助于理解產(chǎn)品的所有尺寸相關屬性”。

作者使用Google的Tomas Mikolov及其同事在2013年使用該作者開發(fā)的“Word2Vec”算法開發(fā)的流行的“skip-gram”方法嵌入了所有這些信息。因此，當他們監(jiān)視您的購物車并檢查您所擁有的產(chǎn)品時，他們可以將您的預期購買與“調(diào)整大小的向量進行比較，這些向量可以解釋用戶的身體形狀并適合不同的品牌和產(chǎn)品。”使用所有這些嵌入，運行神經(jīng)網(wǎng)絡，程序創(chuàng)建潛在回報的概率分數(shù)。作者以“A / B”方式進行了“實時”測試，根據(jù)分顯示了一些購物者的獎勵或懲罰，同時讓對照組體驗正常的購物體驗。他們寫道，它在生產(chǎn)的Myntra購物網(wǎng)站上對100,000名用戶進行了測試。

“雙模型首先預測購物車的返回概率，然后以漸變提升方法使用它來識別將從該購物車返回的確切產(chǎn)品數(shù)量。”該預測被輸入“實時生產(chǎn)架構(gòu)”，該架構(gòu)決定實施的獎勵和懲罰(如果有的話)。他們寫道，這種方法得到了結(jié)果。當他們改變運費時，例如，逐個人，訂單下降了1.7%，但回報也下降了3%甚至更高。他們指出，當提供優(yōu)惠券以換取不可退貨的商品時，27%的顧客接受了此優(yōu)惠，退貨率下降了4%。Kedia及其同事的教訓很明確：這種統(tǒng)計預期改善了業(yè)務的各個方面。“行動項目的實驗結(jié)果表明，準確預測回報可能會導致回報率下降。”他們寫道，他們計劃在未來的工作中追求更多的“行動項目”。與此同時，消費者的教訓也很清楚：當你在網(wǎng)上購物時，你正在參與一個游戲，這個游戲的規(guī)則是商家比你更了解的。雖然你對他們?nèi)绾瓮嬗螒蛑跎?，但商人使用機器學習越來越多地了解你如何玩游戲。