双十一结束了，但AI的退货“打怪之旅”刚刚开始

比如谷歌就与印度电商公司Myntra Designs的研究人员合作，开发了一个识别退货率的机器学习模型。该算法在购物者的偏好、体型、产品视图等数据集上进行训练，以期在购买前预测每位顾客的退货概率。当然，这么做并不是为了区别对待，而是为了明确哪些因素对退货有不同比例的影响。

通过分析发现，53%的退货是由于尺寸不那么合身，而且退货率高度依赖于购物车的大小。购物车中超过五种产品的情况下退货率约为72%，而购物车中只有一种产品的情况下退货率为9%。该模型还能在单个产品级别上预测退货概率，不过在对10万用户进行的实施测试中，精度似乎还不足以达到应用级别。

不管怎样，尽可能洞察用户并满足他们的期望，进而降低产品被退回的概率，都是必须迈出的一步。

2.利用智能技术升级体验，规避平台的退货风险。

除了被动地等待将用户退货，然后在个人账号上暗搓搓地搞事情，平台做些什么才能有效地“自救”。目前看来，规避退货的最有效办法就是在前期做好风险控制。

这听起来很简单，但实践上却有诸多痛点。比如说大量退货是由于产品的实际功能与网上描述不符，商品出库前没有准确检查发错东西。亦或是没有关注需求，错过了顾客指定的特殊日期或要求，进而造成退货。平时或许还可以搞人海战术来解决，对于节日大促这种“地狱模式”，仅靠人力显然是不可能完成的任务了。

此时，利用AI打造的智能系统先发制人就显得极为关键了。今年双十一我就发现，许多平台似乎可以知道哪些顾客可能会退货，就会让他们抽到更多的优惠券，用户的价格风险大大降低（退货成本也被提高），自然留下的概率也就更高，真的是要气死我等佛系“老实人”了。

在店铺运营端，利用AI来减少“买家秀”和“卖家秀”之间的心理误差，已经在逐步推广。比如修正产品图片，确保图片清晰并和产品保持一致，即便是请不起美工的个人C店也能高效率地保证图片质量。而有实力的店铺，也会通过基于AI技术的虚拟试衣/试装，让用户预先看到试穿效果。

其中，要实现高仿真度，需要系统能够模拟光线的反射和投影效果，让顾客感觉自己在照镜子，而不是对着摄像头玩“贴纸游戏”，就需要AI算法对光线进行优化调试，最后呈现出立体真实的上身效果。

3.支持智能化柔性仓储物流的3PL正在崛起。

退换货时涉及的逆向物流如何提高效率，一直是一个难题。一些由平台自营、或是大型物流公司来说，通过规模化、自动化作业来降低逆向物流的损耗成本，并不是什么难事。但许多中小型电商企业物流管理水平有限，对退货业务的硬件、网络部署投入不足，退货作业效率自然也就很低了。

此时，经过智能化改造的3PL（第三方履约中心）就能起到非常好的缓冲作用。区别于传统的自营、联营和外包模式，3PL既具有配送能力，又有仓储功能，同时也有一定的客户订单信息，在业务集成基础上打造的智能退换货体系，让中小型电商不必投入大量成本进行履约中心的智能化改造，就能针对非标准化、零散的柔性退货需求实现效率升级，正在成为诸多平台的新选择。

在海外市场，靠3PL服务卖家的shopify，就正在挑战集中式亚马逊的江湖地位。shopify的履行中心，会通过机器学习算法来预测存储和运输产品的最佳位置，再第三方物流公司让货物能够尽快得到处理，同时降低商家的仓储和物流成本。

爆单一时爽，退货火葬场。习惯了“业绩PK”的电商平台们，都会在退货率这件事上达成一致的沉默。之所以这个场景很难跑通，一方面是技术总有难以抵达之地，更多的是对人性的赌注与权衡；

同时，事情还没有重要到产业链各个关键节点形成合力，将散落在不同环节的技术宝石串联成一条叫做极致效率的项链。

目前看来，顺滑如丝、无伤大雅的退换货，或许还需要一点点时间来让技术发酵，才能酿出滋味。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!