2min

Onderzoekers van Google en het Indiase e-commercebedrijf Myntra Designs hebben een kunstmatige intelligentie (AI) ontwikkeld die kan voorspellen hoe groot de kans is dat een klant een product retourneert, voordat de aankoop heeft plaatsgevonden. 

De onderzoekers trainden hiervoor een machine learning-model op een dataset van onder meer voorkeuren, lichaamsvormen en bekeken producten van winkeliers, schrijft Venturebeat. Om te identificeren welke factoren een groot effect hadden op het retourneren van een product, analyseerde de onderzoekers het e-commerceplatform van Myntra Designs. Daar staan ongeveer 600.00 producten op en er worden wekelijks miljoenen bestellingen verwerkt.

Trainen van model

De onderzoekers ontdekten dat van alle geretourneerde producten, 4 procent voorkwamen als er een aantal vergelijkbare producten in een winkelwagentje zitten. 53 procent van de teruggestuurde producten zijn het gevolg van problemen met de maat en hoe een product zit. Ook blijkt de kans op teruggestuurde producten sterk afhankelijk van hoeveel er in een winkelwagen zit. Zitten er vijf producten in, dan is de kans 72 procent, tegenover 9 procent van winkelwagentjes met één product.

Met die inzichten maakte het team een zogenaamde “hybrid dual-model” om zowel de kans op het retourneren van complete winkelwagens als op enkele artikelen te voorspellen. Een AI-classifier van een hoger niveau classificeerde de retourneerbare wagentjes. Een tweede classifier – die voortborduurt op de geclassificeerde winkelwagentjes – voorspelt hoe groot de kans is dat een individueel product teruggestuurd wordt.

Beide classifiers werden getraind op een dataset met monsters uit drie categorieën, met informatie als het merk, de leeftijd van het product, de grootte van het winkelwagentje, de dag en tijd van de bestelling, de stad waar het heen moet, de betaalwijze en hoe vaak er iets besteld werd.

Resultaten

Het best presterende AI-systeem wist met 74 procent precisie te voorspellen of een artikel teruggestuurd zou worden of niet. Daarbij behaalde het systeem een 82,3 procent-gebied onder de receiver operating characteristic, wat een manier is om detectie-accuraatheid te bepalen.

In een live test met 100.000 gebruikers daalde het aantal bestellingen ietwat (met 1,7 procent) in vergelijking met een controleset. Het percentage van geretourneerde producten daalde met 3 procent.

Het team stelt dat het handig kan zijn om te bepalen welke klanten waarschijnlijk een product terugsturen, omdat een retailer dan vooraf actie kan ondernemen. Dit kan bijvoorbeeld het personaliseren van verzendingskosten zijn.