Minority Report von AI für den Einzelhandel: Sie wissen, dass Sie es zurückgeben, noch bevor Sie es kaufen

Wie etwas aus dem Film „Minority Report“, in dem Mörder festgenommen werden, bevor sie auf der Grundlage einer vorgefassten Meinung töten. Praktiker des maschinellen Lernens versuchen bereits vor dem Kauf abzuschätzen, wie wahrscheinlich es ist, dass Sie ein Kleidungsstück zurückgeben Es.

Myntra, der in Bangalore ansässige Online-Modehändler im Besitz des indischen E-Commerce-Startups Flipkart (das von Walmart unterstützt wird). andere) hat eine neue Studie veröffentlicht, in der Experimente beschrieben werden, bei denen der Online-Warenkorb einer Person bewertet wird, bevor sie zum Kauf klickt. Es basiert auf Mustern dessen, was Sie sich online angesehen haben, aber auch auf einer Vermutung über Ihre Größe und Passform, die selbst Ihnen vielleicht noch nicht bewusst war.

All dies soll es dem Computer ermöglichen, in weniger als 70 Millisekunden zu entscheiden, wie hoch das Risiko einer Rendite für Sie ist. Ziel ist es, mit verschiedenen Maßnahmen zu entscheiden, ob Sie als Renditerisiko über Belohnung und Bestrafung unterschiedlich behandelt werden sollen. Dazu gehört die Erhöhung Ihrer Versandkosten zur Abschreckung oder das Anbieten eines Gutscheins als Anreiz dafür, dass der Kauf vom Umtausch ausgeschlossen ist.

Die Forscher von Myntra fanden in Tests mit echten Kunden heraus, dass die Vorhersagen des neuronalen Netzwerks sowie die Belohnungen und Bestrafungen die Rücklaufquoten messbar senkten.

Das Papier „Der frühe Vogel fängt den Wurm: Renditen noch vor dem Kauf im Mode-E-Commerce vorhersagen“ ist auf dem arXiv-Preprint-Server veröffentlichtund wurde von Sajan Kedia, Manchit Madan und Sumit Borar aus Myntra verfasst. Borar arbeitet seitdem bei Google.

Das Papier ist auch deshalb bemerkenswert, weil es letzte Woche zusammen mit zwei anderen Papieren von Myntra-Forschern veröffentlicht wurde. In einem Artikel heißt es: „Eine Einbettung für alles„erschaffen die Autoren durch die Kombination mehrerer Informationsquellen eine neue Art der Produktlistung für den Handel. Der dritte Aufsatz „Modeeinzelhandel: Prognose der Nachfrage nach neuen Artikeln„Prognostiziert anhand früherer Trends, aber auch anhand eines Modells, welche neuen Bekleidungsartikel gut ankommen werden Stile, Marken und Preise, ein Modell, das vorhersehen kann, wie sich brandneue Artikel entwickeln, bevor sie auf den Markt kommen Verkauf. Das letzte Papier wird im August auf der vorgestellt Konferenz zu Knowledge Discovery und Data Mining in Anchorage, Alaska.

Aber es ist das „Early Bird“-Papier, das das eindrucksvollste Beispiel dafür zu bieten scheint, wie man den Einzelhandel in eine Art Spiel verwandeln kann.

Auch: Vergessen Sie Go, Google hilft der KI dabei, zu lernen, wie man Flüge im Web bucht

Kedia und Kollegen beobachteten, dass der Trend zu einfachen Rücksendungen durch Online-Händler zu einem Anstieg der tatsächlichen Rücksendungen geführt hat, was für diese Einzelhändler hohe „Reverse-Logistics“-Kosten mit sich bringt. Dazu gehören die Kosten für den Rückversand und die Kosten für verpasste Verkäufe von Artikeln, während ein Kunde sie hat, was allesamt „einen großen Teil der Gewinnspanne von Online-Händlern verschlingt“, schreiben sie.

Die Einzelhandelsbranche hat versucht, Rücklaufquoten vorherzusagen, jedoch nie durch „Prognosen in Echtzeit“. Warenkorbseite, so dass präventive Maßnahmen basierend auf dem Rückgabewahrscheinlichkeitswert ergriffen werden können“, so die Autoren schreiben.

Um diese Vorhersagen in Echtzeit zu treffen, haben die Autoren ein „vollständig vernetztes“ tiefes neuronales Netzwerk zusammengestellt, das auf zahlreiche Faktoren zu Produkten und Kunden trainiert wird. Dieses trainierte Modell erstellt dann eine sofortige Bewertung des Warenkorbs des Kunden, um die Wahrscheinlichkeit von Retouren vorherzusagen.

Die verwendeten Faktoren variieren von dem, was man erwarten würde, bis hin zu einigen neuartigen Erfindungen. Zu den Dingen, die Sie erwarten würden, gehört ganz offensichtlich die Zählung, wie oft ein bestimmtes Kleidungsstück in der Vergangenheit von irgendjemandem im Geschäft zurückgegeben wurde.

Darüber hinaus werden Daten wie die Häufigkeit, mit der ein bestimmter Benutzer auf eine Produktliste klickt, verwendet, um sogenannte „Produkteinbettungen“ zu erstellen, die speziell für diesen Benutzer gelten. Dies geschieht durch den Einsatz der „Matrixfaktorisierung“. Dieser Prozess hat den Zweck, „das zu transformieren“. Benutzer-Produkt-Interaktionsmatrix in niedrigerdimensionale latente Vektoren, die die verborgenen Attribute von erfassen die Produkte."

Sie achten darauf, wie viele ähnliche Dinge Sie in Ihren Warenkorb gelegt haben, beispielsweise dasselbe Hemd in verschiedenen Farben. Es stellt sich heraus, dass eine solche Verdoppelung der Artikel ein Frühindikator für höhere Renditen ist. Tatsächlich sei es so, dass die Retourenquote nachweislich umso stärker steige, je mehr Artikel sich insgesamt in einem Einkaufswagen befinden, schreiben sie.

„Die Retourenquoten hängen stark von der Warenkorbgröße ab“, schreiben sie. „Bei einer Warenkorbgröße von mehr als fünf Produkten liegt die Retourenquote bei 72 %, wohingegen bei einem Warenkorb mit einem Produkt die Retourenquote bei 9 % liegt.“ Die Autoren beschäftigen sich kaum mit Kausalitätsspekulationen, Aber vermutlich machen die Leute das virtuelle Umkleidekabinen-Ding, indem sie sich mehrere Versionen von etwas laden, um sie zu Hause auszuprobieren, in der festen Erwartung, diejenigen zurückzugeben, die sie am Ende nicht erhalten Geschmack.

Auch: Facebook nutzt KI, um die Leistung von Webservern zu optimieren

Ein auffälliger Faktor, den Sie vielleicht nicht erwarten, ist das sogenannte „persönliche latente Größenmerkmal“. Den Autoren ist aufgefallen, dass in historischen Daten zu Wenn Menschen gefragt werden, warum sie etwas zurückschicken, antworten mehr als die Hälfte der Fälle darauf, dass der Artikel die falsche Größe hatte oder der Person nicht passte gesucht.

Die Autoren stellen fest, dass es für eine Person online schwierig ist, überhaupt zu wissen, welche Größe sie hat, da die Art und Weise, wie Größen aufgeführt und beschrieben werden, von Artikel zu Artikel oder von Marke zu Marke unterschiedlich sein kann. Daher schlagen sie die Erstellung eines Vektors vor, der Informationen „aus den lebenslangen Clickstream-Daten“ des Benutzers verkettet. „Hier werden Produkte detailliert definiert, etwa ‚Nike-Men-Shoes-Sports-10‘, wobei 10 die Größe ist.“ Neben Informationen nach einzelnen Marken, Informationen für ganze Bekleidungskategorien werden aggregiert, einschließlich Größeninformationen, „was dabei hilft, alle größenbezogenen Attribute für eine zu verstehen.“ Produkt."

Die Autoren betten all diese Informationen mithilfe des beliebten „Skip-Gram“-Ansatzes ein, der 2013 von Googles Tomas Mikolov und seinen Kollegen entwickelt wurde, und verwenden dabei den von ihnen entwickelten „Word2Vec“-Algorithmus.

Wenn sie also Ihren Einkaufswagen ausspionieren und prüfen, was Sie haben, können sie Ihre Absichten vergleichen Käufe zu „Größenvektoren, die die Körperform und Passform des Benutzers für verschiedene Marken erklären“ Produkte."

Unter Verwendung all dieser Einbettungen, die durch das neuronale Netzwerk laufen, erstellt das Programm einen Wahrscheinlichkeitswert für potenzielle Renditen. Die Autoren führten einen „Live“-Test im „A/B“-Stil durch und zeigten einigen Käufern auf der Grundlage der Analyse Anreize oder Strafen auf, während eine Kontrollgruppe das normale Einkaufserlebnis erleben durfte. Es sei an 100.000 Nutzern auf der Produktions-Shopping-Site Myntra getestet worden, schreiben sie.

Sie gehen davon aus, dass sie in der Lage waren, eine ziemlich genaue Analyse in Echtzeit zu erhalten.

---

Auch:

• Was ist KI? Alles, was Sie wissen müssen
• Was ist Deep Learning? Alles, was Sie wissen müssen
• Was ist maschinelles Lernen? Alles, was Sie wissen müssen
• Was ist Cloud Computing? Alles, was Sie wissen müssen

---

„Das duale Modell sagt zunächst die Rückkehrwahrscheinlichkeit für einen Einkaufswagen voraus und verwendet diese dann in einem Gradienten-Boost-Ansatz, um die genaue Anzahl der Produkte zu ermitteln, die dies tun werden.“ aus diesem Warenkorb zurückgegeben werden.“ Diese Vorhersage wird in eine „Echtzeit-Produktionsarchitektur“ eingespeist, die Entscheidungen über die gegebenenfalls umzusetzenden Belohnungen und Strafen trifft beliebig.

Der Ansatz habe Ergebnisse gebracht, schreiben sie. Wenn sie beispielsweise die Versandkosten von Person zu Person variierten, gingen die Bestellungen um 1,7 % zurück, aber auch die Retouren gingen zurück, und zwar um sogar noch mehr 3 %. Als ihnen als Gegenleistung dafür, dass Artikel vom Umtausch ausgeschlossen waren, ein Gutschein angeboten wurde, nahmen 27 % der Kunden das Angebot an und die Retouren gingen um 4 % zurück, berichten sie.

Die Lektion für Kedia und Kollegen ist klar: Diese Art der statistischen Antizipation verbessert Aspekte des Geschäfts.

„Experimentergebnisse zu Aktionselementen zeigen, dass eine genaue Vorhersage der Rendite zu einer Verringerung der Rendite führen kann.“ Sie planen, in der künftigen Arbeit weitere „Aktionspunkte“ zu verfolgen, schreiben sie.

Inzwischen ist auch die Lektion für Verbraucher klar: Wenn Sie online einkaufen, nehmen Sie an einem Spiel teil, einem Spiel, dessen Regeln der Händler viel besser kennt als Sie. Und während Sie nur sehr wenig darüber wissen, wie sie das Spiel spielen, weiß der Händler, der maschinelles Lernen nutzt, zunehmend sehr viel darüber, wie Sie spielen.