[論文レビュー] Early Bird Catches the Worm: Predicting Returns Even Before Purchase in Fashion E-commerce

Sajan Kedia, Manchit Madan+1 more|arXiv (Cornell University)|Jun 28, 2019

Consumer Market Behavior and Pricing参考文献 13被引用数 10

ひとこと要約

本論文では、ベイジアンパーソナライズドランクイング（BPR）埋め込み、スキップグラムベースのサイズベクトル、および特徴工学的手法を用いて、カートおよび商品レベルでリアルタイムにファッション通販の返品確率を予測する深層ニューラルネットワークモデルを提案する。モデルはAUC 83.2%を達成し、パーソナライズド配送料金、返品不可商品オプション、試着前購入機能といった措置をリアルタイムで実施することで、返品率を最大4%まで低減するA/B実験を可能にした。

ABSTRACT

With the rapid growth in fashion e-commerce and customer-friendly product return policies, the cost to handle returned products has become a significant challenge. E-tailers incur huge losses in terms of reverse logistics costs, liquidation cost due to damaged returns or fraudulent behavior. Accurate prediction of product returns prior to order placement can be critical for companies. It can facilitate e-tailers to take preemptive measures even before the order is placed, hence reducing overall returns. Furthermore, finding return probability for millions of customers at the cart page in real-time can be difficult. To address this problem we propose a novel approach based on Deep Neural Network. Users' taste & products' latent hidden features were captured using product embeddings based on Bayesian Personalized Ranking (BPR). Another set of embeddings was used which captured users' body shape and size by using skip-gram based model. The deep neural network incorporates these embeddings along with the engineered features to predict return probability. Using this return probability, several live experiments were conducted on one of the major fashion e-commerce platform in order to reduce overall returns.

研究の動機と目的

• ファッション通販における高い返品率が引き起こすリバースロジスティクスの高コストと非効率性を是正すること。
• 注文成立以前に商品の返品可能性を予測し、返品を低減するための事前措置を講じること。
• カートおよび個々の商品レベルで返品をリアルタイムかつスケーラブルに予測できるシステムを構築すること。
• 主要なファッションプラットフォームにおけるライブA/B実験を通じて、返品予測のビジネスインパクトを評価すること。

提案手法

• ユーザーの好みと商品の類似性を捉えるために、ベイジアンパーソナライズドランクイング（BPR）を用いて商品埋め込みを学習する。
• ユーザーのサイズとフィット感データを用いてトレーニングされたスキップグラムモデルにより、ユーザー固有のサイズベクトルを生成する。
• BPR商品埋め込み、サイズベクトル、および特徴工学的手法で得た特徴（例：カートサイズ、支払い方法、返品履歴）を組み合わせ、深層ニューラルネットワークの入力とする。
• ハイブリッド二重モデルアーキテクチャを採用：一つはカートレベルの返品確率予測、もう一つは個々の商品レベルの予測。
• 予測された返品確率に基づき、パーソナライズド配送料金、返品不可商品フラグ、試着前購入オプションといったリアルタイムアクションをトリガーする。
• AUC、精度、再現率を用いてモデルをトレーニングおよび評価し、特徴の寄与度を評価するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーおよび商品の埋め込み、および特徴工学的手法を用いて、購入以前に返品確率を正確に予測できるか？
• RQ2 深層ニューラルネットワークモデルは、リアルタイムでカートおよび商品レベルの返品可能性をどれほど的確に捉えられるか？
• RQ3 パーソナライズド配送料金や返品不可商品オプションといった事前措置は、返品率低減にどの程度効果をもたらすか？
• RQ4 どの特徴（例：商品の返品スコア、ユーザーのサイズベクトル、カートサイズ）が返品予測性能において最も寄与しているか？
• RQ5 実世界のA/B実験により、返品予測の有効性が、リバースロジスティクスコストの低減および利益率の向上に寄与することを裏付けられるか？

主な発見

• 深層ニューラルネットワークモデルはAUC 83.2%を達成し、勾配ブースティングや完全結合ネットワークを含むすべてのベースラインモデルを上回った。
• スキップグラムベースのサイズベクトルの導入により、それらを含まないモデルと比較して精度が2%向上した。
• パーソナライズド配送料金の実験では、注文件数が1.7%減少したものの、返品率は3%低下した。また、90%のキャンセルユーザーが高確率で返品するユーザーであった。
• 返品不可商品の実験では、ユーザーの27%が採用し、1カートあたり平均1.5商品が返品不可としてマークされ、返品率が4%低下した。
• 試着前購入の実験では40%の採用率を達成し、コントロールグループと比較して返品率が3.7%低下した。
• 主な予測特徴には、商品の返品スコア、カートサイズ、支払い方法、ユーザーの生涯にわたる返品数量、ユーザー固有のサイズベクトルが含まれた。