[论文解读] 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 10

一句话总结

该论文提出了一种深度神经网络模型，通过贝叶斯个性化排序（BPR）嵌入、基于跳字模型的尺码向量以及工程化特征，在购物车和单品层面实时预测时尚电商退货概率。该模型AUC达到83.2%，并支持实时实验，通过个性化运费、不可退货商品选项和试穿先买功能，将退货率最高降低4%。

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.

研究动机与目标

• 解决时尚电商因退货率过高导致的逆向物流成本高、效率低的问题。
• 在订单下单前预测商品退货可能性，从而采取预防性措施以减少退货。
• 开发一个实时、可扩展的系统，实现对购物车及单个商品层面的退货预测。
• 通过在主流时尚电商平台进行的实时A/B实验，评估退货预测对业务结果的影响。

提出的方法

• 使用贝叶斯个性化排序（BPR）学习产品嵌入，以捕捉用户偏好和商品相似性。
• 基于用户尺码和合身数据，使用跳字模型生成用户专属的尺码向量。
• 将BPR产品嵌入、尺码向量以及工程化特征（如购物车大小、支付方式、退货历史）作为输入，输入至深度神经网络。
• 采用混合双模型架构：一个用于购物车层面的退货概率预测，另一个用于单品层面的预测。
• 利用预测的退货概率触发实时操作，如个性化运费、不可退货商品标记以及试穿先买选项。
• 使用AUC、精确率和召回率进行模型训练与评估，并通过消融研究评估各特征的贡献。

实验结果

研究问题

• RQ1 能否通过用户和商品嵌入以及工程化特征，在购买前准确预测退货概率？
• RQ2 深度神经网络模型在实时捕捉购物车和单品层面退货可能性方面效果如何？
• RQ3 预防性措施（如个性化运费或不可退货商品选项）对降低退货率的影响有多大？
• RQ4 哪些特征（如商品退货评分、用户尺码向量、购物车大小）对退货预测性能的贡献最为显著？
• RQ5 现实世界中的A/B实验能否验证退货预测在降低逆向物流成本和提升盈利能力方面的有效性？

主要发现

• 深度神经网络模型AUC达到83.2%，优于所有基线模型，包括梯度提升和全连接网络。
• 引入基于跳字模型的尺码向量后，精确率相比无此特征的模型提升了2%。
• 个性化运费实验在订单量下降1.7%的情况下，将退货率降低了3%，且90%的流失用户具有高退货概率。
• 不可退货商品实验的用户采用率达27%，平均每单有1.5件商品被标记为不可退货，退货率降低4%。
• 试穿先买实验的采用率达40%，相比对照组，退货率降低了3.7%。
• 关键预测特征包括商品退货评分、购物车大小、支付方式、用户生命周期退货数量以及用户专属的尺码向量。