Serveur d'impression

Rapport de minorité de A.I. pour la vente au détail: ils savent que vous allez le retourner avant même de l’acheter – Bien choisir son serveur d impression

Le 20 juillet 2019 - 9 minutes de lecture

Comme quelque chose hors du film "Minority Report", où les tueurs sont appréhendés avant de tuer sur la base d'un préjugé, les praticiens de l'apprentissage automatique tentent de mesurer la probabilité que vous rendiez un vêtement avant même de l'acheter.

Myntra, le détaillant de mode en ligne basé à Bangalore, appartenant à la start-up indienne e-commerce Flipkart (soutenue par WalMart et d'autres), a publié une nouvelle recherche cette semaine décrivant des expériences évaluant le panier d'achat en ligne d'une personne avant de cliquer pour acheter. Il est basé sur les modèles de ce que vous avez regardé en ligne, mais également sur une estimation de votre taille et de votre ajustement que vous-même ne saviez peut-être pas.

Tout cela a pour but de permettre à l’ordinateur de décider, en moins de 70 millisecondes, du risque que vous avez pour un retour. Le but est de décider de vous traiter différemment en tant que risque de retour via récompense et punition, avec une variété de mesures. Celles-ci incluent l’augmentation de vos frais d’expédition, à titre dissuasif, ou l’offre d’un coupon à titre d’incitation à rendre l’achat non remboursable.

Des chercheurs de Myntra ont découvert lors de tests menés auprès de clients réels que les prédictions du réseau de neurones, ainsi que les récompenses et les sanctions, réduisaient les taux de retour de manière mesurable.

myntra-2019-deep-network-for-return-prediction.png

Les auteurs combinent plusieurs informations dans un "réseau de neurones profonds" pour prédire les retours de produits, notamment des vecteurs "latents" d'informations de produit, des taux de retour historiques et un vecteur de dimensionnement personnalisé qui sait que ce que vous achetez peut ne pas correspondre.

Myntra

Le document «Early Bird Attrape le Ver: Prévision des retours avant même l'achat dans le commerce électronique Fashion» est publié sur le serveur de pré-impression arXiv et est rédigé par Sajan Kedia, Manchit Madan et Sumit Borar de Myntra. Borar est depuis allé travailler chez Google.

Le document mérite également d’être publié la semaine dernière avec deux autres articles rédigés par des chercheurs de Myntra. Dans un article, "Une intégration pour tous les goûts", les auteurs créent un nouveau type de liste de produits pour la vente au détail en combinant plusieurs sources d'informations. Le troisième article, "Détail de la mode: prévision de la demande pour de nouveaux articles", prédit quels nouveaux vêtements porteront de bons résultats en fonction des tendances passées, mais également sur la base d'un modèle de styles, de marques et de prix, modèle capable d'anticiper la manière dont les nouveaux va faire avant qu'ils soient mis en vente. Ce dernier article sera présenté en août à la conférence Knowledge Discovery and Data Mining à Anchorage, en Alaska.

Mais c’est le journal "Early Bird" qui semble offrir l’exemple le plus frappant de la transformation du commerce de détail en une sorte de jeu.

Également: Oubliez Go, Google aide l'IA à apprendre à réserver des vols sur le Web

Kedia et ses collègues ont observé que la tendance à la rentabilité des retours en ligne des détaillants en ligne avait entraîné une hausse des retours réels, ce qui entraînait des coûts de «logistique inverse» élevés pour ces détaillants. Cela inclut le coût de la réexpédition, ainsi que le coût des ventes manquées alors qu'un client les a, ce qui "absorbe une part importante de la marge bénéficiaire des détaillants en ligne", écrivent-ils.

Le secteur de la vente au détail a essayé de prévoir les taux de retour, mais jamais en "prévoyant en temps réel, à la page du panier, afin que des actions préventives puissent être prises sur la base de la valeur de probabilité de retour", écrivent les auteurs.

Pour faire ces prévisions en temps réel, les auteurs ont mis en place un réseau de neurones profonds "entièrement connecté", formé à de nombreux facteurs relatifs aux produits et aux clients. Ce modèle formé produira ensuite l'évaluation instantanée du panier du client afin de prédire la probabilité de retour.

myntra-2019-architecture-en-temps-pour-retours-prevention.png "data-original =" https://zdnet3.cbsistatic.com/hub/i/2019/07/06/1cb4d0f8-91b6-404c-aac6 -b230016b43d4 / 30ebca2b48f7d137d95abb7d9f8927b7 / myntra-2019-architecture-en-temps-réel-pour-retours-prevention.png

Une "architecture de production en temps réel" évalue votre panier en moins de 70 millisecondes et décide s'il convient d'émettre des récompenses ou des punitions pour limiter le comportement attendu de votre part.

Myntra

Les facteurs utilisés varient de ce que vous attendez à de nouvelles inventions. Parmi les choses que vous attendez, un facteur très évident consiste à compter le nombre de fois où un vêtement donné a été retourné au magasin par le passé.

De plus, des données telles que les vitesses auxquelles un utilisateur donné clique sur la liste de produits sont utilisées pour créer ce que l'on appelle des "incorporations de produit" spécifiques à cet utilisateur. Cela se fait en employant une "factorisation matricielle". Ce processus a pour but de "transformer la matrice d'interaction utilisateur-produit en vecteurs latents de dimension inférieure qui capturent les attributs cachés des produits".

Combien de choses similaires que vous avez mises dans votre panier sont quelque chose qu'ils regardent, comme la même chemise dans des couleurs différentes. Il s’avère qu’une telle multiplication par deux est un indicateur avancé de rendements plus élevés. En fait, plus une personne a au total d'articles dans un panier, plus son taux de retour a augmenté, écrit-elle.

"Les taux de retour dépendent fortement de la taille du panier", écrivent-ils. "Avec un panier de plus de cinq produits, le taux de retour passe à 72%, alors qu'un panier avec un produit a des chances de retour de 9%." Les auteurs ne se livrent pas à beaucoup de spéculations sur la causalité, mais on suppose que les gens font le truc du vestiaire virtuel, chargeant sur plusieurs versions de quelque chose, pour les essayer à la maison, s'attendant à rendre ceux qu'ils n'aiment pas.

Également: Facebook fait appel à l'IA pour améliorer les performances du serveur Web

Un facteur frappant utilisé, que vous ne pouvez pas anticiper, est ce qu'on appelle une "fonctionnalité latente de dimensionnement personnalisé". Les auteurs ont remarqué que dans les données historiques sur les retours, lorsque l’on demandait aux gens pourquoi ils renvoient quelque chose, plus de la moitié des cas le sont parce que le format de l’article était inadéquat ou qu’il ne correspondait pas à la volonté de la personne.

Les auteurs observent qu'il est difficile, en ligne, pour une personne de savoir même quelle est sa taille car la façon dont les tailles sont énumérées et décrites peut varier d'un article à l'autre ou d'une marque à l'autre. Par conséquent, ils proposent de créer un vecteur qui concatène les informations "à partir des données du flux de clics de la vie" de l'utilisateur. "Ici, les produits sont définis de manière détaillée comme" Nike-Men-Shoes-Sports-10 ", où 10 est la taille." Outre les informations relatives à chaque marque, les informations relatives à des catégories entières de vêtements sont agrégées, y compris les informations de dimensionnement, "qui permettent de comprendre tous les attributs liés à la taille d'un produit".

Les auteurs intègrent toute cette information en utilisant la populaire approche "saute-gramme" développée par Tomas Mikolov et ses collègues en 2013, en utilisant l'algorithme "Word2Vec" que ces auteurs ont développé.

En conséquence, quand ils espionnent votre panier et examinent ce que vous avez, ils peuvent comparer vos achats envisagés à "des vecteurs de dimensionnement qui expliquent la forme du corps de l'utilisateur et son ajustement à différentes marques et produits".

En utilisant toutes ces imbrications, parcourant le réseau de neurones, le programme crée un score de probabilité de retours potentiels. Les auteurs ont mené un test "en direct" en mode "A / B", montrant à certains acheteurs des incitations ou des pénalités basées sur l'analyse, tout en laissant un groupe de contrôle vivre l'expérience de magasinage normal. Il a été testé sur 100 000 utilisateurs sur le site de production Myntra, écrivent-ils.

Ils suggèrent qu'ils ont pu obtenir une analyse assez précise en temps réel.

"Le modèle double prédit d'abord la probabilité de retour d'un panier, puis utilise cette approche dans une approche à gradient renforcé pour identifier le nombre exact de produits qui seront renvoyés de ce panier." Cette prévision est introduite dans une "architecture de production en temps réel" qui prend des décisions sur les récompenses et les sanctions à appliquer, le cas échéant.

L'approche a eu des résultats, écrivent-ils. Lorsqu'ils modifiaient les frais d'expédition, par exemple, personne par personne, les commandes diminuaient de 1,7%, mais les retours aussi, encore plus de 3%. Lorsqu'un coupon a été offert en échange de rendre des articles non récupérables, 27% des clients ont accepté l'offre et les retours ont diminué de 4%, ont-ils noté.

La leçon à tirer pour Kedia et ses collègues est claire: ce type d’anticipation statistique améliore certains aspects de l’entreprise.

"Les résultats des expériences sur les actions montrent qu'une prévision précise des rendements peut entraîner une réduction du taux de rendement." Ils prévoient de poursuivre plus "d'actions" dans leurs travaux futurs, écrivent-ils.

Dans le même temps, la leçon à tirer pour les consommateurs est claire: lorsque vous magasinez en ligne, vous participez à un jeu, un jeu dont le commerçant connaît les règles bien mieux que vous. Et bien que vous sachiez très peu de choses sur la façon dont ils jouent au jeu, le marchand, utilisant l’apprentissage automatique, en sait de plus en plus sur votre façon de jouer.

Commentaires

Laisser un commentaire

Votre commentaire sera révisé par les administrateurs si besoin.