März 6, 2018

Eine Übersicht ungewöhnlicher Maßnahmen zur Retouren-Reduktion aufgrund falscher Größenangaben

Eine Übersicht ungewöhnlicher Maßnahmen zur Retouren-Reduktion aufgrund falscher Größenangaben

Wir besprechen hier kurz andere Maßnahmen zur Retouren-Reduktion, zunächst diejenigen, die sich aufgrund der ersten Datenanalysen innerhalb des Forschungsprojekts aufdrängen aber nicht unbedingt Techniken des Maschinellen Lernens erfordern, und anschließend die komplexeren Methoden wo diese Techniken jedenfalls notwendig sind.

Zunächst kann – unter Annahme einer Power-Law Verteilung – die Retourenquote trivialerweise einerseits durch das Sperren von Kunden mit einer hohen Retourenquote und/oder durch das De-Listen von Artikeln mit hoher Retourenquote reduziert werden. Ob diese Maßnahmen im Einzelfall sinnvoll und mit vertretbaren Umsatz/Gewinneinbußen möglich sind, kann eine Analyse historischer Daten ergeben.

Die Angabe einer genauen Größentabelle mit Maßen in cm statt die üblichen ungenauen Größenangaben (beispielweise S, M, L) - so vorhanden - ist eine weitere einfache Maßnahme zur Retourenreduktion, welche die Retourenquoten deutlich reduzieren kann. In der Literatur werden Verbesserungen von 9% bis zu 46% gemessen.

Man kann auch ungenaue Größenangaben direkt aus den genauen Größentabellen in cm lieferantenunabhängig neu und damit genauer berechnen und somit auf einfachste Weise zumindest innerhalb eines Shops konsistent bezeichnen. Für diesen Zweck können bereits Techniken des Maschinellen Lernen (zB Logistische Regression, Multi-Dimensional Scaling, k-Means Clustering) angewendet werden. Ein Nachteil dieser Methode ist es, daß in den bestellten Artikel dann typischerweise andere Größenangaben eingedruckt sind, als bestellt wurden, was dem Kunden die Zuordnung von Artikeln bei Auswahlbestellungen erschweren kann und ihn auch bei normalen Bestellungen tendenziell verwirren wird...

Eine verwandte Erweiterung ist es, zusätzlich zu Standard-Kleidungsgrößen weitere qualitative Informationen aus den Größentabellen zu extrahieren (beispielsweise figurbetont, figurumspielend, locker anliegend, ...) und diese den Webshop-Besuchern als kompakte Zusatzinformation zur Verfügung zu stellen. Auch diese Informationen sollen typischerweise direkt aus den Artikeldaten generiert werden, was über passende Trainingsdaten üblicherweise kein Problem darstellt.

Wenn man keine genauen Größentabellen hat, ist die zweite Informationsquelle zur Kleidungsgröße natürlich die bestellten und retournierten Artikel jedes einzelnen Kunden. Diese Informationsquelle ist allerdings auf Kundenebene nur für Kunden mit vielen Bestellungen verwendbar, da eine gewisse Menge von Daten vorhanden sein muss, um die Kleidungsgröße des Kunden hinreichend sicher zu schätzen - unabhängig von der verwendeten Methode. Insbesonders für Neukunden ist dieser Ansatz deshalb nur sehr eingeschränkt anwendbar. Durch Sammelbestellungen und Einkauf von Geschenken wird die entsprechende Analyse erschwert, durch Auswahlbestellungen hingegen begünstigt - so diese zweifelsfrei zu erkennen sind.

Wir gehen bei allen diesen Erläuterung davon aus, dass die Retouren hauptsächlich durch bestellte Kleidung in falscher Größe getrieben sind. Das muss natürlich nicht so sein - Stil, Farbe und Qualität der Ware sind zumindest ebenso wichtige Faktoren. Eine Erstanalyse kann in jedem Fall zeigen wo die Problemfelder sind und in welche Richtung man zuerst ermitteln sollte.