Amazon: Προσπαθεί να μειώσει το κόστος από τις επιστροφές ρούχων

Με το 15% των συνολικών λιανικών πωλήσεων να αφορά επιστροφές, που αυξάνονται κατά το πρώτο τρίμηνο του έτους, οι μεγάλοι retailers αναζητούν τρόπους να μειώσουν τα συναφή κόστη.

Σε αυτό το πλαίσιο το τμήμα Amazon Fashion του κορυφαίου e-retailer αποφάσισε να εισάγει στις υπηρεσίες του το AI-Powered Fit Finder, που θα βοηθήσει τους πελάτες να αγοράσουν τα ρούχα που θέλουν στο σωστό μέγεθος, ώστε να μειώσει το ποσοστό των επιστροφών και κατά συνέπεια να εξοικονομήσει χρήματα.

Τι επιστρέφουν οι πελάτες

Η περίοδος των επιστροφών μετά την πιο εορταστική σεζόν έχει ξεκινήσει για τους εμπόρους λιανικής πώλησης σε όλο τον κόσμο. Η Αμερικανική Ομοσπονδία Λιανικού Εμπορίου (NRF) ανέφερε ότι οι λιανοπωλητές επεξεργάστηκαν πέρυσι επιστροφές αξίας 743 δισεκατομμυρίων δολαρίων, σχεδόν το 15% των συνολικών τους πωλήσεων, με τον όγκο να αυξάνεται κατά το πρώτο τρίμηνο του έτους.

Όσο μεγαλύτερος είναι ο λιανοπωλητής, τόσο μεγαλύτερος είναι ο αντίκτυπος. Επιπλέον, το ποσοστό επιστροφών είναι ακόμη υψηλότερο για τις ηλεκτρονικές αγορές, 18% των πωλήσεων έναντι 10% για τις αγορές στο κατάστημα. Αυτό καθιστά τις επιστροφές ακόμη μεγαλύτερο πονοκέφαλο για την Amazon, τον δεύτερο μεγαλύτερο λιανοπωλητή της χώρας, απ’ ό,τι για την πρώτη Walmart, η οποία πραγματοποιεί μόνο το 15% των πωλήσεων στο διαδίκτυο.

Η εικόνα των επιστροφών περιπλέκεται ακόμη περισσότερο από το γεγονός ότι τα είδη ένδυσης είναι πολύ πιο πιθανό να επιστραφούν από ό,τι άλλα προϊόντα. Το NRF δεν τα αριθμεί, αλλά η Coresight Research εκτιμά ότι σχεδόν το ένα τέταρτο των ηλεκτρονικών αγορών ενδυμάτων επιστρέφονται.

Όπως αναφέρει και το Forbes, τα προβλήματα με το μέγεθος και την εφαρμογή των ρούχων ευθύνονται για πάνω από τις μισές επιστροφές σχετικών προϊόντων, ενώ η κοινή πρακτική της ομαδοποίησης των παραγγελιών με την αγορά ενός προϊόντος σε πολλαπλά μεγέθη επιδεινώνει την κατάσταση.

Το υψηλό ποσοστό επιστροφών μόδας επιβαρύνει τα αποτελέσματα των λιανοπωλητών μόδας. Το συνδυασμένο κόστος αποστολής, επεξεργασίας και επαναφοράς μπορεί να ανέλθει σε περίπου 66% της τιμής του προϊόντος, σύμφωνα με την εταιρεία διαχείρισης logistics Optoro.

Πρόληψη ή θεραπεία;

Επειδή ως γνωστόν η πρόληψη αξίζει περισσότερο από τη θεραπεία, η Amazon εισήγαγε έναν… βοηθό τεχνητής νοημοσύνης, το AI-Powered Fit Finder, με στόχο να διευκολύνει τους πελάτες της να βρουν την καλύτερη δυνατή εφαρμογή σε είδη μόδας – κάτι που αποτελεί ένα μεγάλο πρόβλημα για κολοσσούς του διαδυκιακού retail, όπως η Amazon.

Η νέα εφαρμογή εύρεσης της προσαρμογής χρησιμοποίησε έναν αλγόριθμο με βάση τη μάθηση για να συγκρίνει τις διαφορές στο μέγεθος μεταξύ των εμπορικών σημάτων, να ενσωματώσει δεδομένα από τις κριτικές προϊόντων των πελατών και τις προηγούμενες προτιμήσεις προσαρμογής του κάθε πελάτη για να προτείνει το μέγεθος που ταιριάζει καλύτερα στον πελάτη.

Όπως εξηγεί η ίδια η εταιρεία, «ο αλγόριθμος ομαδοποιεί ανώνυμα πελάτες με παρόμοιες προτιμήσεις μεγέθους και εφαρμογής και προϊόντα με παρόμοια εφαρμογή. Από εκεί και πέρα, ο αλγόριθμος μαθαίνει από εκατομμύρια λεπτομέρειες προϊόντων, όπως το στυλ, το διάγραμμα μεγέθους και τις κριτικές πελατών, καθώς και από δισεκατομμύρια ανώνυμες αγορές πελατών. Λαμβάνει επίσης υπόψη τα μεγέθη που αγοράστηκαν και διατηρήθηκαν από παρόμοιους πελάτες για το ίδιο προϊόν ή για προϊόντα με παρόμοια εφαρμογή».

Εύκολο για τους πελάτες

Οι πελάτες στρέφονται συχνά στις κριτικές πελατών για καθοδήγηση σχετικά με το μέγεθος. Το σύστημα τεχνητής νοημοσύνης επεξεργάζεται όλες τις κριτικές πελατών χρησιμοποιώντας μεγάλα γλωσσικά μοντέλα (LLM) για να συλλέξει λεπτομέρειες σχετικά με την ακρίβεια του μεγέθους, την εφαρμογή και το τέντωμα του υφάσματος για να συστήσει αν ένας πελάτης πρέπει να αυξήσει ή να μειώσει το μέγεθος ενός συγκεκριμένου προϊόντος. Τα κυριότερα σημεία των κριτικών εμφανίζονται σε μια ευανάγνωστη περίληψη, απαλλάσσοντας τους πελάτες από τη χειροκίνητη ανάλυση των μεμονωμένων κριτικών.

Η Amazon έχει επίσης βελτιώσει τα διαγράμματα μεγέθους για να τα τυποποιήσει σε διάφορες μάρκες. Χρησιμοποιώντας LLMs, εξήγαγε δεδομένα διαγραμμάτων μεγεθών από τους πολλούς διαφορετικούς προμηθευτές της, επεξεργάστηκε τις διάφορες εισόδους μεγεθών για να παρουσιάσει ένα απλό και κατανοητό διάγραμμα μεγεθών που είναι τυποποιημένο σε όλη την πλατφόρμα.