电商退货原因AI归因：售后文本分类与责任判定

退货是零售电商最容易被低估的隐性成本。本实验室近期搭建了一套退货原因归因流程：以售后工单文本、退货备注和客服会话摘要为输入，先做原因多分类（尺码、色差、质量、物流、描述不符、无理由），再结合类目与订单特征判断责任归属，输出给商家侧做改善依据。

进展：在三个服饰类目约4.2万条历史工单上做离线评测，一级原因分类的Macro-F1约0.86。“描述不符”与“质量问题”两类最易混，根因是用户口语描述与质检结论口径不一致。将商品详情页关键参数（材质、尺码表、模特身高体重）纳入特征后，这两类的混淆率下降约9个百分点。

下一步计划：接入退款金额与退货运费承担数据，验证归因结果能否反哺选品与详情页优化；同时把口径映射表做成可配置项，让不同商家按自身规则调整责任判定阈值，避免模型替商家做超出其规则的结论。