在零售电商售后场景中，退货原因字段长期依赖客服手动勾选，粒度粗、口径不统一，难以直接支撑责任判定与选品优化。本阶段实验围绕“把非结构化退货工单转成可统计的归因标签”展开。
做法上，先对近12万条退货工单（文本、图片备注、SKU属性）做清洗，经预训练模型向量化后以半监督聚类生成候选原因簇，再由运营在小样本上标注校准，收敛为约40个二级原因标签（尺码偏差、色差、包装破损、物流挤压、描述不符等）。随后训练多标签分类器，将新工单自动映射到标签并输出置信度，低置信样本回流人工。为控制误判，对“描述不符”等易争议标签额外引入商品详情页文本做交叉比对。
阶段性进展：
- 原因自动归因覆盖率约86%，人工抽检准确率约89%，单工单处理时间由约90秒降至20秒以内；
- 归因结果按SKU与供应商聚合后，已能定位出占比不足3%、却贡献约18%退货量的少数款式，为详情页改版和供应商沟通提供依据。
下一步计划把归因链路与退货预测打通，在售前阶段对高退货风险SKU给出预警，并验证其对实际退货率的影响。
评论