AI退货归因定制：评价文本与尺码偏差

零售电商把退货率当作整体指标来管，但真正能驱动改善动作的是「为什么退」。我们选取某服饰类目近 12 万条退货记录做了一次归因实验：将退货原因码、用户评价文本、下单尺码与历史穿着偏好放在同一张表里，用轻量分类模型区分「尺码偏差」「实物与描述不符」「物流破损」「无理由」四类主因，并在尺码偏差下进一步定位到具体部位（肩宽、袖长、腰围）。

【进展】四类主因的分类一致率在人工抽检 500 条上达到 86%，其中「尺码偏差」召回最高；「实物与描述不符」因表述模糊，仍有约两成样本落在类别边界。模型输出的部位级线索已能反向落到商品尺码表，测试组把肩宽误差提示前置到详情页后，该 SKU 的退货申请率下降约 1.8 个百分点。

【下一步】计划把归因结果接入选品与详情页生成流程，并验证退货原因码本身是否需要细化——现有编码在跨品类时颗粒度不足，是目前误差的主要来源。