服饰类目的退货里，尺码不合长期占大头。多数做法是按身高体重查表，忽略了版型（修身/宽松）和品牌尺码漂移，推荐结果常常差一码。
本阶段我们在小范围内做了一次实验：输入用户历史购买与保留记录、退货原因文本、商品尺码表与版型标签，训练一个轻量排序模型，输出候选尺码及置信度；置信度低于阈值时不下结论，改走尺码引导问答或转人工客服。
要点：
- 阶段进展：在 8 个服饰品类、约 3.2 万条历史订单上回放，推荐尺码与用户最终保留尺码的一致率由规则的 61% 提升至 78%；实验组中“尺码不合”退货占比下降约 5 个百分点。样本仍偏小，结论需扩量验证。
- 下一步：把退货回传的“偏大/偏小”标签按版型、面料弹性维度归因，反写回商品尺码表做修补，形成“推荐—退货—修正”的闭环；同时处理尺码表缺失与多码制（亚洲码/欧美码）对齐问题。
我们目前的判断是：尺码推荐的价值不在模型多深，而在能否稳定拿到干净的退货回传信号，并把修正动作真正落到商品数据上。
评论