零售电商的退货原因字段通常只有「不喜欢」「不合适」等粗粒度选项，真正可行动的线索藏在评论文本、客服会话与售后备注里。本期实验中，我们把退货治理当作一个归因问题处理：先将三类文本按订单—SKU 维度对齐，用大模型做零样本打标，再用少量人工标注校正标签体系，得到质量瑕疵、尺码偏差、色差、物流破损、描述不符等一级标签及子类；随后按问题簇回溯到商品详情页的具体表述与图片。
进展：在某女装类目约 3 万条退货样本上，自动归因与人工复判的一致率约 82%，「描述不符」由笼统一类细分为面料、版型、颜色、配件四个子类，其中版型表述相关的退货占比最高。将问题回流至详情页改稿后，试点 SKU 的同因退货率下降约 11%。
下一步：把归因结果接入详情页与选品的改版建议生成，跑通「退货—归因—改稿—复核」闭环，并验证改稿带来的退货率变化是否稳定，而非样本波动。
评论