退货工单的原因字段长期是粗颗粒的：「七天无理由」「质量问题」两个选项承接了大部分真实动因，运营拿到的数据无法直接指向前端动作。本期实验尝试用会话数据把归因做细。
做法上，我们先把客服会话、退货申请文本、订单与物流节点信息拼成同一条样本，用无监督聚类得到细粒度原因簇，再由人工标注少量样本完成「簇—责任方」的映射，最终输出商品描述、物流履约、商品品质、用户偏好四类责任归属及对应置信度，置信度低于阈值的样本仍转人工。
进展：在 3 万条历史会话上聚类得到 42 个初始簇，归并为 9 个主因，人工复核一致率约 78%。一个可用的发现是，「描述不符」类簇的高权重特征集中在详情页尺码表与实拍图差异，而非价格表述。
下一步计划把归因结果按 SKU 维度聚合，回落到详情页与尺码推荐环节做小流量验证，观察同类退货率是否下降，再决定是否扩量。
评论