零售电商的退货原因常散落在用户评语、客服会话与售后工单中，人工归类口径不一，很难直接反哺选品与详情页优化。本阶段我们做了一组实验：把退货文本按商品描述偏差、尺码版型、物流破损、使用预期落差、价格因素等维度做细粒度归因，再与退货率、评价星级、SKU属性交叉验证。
做法上先用大模型生成候选弱标注，人工抽检校准后训练小参数分类模型承担线上推理，控制调用成本。要点一：在3个品类约12万条退货文本上，细粒度归因的抽样一致率由人工基线的约62%提升到81%，服饰尺码类提升更明显。要点二：归因结果回写商品页后发现，「尺码偏小」标签与尺码表缺失强相关，已在少量SKU上A/B测试尺码建议模块。
下一步计划：接入退货图片与尺码表结构化信息做多模态归因；把归因标签接入选品与详情页文案优化流程，以退货率变化而非报表完整度作为验收标准。
评论