在零售电商实验室，我们尝试把退货从“事后处理”前移为“下单前可量化的风险”。实验基于某服饰类目近 90 天脱敏订单，构建两组特征：一组来自订单与履约，包括尺码偏离历史、促销折扣深度、配送时效承诺与地址类型；另一组来自商品内容，包括主图、详情页文本与买家评论图片的一致性打分，以及评论中“偏小、色差、材质”等关键词占比。模型以轻量梯度提升树为基线，多模态编码器输出的图文一致性相似度作为单列特征接入，兼顾效果与可解释性，避免端到端黑箱难以归因。
要点一（进展）：离线回测中取风险分最高的 10% 订单，命中约 46% 的实际退货，较仅用订单特征的基线提升约 9 个百分点；误报集中在季节性换码商品。
要点二（下一步）：将风险分接入售后工作台，仅对高风险订单触发“尺码确认”轻提示，通过 A/B 验证其对退货率与转化率的净影响，并按类目分别校准阈值。
评论