零售电商AI选品实验：新品冷启动与退货率约束

零售电商的选品判断长期依赖买手经验：新品没有历史销量，评论又分散在多个平台，冷启动阶段最容易把高退货的款式当成机会款。这轮实验把选品拆成两个可验证的问题——需求信号是否成立，履约与退货成本是否可控。

做法上，用多模态模型读取主图、详情页文案与用户评论，把「尺码偏小」「色差」「材质不符」等退货诱因归到结构化标签；再叠加类目先验（价格带、季节、复购周期），为冷启动新品生成打分卡。打分卡不直接决定上架，只输出三档建议：小批量试销、暂缓、需人工复核。

阶段性进展：
· 已在 3 个类目、约 200 个候选 SKU 上跑通链路，退货诱因标签与人工抽检一致率约 82%，单 SKU 评估耗时从小时级压到分钟级；
· 小批量试销组中，前 20 名在 30 天内进入类目动销前 30% 的命中率较人工基线提升约 9 个百分点，退货率下降约 1.4 个百分点。