零售电商实验室本期把实验目标放在一个老问题上：退货率偏高的商品，究竟该改哪里。做法是把退货工单、客服对话与商品评论三类非结构化文本对齐到同一 SKU 维度，先用大模型抽取退货动因（尺码偏差、色差、材质手感、包装破损、物流时效、期望不符等），再按 SKU 聚类，输出可执行的改进清单：详情页需补的尺寸表、需要重拍的场景图、需要调整的包装方式。
阶段性进展：在约 1.2 万条历史退货记录上做回溯验证，动因自动归类与人工标注的一致率约 82%，其中“尺码偏差”“色差”两类识别最稳定；把归因结论回写详情页后，抽样商品在观测周期内退货率下降约 2 个百分点，但样本量尚不足以判定因果关系。
要点：
- 标签体系优先保留“可改”的动因，把天气、个人偏好等不可控项单独隔离，避免污染改进清单。
- 下一步计划：把单条评论抽取改为按属性聚合，降低长尾品类的标签漂移，并与新品上架流程打通做前测。
评论