Lamoda引入机器学习模型预测商品瑕疵，退货处理效率提升2倍
Lamoda持续优化自主研发的机器学习模型，用于精准预测商品瑕疵。该模型使顾客试穿后的退货处理速度提升了2倍。
所有仓库中客户退回的商品，首先会通过机器学习模型进行检查。该模型对收到的商品进行每日评分，并赋予以下三种状态之一：
1. 物品状况良好，将被存入仓库并上架销售。
2. 物品可能存在一些问题，需要仓库专家进行快速检查。
3. 物品确实存在问题，将被送往质检部门由专家进行仔细检查。如果商品状态已无法继续销售，它将被捐赠用于慈善目的。
在创建和集成该模型时，采用了2000万行历史数据，并考虑了超过60个关于商品和订单的特征——其中包括从其他机器学习模型获取的特征。
"我们在Lamoda高度重视商品质量以及客户在与我们互动的任何购买阶段所获得的体验。引入这种机器学习模型使我们能够更仔细地监控商品瑕疵，并影响消费者下次是否购买该商品。此外，我们还大幅节省了仓库的人力成本。我们的计划是继续完善该模型，并致力于提高对瑕疵预测的准确性。"
根据初步审计结果，检查的质量和准确性显著提高。在引入ML模型之前，员工需对每件商品进行人工检查后才能识别服装和鞋类的缺陷。