İadeleri Gerçekleşmeden Önce Tahmin Etmek

Bir ürün sevk edildiğinde, onun geri gelip gelmeyeceğini öngören bilginin çoğu zaten mevcuttur. Müşterinin iade geçmişi, spesifik SKU, seçtiği beden, aynı sepette kaç varyantın bulunduğu, satın almayı tetikleyen indirimin derinliği — bunların hepsi ödeme adımında görünürdür. Bir iade eğilimi modeli bunu tek bir puana dönüştürür: bu siparişin ya da bu ürün kaleminin geri gelme olasılığı. Puanı oluşturmak kolay kısımdır. Faydalıyı zararlıdan ayıran şey, bu puanla ne yapmaya karar verdiğiniz ve tahminin nedene dönüşmesini ne kadar dikkatle engellediğinizdir.

Bir iade eğilimi modeline neler girer

Bir iade eğilimi modelinin egzotik olması gerekmez. En güçlü sinyaller bariz olanlardır ve bunlardan birkaçı üzerine iyi kurulmuş bir model, gürültüyle beslenen derin öğrenme bir sistemi geride bırakır. Girdiler birkaç aileye ayrılır: müşterinin kim olduğu ve daha önce nasıl iade yaptığı, ürünün ne olduğu ve kalıp uyumunun ne kadar belirsiz olduğu, satın almanın nasıl yapıldığı. Aşağıdaki tablo, pratikte en fazla ağırlığı taşıyan sinyalleri ve her birinin bir iadeyi neden öngördüğünü ortaya koyuyor; böylece her şeyi bir anda ölçmek yerine gerçekten ihtiyacınız olan veriye öncelik verebilirsiniz.

Puanla bant bant ne yapacaksınız

Bir eğilim puanı, bir eyleme dönüşmedikçe değersizdir ve doğru eylem banda göre değişir. Hata, puanı genellikle cezalandırıcı tek bir kaldıraç olarak ele almaktır; oysa büyük ölçüde müşterinin iadeyi baştan önlemesine yardımcı olan, kademeli bir tepkiler kümesi olmalıdır. En değerli müdahaleler, hâlâ bir dürtmenin sonucu değiştirebileceği sipariş sevk edilmeden önce gerçekleşir; önlemekte zaten başarısız olduğunuz iadeyi işlemekten başka bir şey yapamayacağınız sonradan değil.

1. 1Düşük eğilim: hiçbir şey yapmayın. Çoğu sipariş buradadır ve eklediğiniz her sürtünme, zaten iade etmeyecek bir müşteriye karşı saf maliyettir.
2. 2Orta eğilim: satın almadan önce yardımcı olun. Karar anında beden rehberliği, kalıp önerileri ve daha net ölçüler gösterin; bu, kalıp kaynaklı iadeleri daha başlamadan azaltan aynı mağaza vitrini beden önerisi çalışmasıdır.
3. 3Kalıp sinyallerinden kaynaklanan yüksek eğilim: bedene müdahale edin. Müşteriyi önerilen bedene yönlendirin, benzer vücut tiplerinden kalıp yorumları gösterin ve değişim yolunu belirgin hale getirin; böylece bir hata bir para iadesi değil bir değişim haline gelsin.
4. 4Suistimal sinyallerinden kaynaklanan yüksek eğilim: cezalandırmak için değil, incelemek için işaretleyin. Ürün teslim alınıp değerlendirilene kadar anında krediyi bekletin ve manuel incelemeye yönlendirin; ama yalnızca sinyal gerçekten suistimal biçimindeyse, sadece sık iade yapan iyi bir müşteri söz konusu değilse.

Artışı ölçmek, yoksa tahmin yürütüyorsunuzdur

Bir eğilim puanına göre harekete geçtiğiniz an, ölçmeye çalıştığınız davranışı değiştirmiş olursunuz; bu da saf öncesi-sonrası karşılaştırmalarını anlamsız kılar. Yüksek eğilimli müşterilere beden rehberliği gösterir ve iade oranları düşerse, rehberliğin işe yarayıp yaramadığını mı, yoksa o müşterilerin zaten ortalamaya doğru mu gerilediğini anlayamazsınız. Bir eğilim programını ölçmenin tek dürüst yolu bir kontrol grubudur: işaretlenen popülasyonun rastgele bir diliminden müdahaleyi esirgeyin ve karşılaştırın. Müdahale gören ile görmeyen yüksek eğilimli gruplar arasındaki fark gerçek artıştır ve bu genellikle ham rakamların ima ettiğinden daha küçüktür.

Eğilim modellemesinin daha geniş iade veri çarkına bağlandığı yer burasıdır: modelin yaptığı her tahmin, gerçekte neyin geri geldiğiyle karşılaştırıldığında, bir sonraki tahmini keskinleştiren eğitim verisi haline gelir; ama yalnızca tahmini, eylemi ve sonucu birlikte kaydederseniz. McKinsey gibi analiz grupları, tahmin ile sonuç arasındaki geri besleme döngüsü bozulduğunda tahmine dayalı modellerin nasıl bozulduğunu belgeledi ve iadeler bunun ders kitabı örneğidir, çünkü müdahale ile sonuç günler ya da haftalarla ayrılır ve genellikle farklı sistemlerde yaşar.

Bir iade tahminine göre harekete geçtiğiniz an, bunun işe yaradığını kanıtlayacak veriyi kirletirsiniz. Kontrol grupları isteğe bağlı değildir; sahip olduğunuz tek dürüst ölçüm yöntemidir.

Önyargı ve kendi kendini gerçekleştiren tuzaklar

İade eğilimi puanlamasının gerçek zarar veren iki başarısızlık modu vardır ve ikisi de puana göre çok kaba biçimde hareket etmekten kaynaklanır. Birincisi kendi kendini gerçekleştiren döngüdür: bir müşteri bir kez iade yapar, model onu yüksek eğilimli olarak etiketler, siz de kredisini bekletip sürtünme eklersiniz, deneyimi kötüleşir, daha fazla iade yapar ya da sizi terk eder ve model bunu haklı çıktığının kanıtı olarak kaydeder. Puan, öngördüğü sonuca kendisi neden olmuştur. İkincisi önyargıdır: geçmişe dayalı modeller, geçmişte kim iade yaptıysa onu içine gömer; bu da önünüzdeki tekil siparişle hiçbir ilgisi olmayan korelasyonlar yüzünden kategorileri, bedenleri ya da müşteri segmentlerini cezalandırmak anlamına gelebilir.

Savunma, hangi bandın hangi eylemi alacağı konusundaki disiplindir. Kalıp sinyali kaynaklı müdahaleler — daha iyi beden rehberliği, daha net ölçüler, belirgin bir değişim yolu — müşteriye yardımcı olur ve model yanılsa bile neredeyse hiçbir olumsuz yanı yoktur, çünkü yardıma ihtiyacı olmayan iyi bir müşteri sadece hafifçe rahatsız olur. Suistimal sinyali kaynaklı müdahaleler — kredi bekletme ve manuel inceleme — model yanıldığında gerçek bir maliyet taşır, bu yüzden gerçekten suistimal biçimindeki bir sinyalin ve idealde yaşam boyu değere karşı bir kontrolün arkasında durmalıdır; bu, iade dolandırıcılığını önleme konusunda uyguladığımız aynı ilkedir. ResReturn'ün buradaki rolü döngüyü dürüstçe kapatmaktır: yapılandırılmış iade nedenleri ve sonuçları geri beslenir, böylece puan gerçekte ne olduğu üzerine eğitilir ve müdahaleler banda göre kademelendirilir; böylece yüksek bir puana varsayılan tepki, müşteriyi henüz yapmadığı bir iade için sessizce cezalandırmak değil, iadeden kaçınmasına yardımcı olmak olur.

• Egzotik özelliklere yönelmeden önce güçlü ve bariz sinyallerle — iade geçmişi ve sipariş içi bracketing — başlayın.
• Her puan bandını kademeli bir eyleme eşleyin; çoğu sipariş düşük eğilimlidir ve hiç sürtünme görmemelidir.
• Müdahaleleri, sonradan cezalandırmak yerine sevk öncesi yardıma — beden rehberliği, kalıp yorumları, belirgin bir değişim yolu — yönlendirin.
• Artışı rastgele bir kontrol grubuyla ölçün, çünkü puana göre hareket etmek herhangi bir saf öncesi-sonrası karşılaştırmasını kirletir.
• Kendi kendini gerçekleştiren döngüye karşı korunun: kredi bekletmelerini ve incelemeleri, yaşam boyu değere karşı kontrol edilmiş, gerçekten suistimal biçimindeki sinyallere saklayın.