الذكاء الاصطناعي للتنبؤ بالمقاس والملاءمة في تجارة الأزياء الإلكترونية: تقليل المرتجعات بنسبة 25%

المرتجعات هي القاتل الصامت للأرباح في تجارة الأزياء الإلكترونية. تُظهر بيانات الصناعة باستمرار أن 30% إلى 40% من مشتريات الملابس عبر الإنترنت تُعاد، والسبب الأول هو سوء الملاءمة. طلب العميل مقاساً متوسطاً، فكان ضيقاً جداً عند الكتفين، فأُعيد. اضرب ذلك في ملايين المعاملات وتصبح أمام مليارات الدولارات في اللوجستيات العكسية وإعادة التخزين والهامش المفقود.

المشكلة الجوهرية أن المقاسات غير موحدة. يلائم مقاس متوسط من علامة تجارية بشكل مختلف تماماً عن مقاس متوسط من علامة أخرى. حتى داخل العلامة نفسها، يمكن أن تتفاوت أنماط الملابس المختلفة. تيشيرت بقصة فضفاضة وقميص بأزرار بقصة ضيقة كلاهما يحمل بطاقة "متوسط"، لكنهما يلائمان أنواع أجسام مختلفة جداً. يعرف العملاء ذلك من التجربة، وهذا سبب طلب كثيرين منهم مقاسات متعددة وإعادة ما لا يناسبهم.

كيف يعمل التنبؤ بالملاءمة بالذكاء الاصطناعي فعلياً

تهاجم أنظمة التنبؤ بالملاءمة بالذكاء الاصطناعي هذه المشكلة من زوايا متعددة في وقت واحد. تبني نماذج تفهم ثلاثة أشياء: الملف الشخصي لجسم العميل، وقياسات الملابس وخصائصها، والعلاقة بينهما.

على جانب العميل، يبني النظام ملف جسم من البيانات المتاحة. قد يشمل ذلك القياسات المُبلَّغ عنها ذاتياً، وسجل الشراء (ما المقاسات التي اشتراها واحتفظ بها مقابل ما أعاده)، وسلوك التصفح (هل نظر إلى جدول المقاسات؟)، وأحياناً الصور إذا اختار العميل الانضمام إلى ميزة التجربة الافتراضية. على مدى الوقت، يطوّر النظام فهماً متزايد الدقة لجسم كل عميل بمفرده.

على جانب الملابس، يحتفظ النظام ببيانات قياس مفصلة لكل منتج. يتجاوز ذلك جدول المقاسات الأساسي. يتضمن القياسات الفعلية المنتهية لكل مقاس، ونسبة مرونة القماش، وأسلوب تصنيع الملابس، وكيف صُممت لتلائم (فضفاضة، عادية، ضيقة). للعلامات التجارية التي تقدّم حزم بيانات تقنية مفصلة، تكون هذه البيانات شاملة. أما لبائعي الأسواق الذين يجمعون علامات متعددة، فإنها تتطلب تقديراً أكثر.

ثم يربط الذكاء الاصطناعي بين هذين النموذجين للتوصية بالمقاس الأكثر احتمالاً لملاءمة كل عميل في كل ملبس محدد. التوصية ليست مجرد صغير/متوسط/كبير. يمكن أن تتضمن ملاحظات ملاءمة مثل "سيكون ضيقاً عند الصدر" أو "فكّر في رفع المقاس إذا كنت تفضّل ملاءمة فضفاضة عند الوركين".

البيانات التي تقود الدقة

تتحسن دقة التنبؤ بالملاءمة بشكل ملحوظ مع البيانات. يحصل العميل الجديد الذي ليس لديه سجل شراء على توصية بناء على إحصاءات على مستوى السكان وأي شيء يقدّمه خلال التهيئة. أما العميل المتكرر الذي لديه عشر مشتريات سابقة ونمط واضح للاحتفاظ بمقاسات معينة، فلديه ملف أكثر دقة بكثير.

بيانات سبب الإرجاع قيّمة بشكل خاص. عندما يُعيد العميل صنفاً ويختار "صغير جداً" أو "كبير جداً" أو "لم يلائم كما هو متوقع"، تحسّن هذه التغذية الراجعة النموذج مباشرةً. تذهب بعض الأنظمة أبعد، فتسأل تحديداً عن المناطق التي كانت ضيقة جداً أو فضفاضة جداً، مكوّنةً خريطة جسم لتفضيلات الملاءمة.

البيانات عبر العلامات التجارية هي حيث تصبح الأمور قوية حقاً. إذا كان النظام يعرف أن العميل يرتدي مقاس 10 في العلامة A ومقاس 12 في العلامة B، يمكنه استخدام هذه العلاقة للتنبؤ بمقاسه في العلامة C التي لم يشترِ منها قط. يتطلب بناء جداول الربط بين العلامات هذه مجموعات بيانات كبيرة، لكن الشركات التي تمتلكها يمكنها تقديم توصيات دقيقة حتى للتفاعلات الأولى مع العلامة.

التأثير الفعلي على معدلات الإرجاع

الادعاء الرئيسي بتقليل المرتجعات بنسبة 25% متحفظ للأنظمة المنفّذة جيداً. أبلغ عدد من كبار تجار الأزياء عن تحسينات أكبر. الآلية بسيطة: عندما يتلقى العملاء ملابس تلائمهم فعلاً، يحتفظون بها.

يتراكم التأثير المالي. تعني المرتجعات الأقل تكاليف لوجستيات عكسية أقل. مرتجعات أقل تعني تلفاً أقل للمخزون من الشحن والمناولة. ملاءمة شراء أولى أفضل تعني رضا عملاء أعلى وقيمة عمر أعلى. والعملاء الذين يثقون بتوصياتك بالمقاس أكثر احتمالاً للشراء منك مرة أخرى، مما يقلل تكاليف الاكتساب مع مرور الوقت.

هناك أيضاً جانب الاستدامة الذي يلقى صدى لدى المستهلكين الواعين بيئياً بشكل متزايد. كل إرجاع يولّد انبعاثات كربونية من الشحن، وبعض الملابس المعادة تنتهي في مكبات النفايات عندما لا يمكن إعادة بيعها بالسعر الكامل. تقليل المرتجعات أفضل حقاً للبيئة.

التجربة الافتراضية ومسح الجسم

التطور التالي للتنبؤ بالملاءمة يتضمن تقنية التجربة الافتراضية. باستخدام كاميرات الهواتف الذكية، يمكن للعملاء إنشاء مسح ثلاثي الأبعاد للجسم يوفّر قياسات أدق بكثير من الإبلاغ الذاتي. ثم يُظهر الذكاء الاصطناعي كيف ستبدو ملابس معينة وتلائم نموذج جسمهم.

هذه التقنية لا تزال تنضج. تعمل التطبيقات الحالية بشكل جيد للملابس البسيطة كالتيشيرتات والفساتين، لكنها تكافح مع التصاميم المعقدة كالبدلات المخصصة أو الملابس الخارجية المهيكلة. يمكن أيضاً أن يكون العرض غير طبيعي بطرق تثبط الشراء بدلاً من تشجيعه. لكن المسار واضح، ومن المرجح أن تصبح التجربة الافتراضية ميزة قياسية في تجارة الأزياء الإلكترونية خلال بضع سنوات.

في غضون ذلك، تقدّم المقاربات الأبسط معظم القيمة. تمنع أدوات التوصية بالمقاس التي تُظهر "أنت بين متوسط وكبير في هذا الأسلوب، وتشير بياناتنا إلى طلب الكبير" أكثر سيناريوهات الإرجاع شيوعاً دون الحاجة إلى أي تقنية كاميرا.

اعتبارات التطبيق

للعلامات التجارية في الأزياء التي تفكر في التنبؤ بالملاءمة بالذكاء الاصطناعي، السؤال الأول هو جاهزية البيانات. تحتاج إلى بيانات قياس ملابس دقيقة لكتالوجك، وتحتاج إلى طريقة لالتقاط تغذية راجعة عن الملاءمة من العميل. إذا كانت عملية الإرجاع لديك لا تسأل عن سبب إرجاع الصنف، ابدأ من هناك.

التكامل مع منصة التجارة الإلكترونية الخاصة بك مهم. يجب أن تظهر التوصية في اللحظة المناسبة من تجربة التسوق، ومن الناحية المثالية على صفحة تفاصيل المنتج بالقرب من محدد المقاس. التوصية المخفية عند إتمام الشراء متأخرة جداً. تقدم معظم أدوات الملاءمة بالذكاء الاصطناعي إضافات لـ Shopify وWooCommerce وMagento تتعامل مع تكامل الواجهة الأمامية.

البدء بفئات منتجاتك الأعلى إرجاعاً يمنحك أسرع عائد على الاستثمار. إذا كان لدى السراويل معدل إرجاع 45% ولدى الإكسسوارات معدل إرجاع 5%، ركّز إطلاق التنبؤ بالملاءمة على السراويل أولاً. يمكنك دائماً التوسع إلى فئات أخرى بمجرد أن يثبت النظام قيمته. للمزيد عن أدوات الذكاء الاصطناعي للتجارة الإلكترونية، تفضل بزيارة صفحة قطاع التجارة الإلكترونية والتجزئة.