كيف يقلل الذكاء الاصطناعي من معدلات الإرجاع في التجارة الإلكترونية من خلال تحسين توصيات المقاسات

كانت علامة تجارية للملابس عبر الإنترنت تحقق إيرادات سنوية تبلغ حوالي 22 مليون دولار تعالج عمليات إرجاع على 28% من الطلبات. وعندما حللوا أسباب الإرجاع، وجدوا أن 42% منها تعود إلى مشاكل في المقاس أو الملاءمة. وهذا يعني أن حوالي 12% من إجمالي الطلبات كانت تُرجع تحديداً لأن العميل اختار المقاس الخاطئ. وبتكلفة معالجة متوسطة تبلغ 12 دولاراً لكل عملية إرجاع (ملصق الشحن، الفحص، إعادة التخزين، خدمة العملاء)، كانت عمليات الإرجاع المتعلقة بالمقاس تكلفهم حوالي 2.6 مليون دولار سنوياً، دون احتساب الإيرادات المفقودة من العملاء الذين لم يكلفوا أنفسهم عناء الإرجاع ولم يعودوا أبداً.

بعد تطبيق أداة توصية مقاسات مدعومة بالذكاء الاصطناعي، انخفضت معدلات الإرجاع المتعلقة بالمقاس من 12% إلى 7.8% من الطلبات خلال ستة أشهر، مما وفّر ما يقارب 1.1 مليون دولار سنوياً. جاء التحسن من توصيات مقاسات أولية أفضل وعملية تعلم تدريجية حيث حسّن النموذج توقعاته بناءً على نتائج الاحتفاظ مقابل الإرجاع.

لماذا لا تنجح جداول المقاسات

تربط جداول المقاسات القياسية قياسات الجسم (الصدر، الخصر، الوركين، طول الساق الداخلي) بالمقاسات (S، M، L، XL أو المقاسات الرقمية). المشكلة هي أن هذه القياسات غير موثوقة. معظم العملاء لا يعرفون قياسات أجسامهم الفعلية، وحتى بين أولئك الذين يعرفونها، تتفاوت تقنية القياس بشكل كبير. العميل الذي يقيس خصره عند أضيق نقطة سيحصل على رقم مختلف عن ذلك الذي يقيس عند السرة.

بالإضافة إلى عدم اتساق القياسات، تتفاوت المقاسات بشكل كبير بين العلامات التجارية وحتى بين المنتجات ضمن العلامة التجارية نفسها. قد يكون مقاس M من العلامة التجارية A مماثلاً لمقاس L من العلامة التجارية B. القميص الضيق بمقاس L يختلف في ملاءمته عن القميص الفضفاض بنفس المقاس من نفس العلامة التجارية. لا تستطيع جداول المقاسات الثابتة التقاط هذا التعقيد لأنها تتعامل مع المقاس كربط بسيط من القياسات إلى التسميات.

تضيف تفضيلات الملاءمة لدى العملاء طبقة أخرى. يفضل بعض الأشخاص الملاءمة الفضفاضة ويميلون لاختيار مقاس أكبر. بينما يفضل آخرون المظهر المحكم ويختارون مقاساً أصغر. عميلان بقياسات جسم متطابقة سيختاران مقاسات مختلفة بناءً على التفضيل الشخصي، ولا يكون أي من الخيارين خاطئاً. يحتاج نظام التوصية المفيد إلى مراعاة التفضيل بالإضافة إلى أبعاد الجسم.

كيف تعمل توصية المقاسات بالذكاء الاصطناعي

تستخدم أدوات المقاسات الحديثة المدعومة بالذكاء الاصطناعي مجموعة من المدخلات للتنبؤ بأفضل مقاس لتركيبة عميل-منتج محددة. تشمل الأساليب الرئيسية تحليل سجل الشراء والإرجاع (الإشارة الأقوى للعملاء العائدين)، وبناء ملف تعريف الجسم (من خلال استبيان، أو تحليل صور، أو تفضيلات معلنة)، وتعلم تفضيلات الملاءمة (هل يميل هذا العميل لتفضيل الأنماط الفضفاضة أم المحكمة)، وبيانات الملاءمة الخاصة بالمنتج (كيف يتناسب هذا القطعة تحديداً مقارنة بمواصفات جدول المقاسات).

بالنسبة للعملاء العائدين، يوفر سجل الشراء الإشارة الأقوى. إذا اشترى عميل مقاس M في ثلاثة قمصان مختلفة من علامتك التجارية واحتفظ بها جميعاً، فإن النموذج يكون واثقاً بدرجة عالية أن مقاس M يناسبه في الأنماط المشابهة. وإذا اشترى مقاس M في بنطال وأرجعه مقابل مقاس L، يتعلم النموذج أنه يحتاج مقاساً أكبر في بنطالاتك تحديداً. عبر عمليات شراء متعددة، يبني النموذج ملف ملاءمة مفصلاً لذلك العميل عبر فئات المنتجات.

بالنسبة للعملاء الجدد، يبدأ النظام باستبيان ملاءمة يطرح أسئلة أساسية: الطول، الوزن، تفضيل شكل الجسم، والمقاس المعتاد في علامة تجارية مرجعية. يوفر هذا الاستبيان تقديراً أولياً يحسّنه النموذج بمرور الوقت. يمكن لبعض الأدوات (مثل True Fit أو Fit Analytics أو 3DLOOK) أيضاً استخدام صورة من الهاتف الذكي لتقدير قياسات الجسم، رغم أن دقة القياس المبني على الصور تعتمد على جودة الصورة واتباع المستخدم للتعليمات بشكل صحيح.

جانب المنتج من المعادلة لا يقل أهمية. يحتاج النموذج إلى فهم كيف يتناسب كل منتج بالنسبة لمقاسه المُعلن. يأتي هذا من مصدرين: بيانات مواصفات القطعة (القياسات الفعلية للقطعة في كل مقاس، المقدمة من العلامة التجارية أو المقاسة في المستودع) وبيانات الإرجاع (إذا كان لمنتج ما عدد غير متناسب من عمليات الإرجاع التي تذكر "صغير جداً"، فمن المرجح أن المنتج يميل للصغر بغض النظر عما يقوله جدول المقاسات).

حلقة التغذية الراجعة من إشارات الإرجاع

الجانب الأقوى في مقاسات الذكاء الاصطناعي هو حلقة التغذية الراجعة من بيانات الإرجاع. كل عملية إرجاع بسبب متعلق بالمقاس توفر إشارة تدريب. إذا أرجع 30% من العملاء الذين اشتروا مقاس M في سترة معينة مع ذكر "ضيقة جداً في الأكتاف"، يتعلم النموذج أن هذه السترة ضيقة في الأكتاف ويبدأ بتوصية مقاس L للعملاء ذوي قياسات الأكتاف الأعرض.

تعني حلقة التغذية الراجعة هذه أن النموذج يصبح أذكى بمرور الوقت دون تدخل يدوي. عند إطلاق منتج جديد، تستند التوصيات الأولية إلى جدول المقاسات والمنتجات المشابهة. مع ورود الطلبات وعمليات الإرجاع، يعاير النموذج توصياته لذلك المنتج المحدد. خلال 200-300 طلب (عادةً 2-4 أسابيع لمنتج رائج)، يمتلك النموذج بيانات كافية لتحسين دقته بشكل ملحوظ.

يسرّع بعض تجار التجزئة هذا التعلم من خلال قيام موظفي المستودع بقياس عينة من القطع عند وصولها ومقارنة القياسات الفعلية بجدول المقاسات. إذا كان جدول المقاسات يقول إن قياس الصدر لمقاس L هو 42 بوصة لكن القطعة الفعلية تقيس 40.5 بوصة، فإن هذا التباين يدخل مباشرة في النموذج قبل أن يستلم أي عميل المنتج.

ذكاء المقاسات عبر العلامات التجارية

بالنسبة لتجار التجزئة متعددي العلامات التجارية، يمكن لنموذج الذكاء الاصطناعي نقل المعرفة بين العلامات التجارية. إذا كان عميل يشتري ويحتفظ باستمرار بمقاس L في علامات تجارية ذات ملفات ملاءمة مشابهة، يمكن للنموذج التنبؤ بمقاسه في علامة تجارية جديدة لم يجربها من قبل من خلال مقارنة خصائص ملاءمة العلامة التجارية الجديدة بالعلامات التجارية التي ارتداها العميل بنجاح.

هذا الذكاء عبر العلامات التجارية ذو قيمة خاصة للمنصات مثل مواقع المتاجر الكبرى أو أسواق الأزياء الإلكترونية التي تحمل عشرات أو مئات العلامات التجارية. العميل الذي يتسوق لشراء جينز قد يكون مقاسه 32 في Levi's، و33 في Wrangler، و31 في علامة تجارية أوروبية. يرسم نموذج الذكاء الاصطناعي خريطة لهذه الاختلافات ويقدم توصيات خاصة بكل علامة تجارية دون حاجة العميل للبحث في جداول مقاسات منفصلة.

عرض التوصيات بفعالية

طريقة عرض توصية المقاس لا تقل أهمية عن دقتها. النهج الأكثر فعالية يعرض المقاس الموصى به بشكل بارز على صفحة المنتج ("بناءً على ملفك الشخصي، نوصي بمقاس L في هذا الطراز")، ويتضمن مؤشر ثقة ("95% من العملاء بملفك الشخصي احتفظوا بمقاس L")، ويشرح المنطق ("هذه السترة تميل للضيق قليلاً في الصدر. نوصي باختيار مقاس أكبر إذا كنت تفضل ملاءمة فضفاضة")، ويوفر وصولاً سهلاً لجدول المقاسات الكامل للعملاء الذين يرغبون في التحقق.

الإثبات الاجتماعي فعال بشكل خاص. إظهار أن 87% من العملاء الذين يطابقون ملف العميل الحالي اختاروا مقاس M وأن 91% من هؤلاء العملاء احتفظوا به يوفر طمأنينة قوية. يعرض بعض تجار التجزئة أيضاً ملاحظات الملاءمة من المشترين السابقين ("معظم العملاء يقولون إن هذا المنتج مطابق للمقاس" أو "يقول العملاء إن هذا المنتج أصغر بمقاس واحد تقريباً").

المفتاح هو تقليل القلق المتعلق بالمقاس دون إغراق العميل بالمعلومات. العميل الواثق من اختيار مقاسه أكثر احتمالاً لإتمام عملية الشراء وأقل احتمالاً لطلب مقاسات متعددة (طلب عدة مقاسات بنية إرجاع تلك التي لا تناسب).

بالنسبة لتجار التجزئة في التجارة الإلكترونية الذين يبيعون الملابس أو الأحذية أو أي فئة تهم فيها الملاءمة، تعالج توصيات المقاسات المدعومة بالذكاء الاصطناعي واحدة من أكثر المشاكل تكلفة في البيع بالتجزئة عبر الإنترنت. الحسابات مقنعة: كل نقطة مئوية انخفاض في عمليات الإرجاع المتعلقة بالمقاس تقلل مباشرة تكاليف المعالجة، وتحسن توفر المخزون، وتزيد رضا العملاء. العلامات التجارية التي أتقنت هذا الأمر تفيد بأن تحسين دقة المقاسات يرتبط أيضاً بمعدلات شراء متكررة أعلى، لأن العملاء الذين يحصلون على المقاس الصحيح من المرة الأولى يطورون ثقة أكبر بالعلامة التجارية ويعودون بشكل أسرع.