01 — Кейс · ML Нейросети

«Дивертор»: сортировка возвратов с маркетплейса по фото и спросу

Значительная часть возвратов с маркетплейса уходила в оптовую ликвидацию по 18–25% цены, а каждую единицу осматривали вручную. За 5 месяцев мы встроили в склад возвратов оценку состояния по фото, прогноз оставшегося спроса по товару и складу и выбор канала сбыта с порогами маржинальности. По замеру за 3 месяца работы снова продаётся 52% возвратов, до запуска было 41%. Цифры получены на четырёх категориях товаров.

5 месяцев
Обновлено:
Смотреть кейс
срок проекта
5 месяцев
функциональных модулей
6
этапов разработки
5
ключевых технологий
6
«Дивертор»: сортировка возвратов с маркетплейса по фото и спросу

02 — Контекст

Задача проекта

Исходная ситуация, ограничения и проблемы, которые должна была решить новая система.

Поток составляет около 45 тыс. заказов в месяц, и примерно 4,1 тыс. из них возвращаются, это 9,1%. Значительная часть возвратов уходила в оптовую ликвидацию по 18–25% от цены. Склад так освобождался, но большая часть стоимости товара терялась.

Сам склад возвратов был переполнен, оборот возврата составлял 21 день. Каждую единицу осматривал человек: определял состояние и решал, что с ней делать дальше.

Нужно было снять с людей сплошной осмотр и для каждой единицы выбирать канал, где она вернёт больше: повторную продажу как «б/у», аутлет, опт или утилизацию. А если такой товар покупают на другом складе, везти его туда.

  1. Опт съедает стоимость

    В оптовой ликвидации товар уходит по 18–25% цены. Вещь, которую можно было бы продать ещё раз, в этом канале теряет большую часть своей стоимости.

  2. Склад забит возвратами

    Возврат проводил на складе 21 день. Пока единица ждёт решения, она занимает место и не приносит денег.

  3. Осмотр каждой единицы

    Каждую единицу осматривал приёмщик: ручной осмотр проходили все 100% возвратов.

  1. Оценка состояния по фото

    Возврат фотографируют на фотопосту, и классификатор относит его к одному из четырёх классов состояния и отмечает дефекты: модель различает девять их типов. Отдельная модель выделяет на снимке упаковку, чтобы её состояние оценивалось отдельно от самого товара. Результат сразу уходит в расчёт канала сбыта.

  2. Сомнительные случаи решает человек

    У каждой оценки есть уверенность модели. Если она ниже 0,8, единица уходит к приёмщику, и решение принимает он. Слабое место модели известно: она путает следы носки с нарушенной упаковкой. Кроме того, приёмщики выборочно проверяют часть каждой партии.

  3. Остаточный спрос по товару и складу

    Модель оценивает, какой спрос остался на конкретный товар на каждом складе. От этого зависит, стоит ли выставлять единицу снова и где её скорее купят. На этот прогноз опираются и выбор канала сбыта, и решение о перевозке между складами.

  4. Выбор канала сбыта

    Для каждой единицы система сравнивает четыре канала: повторную продажу как «б/у», аутлет, опт и утилизацию. Модель на CatBoost прогнозирует, какую маржу даст каждый из них, а правила с порогами маржинальности выбирают канал.

  5. Перевозка на склад со спросом

    Если товар с историей продаж лучше покупают на другом складе, система направляет возврат туда. Выбор склада считается на OR-Tools с учётом стоимости перевозки. Для недорогих вещей перевозка себя не оправдывает: она окупается только для единиц дороже примерно 3 тыс. ₽.

  6. События и регулярные пересчёты

    Сведения о поступившем возврате, результате оценки и выбранном канале передаются через Kafka, и склад видит решение без ручных выгрузок. Регулярные задачи, например обновление спроса по товарам и складам, по расписанию запускает Airflow.

04 — Архитектура

Технологический стек

Технологии выбраны под нагрузку, интеграции и дальнейшее развитие продукта.

Зачем в проекте · 01 / 06

PyTorch

На нём обучены обе модели зрения: классификатор состояния и сегментация упаковки. Сегментация здесь означает, что модель находит на снимке границы коробки или пакета и отделяет их от товара.

05 — Процесс

Как шла разработка

Последовательность работ от исследования задачи до запуска и проверки результата.

  1. Разбор потока возвратов

    Начали с того, как возвраты проходят склад: кто и как их осматривает, по каким каналам они уходят и во что обходится каждый канал. В работу взяли четыре категории: одежду, обувь, электронику и товары для дома. Мебель и крупногабарит в проект не входили.

  2. Разметка фото и модели зрения

    Собрали фотографии возвратов и разметили их по четырём классам состояния и девяти типам дефектов. На этой выборке обучили классификатор и модель, которая выделяет упаковку, а качество оценки сравнивали с тем, как состояние определяют приёмщики.

  3. Спрос и маржа по каналам

    Построили модель оставшегося спроса по товару и складу и модель маржинальности каналов на CatBoost. Поверх них задали правила выбора канала с порогами маржинальности, а для товаров с историей продаж добавили расчёт перевозки на склад со спросом.

  4. Встраивание в приёмку

    Модели встроили в приёмку возвратов: снимок на фотопосту, оценка, выбор канала. Для неуверенных оценок задали порог 0,8, ниже которого единица уходит к человеку, и добавили выборочную проверку партий.

  5. Запуск и три месяца замеров

    Через 5 месяцев от старта система перешла в постоянную работу. Следующие 3 месяца показатели сравнивали с периодом до запуска: долю повторной продажи, долю возвращённой цены, оборот возврата и объём ручного осмотра.

06 — Итог

Результаты

Что создано в рамках проекта: рабочий контур, реализованные возможности и подтверждённые факты.

возвратов снова продаётся, было 41%; замер за 3 месяца
52%
оборот возврата вместо 21 дня; замер за 3 месяца
15 дней
в замере: одежда, обувь, электроника, дом
4 категории

По замеру за 3 месяца работы снова продаётся 52% возвратов, до запуска было 41%. Оборот возврата сократился с 21 до 15 дней, а в среднем по возвратам удаётся вернуть большую долю цены. Сплошного осмотра больше нет: часть потока проходит без человека, по остальному решает приёмщик.

По расчёту на данных трёхмесячного замера выходит около +0,5 млн ₽ валовой маржи в месяц после затрат на фотопосты, ре-листинг и перевозку (без стоимости владения решением). Состояние товара модель оценивает на уровне людей-приёмщиков.

Цифры получены на четырёх категориях: одежде, обуви, электронике и товарах для дома. По электронике модель оценивает только внешний вид, работоспособность проверяет человек, поэтому ручной осмотр там почти не сократился. Модель путает следы носки с нарушенной упаковкой: при уверенности ниже 0,8 единица уходит к человеку, и это 38% потока.

FAQ

Вопросы о проекте

Обсудим похожий проект?

Расскажите о задачах вашего бизнеса — предложим архитектуру и оценим сроки