«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.
- срок проекта
- 5 месяцев
- функциональных модулей
- 6
- этапов разработки
- 5
- ключевых технологий
- 6

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.
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.
Склад забит возвратами
Возврат проводил на складе 21 день. Пока единица ждёт решения, она занимает место и не приносит денег.
Осмотр каждой единицы
Каждую единицу осматривал приёмщик: ручной осмотр проходили все 100% возвратов.
03 — Возможности
Что делает система
Ключевые сценарии и рабочие модули, собранные в единую систему.
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.
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.
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.
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.
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. ₽.
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.
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.
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.
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.
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.
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


