雙十一結束了，但AI的退貨“打怪之旅”剛剛開始_風聞

12日零點開始，雙十一退貨浪潮就帶着熱搜體質一起來了！

各大電商平台的銷售數據紛紛突破歷史記錄的同時發生，數億點燈熬油搶到的寶貝，在商家和快遞小哥馬不停蹄的忙碌之後，很快又將被送上返倉的列車。

商家們當然沒有“坐以待斃”。他們機智地創造出了一個新詞——防禦性發貨。即用連夜打包發貨的方式，防止衝動下單後萌生退意！讓你點退款的手，快不過送貨的車。

不過，疊加上運費險、會員免郵費、七天無理由等花裏胡哨的政策，再加上消協、工商、媒體們的嚴陣以待，絕大多數情況下，消費者順順利利退款都不成問題。

有意思的是，全天下消費者是一家，國外電商用户也想到一塊去了的。有調查顯示，多達40%以上的黑色星期五購物者最終會購買一些令他們後悔的商品。海外物流公司UPS每季度配送退貨率以15%的速度增長。

儘管平台們都對退貨率諱莫如深，或是欲蓋彌彰。但無論是在身邊隨便做做實時調研，還是零售業內人士披着馬甲現身説法，大促過後的“退貨火葬場”，往往能比正常水平高出至少兩三倍，已是不爭的事實。

於是我產生了一個大膽的想法——靠AI給退貨率降降温，到底靠不靠譜呢？

退貨率：喧囂背後的電商殺手

退貨率，就像依附在電商身上的腫瘤。當它保持在合理水平時，是良性的。但一旦遭遇大型購物節、平台漏洞等“温牀”，就快速膨脹，不斷汲取着行業的健康養分。

無論B2C還是C2C，二次交付的物流成本，平白損失的包裝費，以及前期諮詢、售後處理等沉默成本，在利潤率逐漸壓薄的今天，都是賣家的不可承受之重。

家大業大如上市平台，也做不到淡定的無視。此前，亞馬遜就宣佈將會永久性地關閉退貨率太高的客户賬號。有一位一年只退了5單的用户，也收到了賬户關停的通知郵件。有的“高危”用户，還被特地發郵件詢問，要求其解釋為什麼會退單。

不好意思，此處不提供“不想要了/七天無理由/免費試穿”服務哦~

並不是每個平台都能像亞馬遜一樣硬氣。當然，可能是因為刀沒有落在脖子上，畢竟總統特朗普都已經親自敦促郵政部長Brennan對亞馬遜及其他公司提高一倍的快遞服務費，這簡直是“趁它病要它命”啊。

試想一下，連亞馬遜有口皆碑的全球履行中心都扛不住退貨率，中國本就一片血海的零售競爭市場，還能留下幾個幸運鵝？

除了對平台本身的影響之外，作為保障系統的大型物流園遍地開花，高頻率的車輛進出集中問題，也直接帶來了整個城市的交通運輸壓力。

更別提由此影響他人購物體驗（許多退貨物品被重新發到了其他買家手中）、拉低行業整體訂單履行效率（收貨變慢），生鮮食品藥品等被退造成的安全風險，還有由此導致的燃油等資源浪費，也讓大眾開始聚焦電商領域的環保問題。

“後悔權”作為消費者權益之一，被退貨無可厚非。對於平台經營者和社會力量來説，如何將衝擊降到最低，就是一件傷腦筋的事情了。

AI治退，究竟治的是什麼？

如今，我們生活中早已習慣了各種各樣的AI技術，人臉識別、語音交互、智慧美顏、城市大腦……但要解決一個全球普適性的、大而化之的複雜問題，AI也行嗎？怎麼看怎麼都跟“遇事不決，量子力學”一樣，是打着科技名義的套路啊。

如果裝上一套“退貨大腦”，就能像城市治堵一樣，立竿見影地解決“退貨率”的問題，那麼不出意外的話，亞馬遜、BAT們等技術大佬分分鐘就能上線給你看。

不過，“退貨率”這件事，恐怕跟城市治理的難度也差不到哪兒去。

首先，退貨率與消費者的主觀意願緊密相關，不像出行數據、工業生產等流程化強的場景一樣，可以被快速數據化然後交給神經網絡去學習，退貨往往會在商品從商家到用户的運動狀態過程中發生，隨機性很強。

“雙十一奧數題”交卷時沒算清買貴了，退！腦子一熱買多了，退！隔壁老王下的單一小時就到了，我居然等了6小時6分鐘6秒？退！老公/爸媽/老婆説不好看，退！……退貨理由千奇百怪，只能被概率化地總結，要精準指導決策還不太現實。

同時，平台也很難對“退貨率”做出有效的治理對策。與海外電商不同，中國電商行業某種程度上也有着社會基礎設施的公共作用，單純出於商業考慮就像亞馬遜那樣拒絕為用户服務，分分鐘12315警告！抬高售價來彌補服務成本又會導致消費者出逃到對家平台。所以，目前各大平台也只會對退款率高的用户做出信用降級、限制次數或購買額度、停發優惠券等措施，直接“炸號”的極端操作是萬萬不敢的。

更進一步，較之平台物流或小微商家物流，退貨行為往往不受時間、空間限制，隨機性、分散性更高。無論是平台自營履行體系，還是合作物流機構，單次回收成本都會明顯上升。機器人揀貨員、無人機配送員、自動化倉儲系統等“黑科技”，在這一環節能夠發揮的效率提升價值十分有限。

種種複雜要素、環節的交織，使得“退貨”這一場景的智能化改造變得十分難解。不過我們發現，AI依然有許多路徑可以幫助平台儘可能地規避這一風險，減少退單。

簡單總結一下的話，就是：1.控制前期購買的不確定因素；2.基於可視化智能提升平台風控；3.儘可能降低“貨-履行中心”逆向物流之間的效率損耗。

AI散落的賽場：平台距離最小退貨率還有多遠？

從上述需求不難看出，想要解決“退貨率”問題，靠的不是某家某個環節的升級，而是一個到處散落着改變需求的複雜賽場。

其中，AI究竟能起到哪些具體作用呢？

1.在前置購買階段，儘可能把控各種風險因素。

儘管個體的決策心理難以靠機器精準地識別出來，但平台對消費者心理的基本洞察，卻有助於大大減少後期的“沉沒成本”。

比如谷歌就與印度電商公司Myntra Designs的研究人員合作，開發了一個識別退貨率的機器學習模型。該算法在購物者的偏好、體型、產品視圖等數據集上進行訓練，以期在購買前預測每位顧客的退貨概率。當然，這麼做並不是為了區別對待，而是為了明確哪些因素對退貨有不同比例的影響。

通過分析發現，53%的退貨是由於尺寸不那麼合身，而且退貨率高度依賴於購物車的大小。購物車中超過五種產品的情況下退貨率約為72%，而購物車中只有一種產品的情況下退貨率為9%。該模型還能在單個產品級別上預測退貨概率，不過在對10萬用户進行的實施測試中，精度似乎還不足以達到應用級別。

不管怎樣，儘可能洞察用户並滿足他們的期望，進而降低產品被退回的概率，都是必須邁出的一步。

2.利用智能技術升級體驗，規避平台的退貨風險。

除了被動地等待將用户退貨，然後在個人賬號上暗搓搓地搞事情，平台做些什麼才能有效地“自救”。目前看來，規避退貨的最有效辦法就是在前期做好風險控制。

這聽起來很簡單，但實踐上卻有諸多痛點。比如説大量退貨是由於產品的實際功能與網上描述不符，商品出庫前沒有準確檢查發錯東西。亦或是沒有關注需求，錯過了顧客指定的特殊日期或要求，進而造成退貨。平時或許還可以搞人海戰術來解決，對於節日大促這種“地獄模式”，僅靠人力顯然是不可能完成的任務了。

此時，利用AI打造的智能系統先發制人就顯得極為關鍵了。今年雙十一我就發現，許多平台似乎可以知道哪些顧客可能會退貨，就會讓他們抽到更多的優惠券，用户的價格風險大大降低（退貨成本也被提高），自然留下的概率也就更高，真的是要氣死我等佛系“老實人”了。

在店鋪運營端，利用AI來減少“買家秀”和“賣家秀”之間的心理誤差，已經在逐步推廣。比如修正產品圖片，確保圖片清晰並和產品保持一致，即便是請不起美工的個人C店也能高效率地保證圖片質量。而有實力的店鋪，也會通過基於AI技術的虛擬試衣/試裝，讓用户預先看到試穿效果。

其中，要實現高仿真度，需要系統能夠模擬光線的反射和投影效果，讓顧客感覺自己在照鏡子，而不是對着攝像頭玩“貼紙遊戲”，就需要AI算法對光線進行優化調試，最後呈現出立體真實的上身效果。

3.支持智能化柔性倉儲物流的3PL正在崛起。

退換貨時涉及的逆向物流如何提高效率，一直是一個難題。一些由平台自營、或是大型物流公司來説，通過規模化、自動化作業來降低逆向物流的損耗成本，並不是什麼難事。但許多中小型電商企業物流管理水平有限，對退貨業務的硬件、網絡部署投入不足，退貨作業效率自然也就很低了。

此時，經過智能化改造的3PL（第三方履約中心）就能起到非常好的緩衝作用。區別於傳統的自營、聯營和外包模式，3PL既具有配送能力，又有倉儲功能，同時也有一定的客户訂單信息，在業務集成基礎上打造的智能退換貨體系，讓中小型電商不必投入大量成本進行履約中心的智能化改造，就能針對非標準化、零散的柔性退貨需求實現效率升級，正在成為諸多平台的新選擇。

在海外市場，靠3PL服務賣家的shopify，就正在挑戰集中式亞馬遜的江湖地位。shopify的履行中心，會通過機器學習算法來預測存儲和運輸產品的最佳位置，再第三方物流公司讓貨物能夠儘快得到處理，同時降低商家的倉儲和物流成本。

爆單一時爽，退貨火葬場。習慣了“業績PK”的電商平台們，都會在退貨率這件事上達成一致的沉默。之所以這個場景很難跑通，一方面是技術總有難以抵達之地，更多的是對人性的賭注與權衡；

同時，事情還沒有重要到產業鏈各個關鍵節點形成合力，將散落在不同環節的技術寶石串聯成一條叫做極致效率的項鍊。

目前看來，順滑如絲、無傷大雅的退換貨，或許還需要一點點時間來讓技術發酵，才能釀出滋味。