Разработка AI-системы управления возвратами Reverse Logistics AI
Возвраты в e-commerce достигают 20–30% от продаж. Каждый возврат — решение: восстановить и продать повторно, уценить, направить на ремонт или утилизировать. Неверное решение = прямые потери. AI автоматизирует триаж возвратов и сокращает время обработки в 3–5 раз.
Оценка состояния возврата
Классификация по фотографиям (Computer Vision):
Покупатель фотографирует товар при оформлении возврата — ещё до физического получения склад знает, что ожидать.
from torchvision import models, transforms
import torch
import torch.nn as nn
class ReturnConditionClassifier(nn.Module):
"""Классификатор состояния возвращённого товара"""
GRADES = ['new_sealed', 'like_new', 'good', 'fair', 'damaged', 'defective']
def __init__(self):
super().__init__()
backbone = models.efficientnet_b3(pretrained=True)
n_features = backbone.classifier[1].in_features
backbone.classifier = nn.Sequential(
nn.Dropout(0.3),
nn.Linear(n_features, len(self.GRADES))
)
self.model = backbone
def forward(self, x):
return self.model(x)
# Inference
transform = transforms.Compose([
transforms.Resize(300),
transforms.CenterCrop(300),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
Точность классификации: 88–92% при 3–5 фотографиях с разных ракурсов. Спорные случаи (confidence < 0.7) → в очередь физической проверки.
Маршрутизация возвратов (Return Routing)
После оценки состояния — оптимальное решение по каждому товару:
Decision Engine:
def route_return(product, condition_grade, return_reason, cost_params):
"""
Правило принятия решения по возврату
condition_grade: 0 (new) → 5 (defective)
"""
resale_price = product['original_price']
refurb_cost = cost_params['refurbishment_cost_estimate']
disposal_cost = cost_params['disposal_cost']
if condition_grade == 0: # запечатанный, не вскрытый
return 'restock_original' # вернуть в основной сток
elif condition_grade <= 2: # как новый / хорошее
restocking_margin = resale_price * 0.85 - cost_params['cleaning_cost']
if restocking_margin > 0:
return 'refurbish_and_resell'
return 'outlet_channel'
elif condition_grade == 3: # нормальное
if resale_price * 0.5 > refurb_cost:
return 'repair_and_outlet'
return 'b2b_liquidation'
elif condition_grade == 4: # повреждённое
parts_value = cost_params.get('parts_value', 0)
if parts_value > disposal_cost:
return 'parts_harvesting'
return 'recycling'
else: # дефектный
warranty_claim = return_reason in ['factory_defect', 'warranty']
if warranty_claim:
return 'supplier_claim' # предъявить поставщику
return 'disposal'
Прогноз объёма возвратов
Для планирования персонала и площадей склада возвратов:
Признаки модели:
- Объём продаж 7–14 дней назад (с учётом типичного срока возврата)
- Сезонность: пик после праздников (январь, после НГ — рекордные возвраты)
- Категория товара (одежда: 25–35%, электроника: 5–12%)
- Новые SKU (высокий возврат из-за несоответствия ожиданиям)
- Промо-акции: агрессивные скидки → низкокачественные покупки
MAPE прогноза: 12–18% на горизонте 3 дня, что достаточно для планирования сменного состава.
Fraud-детекция в возвратах
Return fraud — серьёзная проблема: "wardrobing" (купить-использовать-вернуть), return товаров с заменой на копию, возврат после частичного использования.
Сигналы фрода:
- Частота возвратов у конкретного клиента (>40% от покупок)
- Возврат «полного» комплекта при фото показывают использование
- Возврат дорогостоящего товара с заменой на дешёвый аналог (вес/габариты не совпадают)
- Паттерн: покупка перед мероприятием (концерт, свадьба) → возврат после
XGBoost-классификатор с признаками поведения клиента. При P(fraud) > 0.7 → флаг для ручной проверки.
Повторная продажа и каналы
- Outlet-страница: уценённые товары с описанием состояния — конверсия 15–25%
- B2B ликвидация: партнёры-перекупщики, API для автоматической выгрузки лотов
- Donation: неликвид → благотворительные организации (списание с налоговой льготой)
Срок разработки: 3–4 месяца для системы с CV-оценкой состояния, decision engine и интеграцией в WMS/OMS.