基于在線評(píng)論的服裝電商退貨意愿挖掘及對(duì)策

□ 王蓓蓓

(浙江理工大學(xué) 經(jīng)濟(jì)管理學(xué)院，浙江 杭州 310018)

1 引言

天貓、京東、亞馬遜等主流平臺(tái)提供的數(shù)據(jù)顯示，整體上服裝類電子商務(wù)的退貨率最高可達(dá)30%，居高不下的退貨率始終是困擾服裝電子商務(wù)企業(yè)的難題，洞察消費(fèi)者退貨的原因并且進(jìn)行分類標(biāo)注，由此制定具有針對(duì)性的交易策略顯得格外重要。電商平臺(tái)的在線評(píng)論作為一種重要的消費(fèi)信息來源，企業(yè)能從中得到消費(fèi)者對(duì)產(chǎn)品和服務(wù)的反饋，對(duì)于企業(yè)的運(yùn)營管理具有重要意義[1]，因而受到國內(nèi)外學(xué)者的普遍關(guān)注。以往的基于在線評(píng)論的研究聚焦于描述消費(fèi)者的購物體驗(yàn)或購買決策，缺乏對(duì)消費(fèi)者退貨問題的討論。在線評(píng)論作為一種重要的新型信息來源，若能從中挖掘出消費(fèi)者退貨信息，有利于電商企業(yè)更有針對(duì)性地優(yōu)化零售策略以降低退貨率。大部分研究?jī)A向于利用在線評(píng)論的數(shù)量、分?jǐn)?shù)、情緒、長度等特征屬性刻畫消費(fèi)者的行為偏好。相對(duì)而言，利用評(píng)論文本挖掘退貨行為的關(guān)聯(lián)因素并且進(jìn)行解釋的研究比較欠缺。在線評(píng)論直觀地表達(dá)了消費(fèi)者對(duì)產(chǎn)品和服務(wù)各方面的描述和感受，Alec Minnema等[2]提出，在線評(píng)論文本可能蘊(yùn)含著消費(fèi)者退貨行為信息，能在一定程度上反映出消費(fèi)者退貨意愿。為了驗(yàn)證在線評(píng)論蘊(yùn)含的消費(fèi)者退貨信息的有用性，本文以在線評(píng)論為研究對(duì)象，挖掘其中蘊(yùn)含的消費(fèi)者退貨信息。不同程度的退貨意愿對(duì)消費(fèi)者實(shí)際產(chǎn)生的退貨行為的影響也不同。一般來說，消費(fèi)者的退貨意愿越高，其退貨的概率就越大；反之，消費(fèi)者退貨的概率就越小。因此，分類討論消費(fèi)者退貨意愿，對(duì)在線零售商有針對(duì)性地制定零售政策具有重大意義。

基于此，本文綜合運(yùn)用LDA主題模型和機(jī)器學(xué)習(xí)方法探究消費(fèi)者在不同退貨意愿的情況下對(duì)商品特征的選擇偏好的差異。相比現(xiàn)有的研究，本文的貢獻(xiàn)體現(xiàn)在以下幾個(gè)方面：第一，面向垂直電商退貨行為挖掘的進(jìn)一步深入，是從描述性分析向可解釋性挖掘的推進(jìn)，有利于更深刻地揭示退貨行為背后蘊(yùn)含的關(guān)聯(lián)驅(qū)動(dòng)機(jī)理。第二，綜合運(yùn)用文本挖掘技術(shù)，從在線評(píng)論中挖掘出服裝電商退貨行為的關(guān)聯(lián)因素，開辟了新的退貨信息收集渠道，有利于服裝電商企業(yè)據(jù)此優(yōu)化退貨策略，進(jìn)而減少非必要的退貨。第三，本文的研究從理論上驗(yàn)證了Minnema提出的假設(shè)，揭示出不同的商品特征因素對(duì)消費(fèi)者退貨意愿具有不同程度的影響，有利于服裝電商企業(yè)據(jù)此進(jìn)行分類管理，使服裝電商的營銷策略更具有針對(duì)性和實(shí)效性。除此之外，立足于服裝電商企業(yè)對(duì)高退貨率的關(guān)切，論文從理論和實(shí)踐兩方面揭示在線評(píng)論挖掘?qū)Ψb電商運(yùn)營的適用性和有效性，所得結(jié)論對(duì)降低服裝電商退貨率具有很好的指導(dǎo)意義。

2 相關(guān)研究綜述

本文屬于在線評(píng)論的主題挖掘研究范疇，相關(guān)研究均致力于從海量的信息和數(shù)據(jù)中挖掘出有價(jià)值的關(guān)鍵信息，挖掘在線評(píng)論中蘊(yùn)含的退貨行為信息已取得一些進(jìn)展。

劉紅文等[3]對(duì)54篇文獻(xiàn)中涉及的七組變量關(guān)系進(jìn)行了系統(tǒng)檢驗(yàn)，發(fā)現(xiàn)在線評(píng)論質(zhì)量、消費(fèi)者信任傾向、在線評(píng)論數(shù)量、評(píng)論者的情感傾向性、在線評(píng)論時(shí)效性、評(píng)論者資信度與消費(fèi)者購買意愿均具有顯著正相關(guān)性。Nachiketa Sahoo等[4]發(fā)現(xiàn)評(píng)論數(shù)量過少時(shí)，消費(fèi)者會(huì)購買多種替代品，選擇其中最合適的留下，并將其余產(chǎn)品退回，從而導(dǎo)致退貨率上升。Wang Yang等[5]發(fā)現(xiàn)商家提供的衣服合適性信息和用戶評(píng)論的合身參考信息相結(jié)合能降低退貨率。耿師導(dǎo)[6]通過量化在線產(chǎn)品評(píng)論研究消費(fèi)者對(duì)退貨運(yùn)費(fèi)險(xiǎn)的投保需求，發(fā)現(xiàn)根據(jù)消費(fèi)者對(duì)商品的預(yù)期心理分布估計(jì)商品退貨情況，并制定合理的運(yùn)費(fèi)險(xiǎn)定價(jià)策略，可減少退貨現(xiàn)象。Lohse等[7]發(fā)現(xiàn)正面在線評(píng)論會(huì)導(dǎo)致較低的退貨率及較高的銷售率和轉(zhuǎn)化率，而Alec Minnema[2]和Nachiketa Sahoo[4]則認(rèn)為過于積極的評(píng)論或商家指定的評(píng)論會(huì)提高退貨率，因?yàn)榉e極的評(píng)論會(huì)讓消費(fèi)者產(chǎn)生過高的期望，若實(shí)際產(chǎn)品達(dá)不到消費(fèi)者預(yù)期就會(huì)發(fā)生退貨。

梳理現(xiàn)有的研究成果可以發(fā)現(xiàn)，在線評(píng)論數(shù)據(jù)會(huì)從不同的角度影響消費(fèi)者退貨行為，在線評(píng)論與退貨行為存在一定程度的關(guān)聯(lián)。已有研究聚焦于以實(shí)證為支撐的描述性研究，以數(shù)據(jù)智能為支撐的解釋性研究相對(duì)欠缺。基于此，本文主要以在線評(píng)論為研究對(duì)象，結(jié)合LDA主題模型與機(jī)器學(xué)習(xí)方法挖掘在線評(píng)論內(nèi)容中影響消費(fèi)者退貨意愿的信息。

3 研究思路與關(guān)鍵技術(shù)

3.1 研究框架

在所有商品類別中，服裝鞋帽類商品退貨率一直居于首位，相關(guān)的評(píng)論數(shù)據(jù)十分豐富。如何從繁雜冗余的評(píng)論文本中凝練高價(jià)值信息，深入挖掘不同情況下，影響消費(fèi)者退貨意愿的差異是本文的關(guān)鍵性問題。研究的基本思路如圖1所示，首先，采集主流服裝電商平臺(tái)在線評(píng)論數(shù)據(jù)，以經(jīng)過質(zhì)量校驗(yàn)后的數(shù)據(jù)為樣本，進(jìn)行LDA評(píng)論主題挖掘，提取消費(fèi)者在討論退貨時(shí)關(guān)注的焦點(diǎn)。在此基礎(chǔ)上，通過word2vec訓(xùn)練同義詞庫，整合并歸納與退貨關(guān)聯(lián)的產(chǎn)品特征因素。其次，為了分析不同退貨意愿的情況下消費(fèi)者的選擇偏好，本文運(yùn)用機(jī)器學(xué)習(xí)中的分類模型將退貨評(píng)論分成三種情況。具體步驟如下：抽取部分樣本數(shù)據(jù)并根據(jù)預(yù)先定義的規(guī)則標(biāo)注數(shù)據(jù)，作為分類模型的訓(xùn)練集，類別標(biāo)簽分為退貨意愿高、退貨意愿中等以及退貨意愿低，將已標(biāo)注數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，訓(xùn)練多種分類器；根據(jù)評(píng)價(jià)指標(biāo)選取最優(yōu)模型，再對(duì)未標(biāo)注的數(shù)據(jù)進(jìn)行分類。最后，分別對(duì)三種情況下，消費(fèi)者選擇偏好進(jìn)行統(tǒng)計(jì)分析，討論退貨意愿程度不同的消費(fèi)者，關(guān)注的產(chǎn)品特征因素重要性是如何排序的，以此針對(duì)不同情況為在線零售商提供合適的政策或建議。

圖1 基于在線評(píng)論的服裝電商退貨意愿挖掘?qū)嶒?yàn)框架

3.2 LDA主題模型

本文以評(píng)論文本為研究對(duì)象，利用主題模型判斷在線評(píng)論中是否包含消費(fèi)者退貨信息。計(jì)算機(jī)領(lǐng)域的現(xiàn)有研究成果表明，LDA(Latent Dirichlet Allocation)[8]主題模型因其優(yōu)異的大規(guī)模語料處理能力、良好的降維能力和算法的擴(kuò)展性逐漸成為主題挖掘領(lǐng)域的佼佼者，是當(dāng)前最具活力的文本挖掘技術(shù)之一，具有十分廣泛的應(yīng)用前景。LDA文檔主題生成模型由詞、主題和文檔三部分組成，其作用是以概率分布的形式給出評(píng)論集中每篇評(píng)論的主題分布和每個(gè)主題的詞分布，通過人工解讀每個(gè)主題高頻關(guān)鍵詞來歸納主題的實(shí)際意義。確定LDA模型的主題數(shù)對(duì)主題提取的效果具有至關(guān)重要的作用，若主題數(shù)過多，會(huì)導(dǎo)致主題之間相關(guān)性較高；若數(shù)量過少，則會(huì)出現(xiàn)主題關(guān)鍵詞信息雜亂無章，以致實(shí)驗(yàn)結(jié)果太抽象而無法解讀。困惑度(Perplexity)是Blei等提出的并將其作為模型評(píng)判指標(biāo)。部分學(xué)者如廖列法等[9]和劉江華[10]等采用最小化困惑度(Perplexity)指標(biāo)確定主題個(gè)數(shù)。理論上，困惑度越小，模型的聚類效果越好，但僅用困惑度指標(biāo)確定主題數(shù)缺乏邏輯嚴(yán)謹(jǐn)性，以致主題數(shù)過高，出現(xiàn)主題間辨識(shí)度不高的問題[11]。主題一致性(Topic Coherence)是另一種確定最優(yōu)主題數(shù)的指標(biāo)[12-13]，它通過衡量主題中高分詞語之間的語義相似度來為一個(gè)主題評(píng)分，CUMass是主題一致性指標(biāo)之一。本文采取Wenxin Wang等[14]的方法，結(jié)合困惑度和主題一致性度量選取最優(yōu)主題數(shù)，確保LDA模型的主題提取結(jié)果具有準(zhǔn)確性和可解釋性?；贚DA模型生成主題-詞多項(xiàng)式分布，概率較高的關(guān)鍵詞能較好地描述主題內(nèi)容，本文選取排名前十的關(guān)鍵詞進(jìn)行可視化分析。

3.3 機(jī)器學(xué)習(xí)——構(gòu)建分類器

在機(jī)器學(xué)習(xí)中，分類器的作用是在標(biāo)記好類別的訓(xùn)練數(shù)據(jù)集上預(yù)測(cè)一個(gè)新的觀察樣本的所屬類別。在監(jiān)督學(xué)習(xí)中，算法從已標(biāo)記的數(shù)據(jù)中學(xué)習(xí)。在理解數(shù)據(jù)背后隱藏的規(guī)律之后，算法通過將模式與未標(biāo)記的新數(shù)據(jù)關(guān)聯(lián)來確定新數(shù)據(jù)應(yīng)該映射的對(duì)應(yīng)類別標(biāo)簽。構(gòu)建分類器的步驟包括隨機(jī)選取訓(xùn)練樣本集并人工標(biāo)注類型、確定分類器的輸入特征、訓(xùn)練評(píng)估不同的分類算法，根據(jù)評(píng)價(jià)指標(biāo)選取最優(yōu)模型，最后對(duì)余下所有數(shù)據(jù)進(jìn)行分類預(yù)測(cè)。本文為分類任務(wù)中的文本分類，文本分類是根據(jù)文本的特征將其劃分到已有的類別中。輸入是由評(píng)論分割而成的單個(gè)詞語，作為特征向量，輸出是評(píng)論的類別。

4 實(shí)驗(yàn)結(jié)果及討論

4.1 數(shù)據(jù)收集及特征歸納

4.1.1 評(píng)論文本數(shù)據(jù)

本研究在線評(píng)論數(shù)據(jù)來自京東電商平臺(tái)。京東年度活躍購買用戶數(shù)達(dá)4.719億[15]，作為國內(nèi)知名的電商平臺(tái)，其數(shù)據(jù)具有代表性。本研究通過自主開發(fā)的網(wǎng)絡(luò)爬蟲工具采集京東電商平臺(tái)服裝評(píng)論數(shù)據(jù)作為分析對(duì)象，刪除重復(fù)、短句評(píng)論，最終得到120656條有效數(shù)據(jù)。為了聚焦退貨信息的挖掘，本文通過關(guān)鍵詞篩選出有關(guān)退貨的評(píng)論，如“退貨”“退款”等，一共獲得5413條退貨評(píng)論。然后對(duì)所得數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，包括剔除噪音數(shù)據(jù)、分詞及去除停用詞操作。

4.1.2 LDA主題挖掘

消費(fèi)者一般通過在線評(píng)論對(duì)商品的屬性進(jìn)行反饋，為了獲取消費(fèi)者在提及退貨問題時(shí)真實(shí)關(guān)切的問題，本文運(yùn)用LDA模型以退貨評(píng)論為研究對(duì)象，挖掘在線評(píng)論中與退貨有關(guān)的商品特征。數(shù)據(jù)清洗之后，語料庫中的詞語大部分都具有明確的含義，此時(shí)主題提取的可解釋性更佳。運(yùn)用第三小節(jié)所介紹的方法確定最優(yōu)主題數(shù)T，最終主題數(shù)T=11時(shí)，困惑度指標(biāo)和一致性度量都在特定范圍內(nèi)達(dá)到極值。理論上，LDA模型在此時(shí)的聚類效果最好。

LDA算法可以得到每個(gè)主題在所有詞上的概率分布，本文選擇概率排名前三十的部分關(guān)鍵詞進(jìn)行歸納總結(jié)，結(jié)果如表1所示，T1～T11表示主題一到主題十一。分析LDA主題挖掘的結(jié)果可大致歸納出與消費(fèi)者退貨有關(guān)的產(chǎn)品特征。根據(jù)各個(gè)主題的關(guān)鍵詞分布，可以推斷出消費(fèi)者描述的退貨問題與消費(fèi)者退貨意愿有關(guān)。如T1的關(guān)鍵詞“麻煩”“申請(qǐng)”“售后”“懶得”等詞，說明消費(fèi)者在申請(qǐng)售后服務(wù)時(shí)，可能因?yàn)槭酆罅鞒谭爆崗?fù)雜，加上自身惰性而選擇不退貨。T2的關(guān)鍵詞如“速度”“很快”等詞特別強(qiáng)調(diào)了物流速度與退貨的關(guān)系。根據(jù)關(guān)鍵詞“尺碼”“大小”“太大”等，可以推斷出商品大小的合適與否關(guān)系著消費(fèi)者的退貨意愿。T11的特征詞清晰地表述了商品價(jià)格與消費(fèi)者退貨存在關(guān)聯(lián)，如“差價(jià)”“降價(jià)”“便宜”等詞。同樣的，其他主題的關(guān)鍵詞分布也能很好地概括消費(fèi)者在談及退貨問題時(shí)主要討論的話題，最后共歸納總結(jié)為11個(gè)特征因素，分別為售后流程、物流、質(zhì)量、尺碼、外觀、效果、服務(wù)態(tài)度、品牌、商品描述、產(chǎn)品做工以及價(jià)格。這些商品特征因素一定程度上能解釋部分與消費(fèi)者退貨意愿有關(guān)的原因。

表1 LDA主題提取結(jié)果

4.2 構(gòu)建分類器

為了呈現(xiàn)不同退貨意愿的情況下，消費(fèi)者的選擇偏好差異以及各個(gè)特征因素的重要性，需要對(duì)所有退貨評(píng)論進(jìn)行分類，類別標(biāo)簽分為退貨意愿高、退貨意愿中等以及退貨意愿低。本文通過特定領(lǐng)域的數(shù)據(jù)集來構(gòu)建分類器實(shí)現(xiàn)所有退貨評(píng)論的分類預(yù)測(cè)。構(gòu)建分類器之前需要一批已經(jīng)標(biāo)注好的訓(xùn)練樣本，因此，本研究通過人工標(biāo)注得到訓(xùn)練樣本。首先，組內(nèi)標(biāo)注成員統(tǒng)一根據(jù)退貨意愿程度的定義確定標(biāo)注的規(guī)則：根據(jù)消費(fèi)者對(duì)不同商品特征的描述及滿意度情況，并觀察消費(fèi)者的退貨傾向性來判斷消費(fèi)者的退貨意愿高低；其次，隨機(jī)抽取1650條數(shù)據(jù)，由三個(gè)人分別對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)注；最后，根據(jù)少數(shù)服從多數(shù)的原則確定最終的類別標(biāo)簽，部分?jǐn)?shù)據(jù)標(biāo)注情況如表2所示。為了提高分類預(yù)測(cè)的準(zhǔn)確性，本文選取被業(yè)內(nèi)普遍認(rèn)可的幾種機(jī)器學(xué)習(xí)分類器進(jìn)行訓(xùn)練，分別為高斯樸素貝葉斯模型(Gaussian Naive Bayes)、多元邏輯回歸模型、隨機(jī)森林以及LightGBM算法。通過比較各個(gè)模型的準(zhǔn)確率、召回率及F1值，最后選取最優(yōu)模型分類剩余的退貨評(píng)論。將1650條文本作為輸入變量，每個(gè)輸入樣本對(duì)應(yīng)的類別標(biāo)簽作為輸出變量。樣本數(shù)據(jù)以8∶2的比例被分割成訓(xùn)練集和測(cè)試集。為了減小數(shù)據(jù)劃分對(duì)模型效果的影響，本文通過引入k折交叉驗(yàn)證的方法選擇最優(yōu)模型。最后四個(gè)模型在測(cè)試集上的表現(xiàn)如表3所示。

表2

表3 各分類器訓(xùn)練效果

由表3可知，LightGBM算法訓(xùn)練的分類器效果最好，因此本文利用此模型對(duì)剩余評(píng)論進(jìn)行分類，一共得到4294條退貨意愿高的評(píng)論、550條退貨意愿中等的評(píng)論以及569條退貨意愿低的評(píng)論。由此可知，消費(fèi)者在電商平臺(tái)發(fā)表的涉及退貨問題的評(píng)價(jià)大部分都有較強(qiáng)的退貨意愿。

4.3 特征因素重要性分析

基于分類器完成所有退貨評(píng)論對(duì)應(yīng)的類別預(yù)測(cè)之后，為了分析不同程度退貨意愿的情況下，各特征因素的重要性排名，本文分別統(tǒng)計(jì)退貨意愿低、退貨意愿中等以及退貨意愿高這三類評(píng)論數(shù)據(jù)的11個(gè)特征因素的分布情況。

由于在線評(píng)論中消費(fèi)者描述某個(gè)特征時(shí)，經(jīng)常會(huì)用不同的詞語表達(dá)相同的意思，即同義詞，因此需要將與此類意思相近及對(duì)同一主體進(jìn)行刻畫的關(guān)鍵詞合并成為新的特征因素。本文利用word2vec訓(xùn)練同義詞模型，其原理是將詞匯表示成向量，計(jì)算兩個(gè)向量之間的相似度，若相似度較高，則歸為同一類詞語，訓(xùn)練結(jié)果如表4所示。11個(gè)商品特征因素所對(duì)應(yīng)的詞語大部分都表示相同的意思，說明訓(xùn)練結(jié)果較好。這11個(gè)特征因素一定程度上可以解釋大部分消費(fèi)者產(chǎn)生退貨意愿的原因。

表4 word2vec訓(xùn)練結(jié)果

在此基礎(chǔ)上，分別統(tǒng)計(jì)三種情況下評(píng)論數(shù)據(jù)中的11個(gè)特征因素的分布情況。各個(gè)特征因素在三個(gè)類別的占比情況如圖2所示，橫軸表示各特征因素在所有特征因素中所占的比例，表現(xiàn)的是該特征因素對(duì)消費(fèi)者退貨意愿的重要性。由圖2可知，整體來看，影響消費(fèi)者退貨意愿的主要因素是做工、價(jià)格、描述、物流、大小、售后流程以及質(zhì)量。其他因素如品牌對(duì)消費(fèi)者退貨意愿影響不顯著。

圖2 各特征因素占比圖

對(duì)于退貨意愿低的情況，產(chǎn)品大小和質(zhì)量對(duì)消費(fèi)者的影響最大，其次是價(jià)格和商品描述，最后依次是售后流程、做工、物流、效果等。由訓(xùn)練分類器所制定的標(biāo)注規(guī)則可知，退貨意愿低的消費(fèi)者在退貨條件寬松的情況下不傾向退貨甚至排斥退貨，說明消費(fèi)者在在線評(píng)論中所描述的商品特征滿意度較高。由此可知，大小合適、高質(zhì)量、價(jià)格優(yōu)惠的產(chǎn)品會(huì)降低消費(fèi)者退貨意愿。另外，商家呈現(xiàn)給消費(fèi)者的商品信息與實(shí)物差距越小，消費(fèi)者的退貨意愿也越低。對(duì)于退貨意愿中等的情況，物流占比明顯高于其他特征因素，其次對(duì)消費(fèi)者退貨意愿影響較大的特征分別為價(jià)格、大小、售后流程以及質(zhì)量。退貨意愿中等的消費(fèi)者對(duì)于退貨問題保持中立的態(tài)度，說明消費(fèi)者所描述的問題沒有嚴(yán)重到需要使用退貨手段進(jìn)行風(fēng)險(xiǎn)規(guī)避或是降低自身損失。物流作為商品的外部因素，在商品本身沒有重大缺陷時(shí)，消費(fèi)者對(duì)產(chǎn)品和服務(wù)具有一定包容度。但由物流導(dǎo)致的商品損壞會(huì)讓消費(fèi)者產(chǎn)生退貨意愿。最后，退貨意愿高的群體是零售商最需要關(guān)注的群體，這類消費(fèi)者最關(guān)注產(chǎn)品大小、售后流程及質(zhì)量，與退貨意愿低的群體最關(guān)注的產(chǎn)品特點(diǎn)存在多處重合，再一次驗(yàn)證了產(chǎn)品大小和質(zhì)量能否滿足消費(fèi)者預(yù)期會(huì)很大程度影響消費(fèi)者的退貨意愿。退貨意愿高的群體還特別關(guān)注售后流程，他們對(duì)零售商的售前、售后行為提出了更高的要求，若產(chǎn)品大小、質(zhì)量或售后服務(wù)不符合消費(fèi)者的期望，那么消費(fèi)者退貨意愿也就越高。

5 結(jié)論和建議

5.1 結(jié)論

本文以在線評(píng)論為研究對(duì)象，利用文本挖掘的方法，分析在線評(píng)論中的退貨信息。立足于Minnema的假設(shè)，驗(yàn)證在線評(píng)論中蘊(yùn)含的消費(fèi)者退貨信息的有用性。同時(shí)在不同退貨意愿的情況下，分層次討論影響消費(fèi)者退貨意愿的特征因素，以此細(xì)粒化消費(fèi)者對(duì)商品特征的選擇偏好。研究表明：①在線評(píng)論蘊(yùn)含著大量消費(fèi)者退貨信息，能反應(yīng)消費(fèi)者退貨意愿，從理論上驗(yàn)證了Minnema提出的假設(shè)，發(fā)現(xiàn)了用戶數(shù)據(jù)的新價(jià)值，為后續(xù)的研究開拓新思路；②通過機(jī)器學(xué)習(xí)訓(xùn)練不同分類器，將有關(guān)退貨的在線評(píng)論分為退貨意愿低、中、高三種情況，最終得出，LightGBM算法的分類效果最好，能夠有效區(qū)分消費(fèi)者的退貨意愿程度；③退貨意愿高往往是因?yàn)樯唐反笮〔缓线m、質(zhì)量不可靠以及售后流程不完善，消費(fèi)者真實(shí)的退貨行為很大可能是由這些因素驅(qū)動(dòng)的。同樣的，合適的大小和高質(zhì)量產(chǎn)品能降低消費(fèi)者退貨意愿。另外，商品的做工、價(jià)格、描述和實(shí)際效果在一定程度上也會(huì)影響消費(fèi)者退貨意愿。物流對(duì)消費(fèi)者退貨傾向性的影響并不是很明顯，大部分消費(fèi)者持中立態(tài)度。

5.2 政策及建議

綜上所述，在不同退貨意愿的情況下，消費(fèi)者的選擇偏好也有所差異，因此，零售商應(yīng)該有針對(duì)性地制定零售策略以降低消費(fèi)者退貨意愿。在此，本文提出以下幾點(diǎn)政策建議以供參考：①規(guī)范員工培訓(xùn)，提高客服服務(wù)水平以及完善售后流程。如制定合理的補(bǔ)償機(jī)制，在商品無重大缺陷的情況下，消費(fèi)者購后出現(xiàn)問題時(shí)，通常首先與客服進(jìn)行聯(lián)系，如果客服能及時(shí)有效地解決客戶問題或者給予補(bǔ)償，那么也能減少非必要的退貨情況；②商品表述以真實(shí)為主，不可過分美化商品。線上購物對(duì)比線下購物最大的劣勢(shì)就是消費(fèi)者不能接觸實(shí)物進(jìn)行判斷后再購買，因此，服裝電商企業(yè)應(yīng)該盡量減小圖片與實(shí)物的差距。另外，提供全面完善的商品信息，如商品尺碼表、材料表等，可以減少消費(fèi)者由于信息不確定導(dǎo)致錯(cuò)誤的購買決策，進(jìn)而退貨的情況；③企業(yè)需嚴(yán)格把控商品質(zhì)量，若是為了降低成本而無法為消費(fèi)者提供高品質(zhì)的商品，那么也應(yīng)制定合理的價(jià)格，做到商品價(jià)值與商品價(jià)格對(duì)等。大部分消費(fèi)者認(rèn)為只有買到物有所值或物超所值的商品才是一次成功的購物，若商品性價(jià)比高、質(zhì)量可靠，那么消費(fèi)者保留交易商品而不退貨的概率也會(huì)增加；④對(duì)于物流而言，電商企業(yè)和第三方物流企業(yè)應(yīng)相互合作，提高商品配送的效率，保證商品流通過程中不受損壞，以減少消費(fèi)者損失。雖然物流速度對(duì)消費(fèi)者退貨意愿的影響不大，但是由物流原因造成商品實(shí)質(zhì)性損壞也會(huì)使消費(fèi)者退貨。因此，物流過程的首要任務(wù)是保證商品完好無損，在這個(gè)前提下，提高物流配送的速度能給消費(fèi)者帶來較好的服務(wù)體驗(yàn)。