Løsninger til klassificering
Fordi der er så mange forskellige produkter og hyppigt skiftende regler, kan dette blive kompliceret. Mennesker, selv eksperter, får kun koden rigtig omkring 7 ud af 10 gange, og manuel produktklassificering er en ekstra arbejdsbyrde.
En anden løsning er at skrive et computerprogram med alle reglerne. Brancheeksperter klassificerer produkter, og softwareingeniører tilføjer de regler, eksperterne følger. Et system som det kan få den korrekte kode omkring 9 ud af 10 gange. Jeg ved dette, fordi vores team hos Zonos har gjort det. De regler, vi opretter, lægger vægt på følgende:
- Måden et produkt beskrives på
- Hvilket billede der bruges til at annoncere produktet
- Hvem der sælger produktet
- Omkostningen ved produktet
At lægge vægt på disse faktorer resulterer i maksimal klassificeringsnøjagtighed.
At have 9/10 vareklassificeringsnøjagtighed er utroligt, men vi er ikke færdige endnu. Den ene fejklassificerede vare er værdifuld for os, fordi vi bruger den som data til at identificere vanskelige mønstre for at forbedre vores nøjagtighed og resultater. F.eks. så jeg for nylig et produkt i en onlinebutik beskrevet som sokker, der „ser godt ud i et skræddersyet jakkesæt og ville være det perfekte complement til et dyrt par dress sko," hvilket kunne være svært at klassificere. Mennesker ved, at produktet er til sokker, men beskrivelsen kunne handle om jakkesæt eller sko.
For at forhindre computeren i at blive forvirret bliver reglerne mere og mere komplicerede. Du kan forestille dig, at det bliver endnu sværere, når kun et mærkenavn bruges, et ord er stavefejl, eller billedet for et produkt inkluderer flere varer.
Med alle disse eksisterende problemforårsagende faktorer bruger vi machine learning for at få klassificeringen rigtig mindst 99 ud af 100 gange. Machine learning siger, at vi stopper med at fortælle computeren hver lille ting, der kan være vigtig, og beder computeren om at lære, hvad der er vigtigt, for sig selv. Vi har stadig eksperter og regler, men computeren har et meget større job og kan ofte få meget bedre resultater end mennesker.
Machine learning: Genkendelse af mønstre
En måde, vi beder computeren om at løse dette problem for os, er at give den produktbillederne og bede computeren finde mønstre i disse billeder. Når den er klar, kan computeren identificere forskelle, som mennesker måske overser.
Her er et eksempel på auto-forlygter. Givet tusindvis af billeder af auto-forlygter bad jeg computeren om at organisere dem efter, hvor forskellige billederne er fra hinanden. Jeg fortalte computeren intet om billederne. Da den gjorde det, besluttede computeren, at der var tre eller fire forskellige slags billeder, der almindeligvis bruges til at sælge en auto-forlygte. Eksempler på hver type produktbillede ser sådan ud:
I disse billeder er der to former for auto-forlygter og en, der sidder på en bil. Hvis jeg kigger på andre billeder i hver gruppe, ser jeg, at hver gruppe er fyldt med billeder, der ligner hinanden. Hvis autodelebutikker begyndte at sælge auto-forlygter med billeder af æsken, ville machine learning-værktøjer bemærke det og tilpasse sig automatisk. Jeg bruger denne information til tusindvis af forskellige produktkategorier på tværs af millioner af produkter.
Ofte kan machine learning-værktøjer bemærke mønstre, som mennesker overser. F.eks. ser en motorcykel-forlygte lidt anderledes ud end en auto-forlygte; eller et skønhedsprodukt sælges ofte med en kvinde, der holder varen nær sit ansigt, eller et dyrt stykke tøj placeres ofte på en model, og et billigere stykke placeres ofte på en mannequin eller bare foldet på et bord. Disse virker som nemme mønstre og detaljer at bemærke, når jeg først bemærker dem, men de er faktisk ret nemme at overse.
Maskinerne kan også lære sund fornuft. Hvis en butik fokuserer på sundheds- og skønhedsprodukter, ved vi, at blomsterne og druerne i nogle af produktbillederne ikke sælges; de er bare dekorative. Eller hvis en lastbil sælges for $24,99, er det sandsynligvis en legetøjslastbil eller en t-shirt. Disse almindelige kilder til forvirring behandles af maskinen mere eller mindre på samme måde, som du eller jeg ville behandle dem. Jo mere systemet bruges, jo mere forbedrer det sig.
Vi kan lære maskiner at lære af vores fejl. Efter en klassificering forvirrer druerne eller blomsterne i billedet første gang, kan den læres at ignorere disse irrelevante, dekorative varer og fokusere på beholderen med skønhedscreme i midten af billedet. Dette kommer ofte op, når noget er nyt. Vi kan altid bringe en menneskelig klassificerer ind til at se på vanskelige eller nye problemer.
At lade computeren lede efter mønstre og en ekspert gennemgå disse mønstre er en god måde at få flere produkter sendt med færre problemer. I sidste ende skaber dette tillid. At sende et produkt på tværs af grænser bør ikke kræve, at du kender alt, der går ind i indsatsen; men ved at vide, at arbejdet er udført, kan du stole på, at vores klassificeringssystem er et vigtigt værktøj til at vækste din virksomhed.
HS-tarifkodeklassificering møder machine learning
Hos Zonos arbejder vores team af branche- og softwareeksperter altid på måder at forenkle grænseoverskridende handel på. Et aspekt af dette er at sikre, at enhver virksomhed, der flytter produkter på tværs af grænser, har disse varer korrekt klassificeret. Alle lande bruger det samme system til at beskrive de produkter, du sælger, kaldet Harmoniserede kode-systemet. At have dine produkter korrekt klassificeret ved hjælp af HS- eller HTS-koder hjælper med at sikre konsistens, når dine pakker undersøges ved grænsen.
Der er mange kompleksiteter, når det kommer til at sende produkter grænseoverskridende; men når det gælder HS-koder, kan præcise automatiserede klassificeringer tjene som et kritisk værktøj til at vækste din virksomhed. Selvom præcis produktklassificering har været en tidskrævende, dyr proces i fortiden, retter vi op på det. Zonos har et brancheændrende værktøj kaldet Classify, der tildeler en Harmoniseret kode til produktbeskrivelser.
Som både branchespecialist og softwareingeniør kan jeg forklare, hvordan dette fungerer, fra et unikt perspektiv. Lad os bryde ned, hvordan HS-klassificering til grænseoverskridende handel møder machine learning.
Hvis du sælger et produkt kaldet „Men's Gold Toe Windsor Wool (12 Pairs) Black," kan vores system tildele en kode til det, 6115.94. Toldembedsmanden, der inspicerer varer sendt til landet, kan se på koden, forstå, hvad der er i pakken, og få varen videre uden forsinkelse.
De første to tal, 61, fortæller embedsmanden, at varen er strikket eller hæklet beklædning, frem for 62 for ikke-strikkede varer. De næste to tal, 15, angiver, at det er sokker. De sidste to tal, 94, afslører, at det er fuldlængdesokker.
Det kan virke indlysende, at et produkt med et navn som „Men's Gold Toe Windsor Wool (12 Pairs) Black" passer til 6115.94-beskrivelsen, men der er mange lignende koder, der kunne være valgt afhængigt af trådtykkelse eller andre overvejelser. Vores klassificeringsværktøj skal matche en kode til et produkt og finde det bedste match tilgængeligt.
Det bliver mere kompliceret, når vi ved, hvor varen sendes hen. Hvert land tildeler yderligere koder. F.eks. fortæller de ekstra 00 i slutningen af 6115.94.00 en canadisk toldembedsmand, at dette er en uldsok, og 6115.94.0000 giver endnu flere detaljer og lader dem vide, at skatterne due på varen er en del højere end for en almindelig uldsok. Jeg kunne ikke finde en forklaring på, hvorfor dette er anderledes, hvilket er grunden til, at korrekt klassificering er så vigtig; det er så nemt at lave en fejl ved klassificering af produkter.
6115.94.0000-beskrivelsen er identisk med 6115.94.00-beskrivelsen, men de to ekstra 0'er kan øge toldsatsen. Vores værktøjer skal ikke kun forstå den mest korrekte klassificering, men også forstå, hvordan vores beslutninger påvirker vores kunder.