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 gange ud af 10, og manuel produktklassificering er en ekstra arbejdsbyrde.
En anden løsning er at skrive et computerprogram med alle reglerne. Brancheeksperter classify produkter, og softwareingeniører tilføjer de regler, som eksperterne følger. Et system som dette kan få den korrekte kode omkring 9 gange ud af 10. Jeg ved dette, fordi vores team hos Zonos har gjort dette. De regler, vi skaber, tager hensyn til følgende:
- Hvordan et produkt er beskrevet
- Hvilket billede der bruges til at annoncere produktet
- Hvem der sælger produktet
- Omkostningerne ved produktet
At tage hensyn til disse faktorer resulterer i maksimal klassifikationsnøjagtighed.
At have 9/10 klassifikationsnøjagtighed for varer er fantastisk, men vi er ikke færdige endnu. Den ene fejlagtigt klassificerede vare er værdifuld for os, fordi vi bruger den som data til at identificere vanskelige mønstre for at forbedre vores nøjagtighed og resultater. For eksempel så jeg for nylig et produkt i en online butik beskrevet som sokker, der “ser godt ud i en skræddersyet dragt og ville være det perfekte supplement til et dyrt par dressko,” hvilket kunne være svært at classify. Mennesker ved, at produktet er sokker, men beskrivelsen kunne handle om dragter eller sko.
For at forhindre computeren i at blive forvirret, bliver reglerne mere og mere komplicerede. Du kan forestille dig, at dette bliver endnu sværere, når kun et mærkenavn bruges, et ord er stavet forkert, eller billedet for et produkt inkluderer flere varer.
Med alle disse eksisterende problemårsagende faktorer, for at få klassificeringen rigtig mindst 99 gange ud af 100, bruger vi maskinlæring. Maskinlæring siger, at vi stopper med at fortælle computeren hver lille ting, der kunne være vigtig, og beder computeren om at lære, hvad der er vigtigt for sig selv. Vi har stadig eksperter og regler, men computeren har en meget større opgave og kan ofte få meget bedre resultater end mennesker.
Maskinlæring: Genkendelse af mønstre
En måde, vi beder computeren om at løse dette problem for os, er ved at give den produktbilleder og bede computeren om at finde mønstre i disse billeder. Når den er klar, kan computeren identificere forskelle, som mennesker måske overser.
Her er et eksempel på billygter. Givet tusindvis af billeder af billygter bad jeg computeren om at organisere dem efter, hvor forskellige billederne er fra hinanden. Jeg fortalte ikke computeren noget om billederne. Da den gjorde dette, besluttede computeren, at der var tre eller fire forskellige slags billeder, der ofte bruges til at sælge en billygte. Eksempler på hver type produktbillede ser sådan ud:
I disse billeder er der to former for billygter og en, der er på en bil. Hvis jeg ser på andre billeder i hver gruppe, ser jeg, at hver gruppe er fyldt med billeder, der er ens. Hvis autodelebutikker begyndte at sælge billygter med billeder af kassen, ville maskinlæringværktøjer bemærke det og tilpasse sig automatisk. Jeg bruger disse oplysninger til tusindvis af forskellige produktkategorier på tværs af millioner af produkter.
Ofte kan maskinlæringværktøjerne bemærke mønstre, som mennesker overser. For eksempel ser en motorcykellygte lidt anderledes ud end en billygte; eller et skønhedsprodukt sælges ofte med en kvinde, der holder varen tæt på sit ansigt, eller et dyrt stykke tøj placeres ofte på en model, mens et billigere stykke ofte placeres på en mannequin eller blot foldes på et bord. Disse virker som lette mønstre og detaljer at bemærke, når jeg først ser dem, men de er faktisk ret lette at overse.
Maskinerne kan også lære sund fornuft. Hvis en butik fokuserer på sundheds- og skønhedsprodukter, ved vi, at blomsterne og druerne, der er i nogle af produktbillederne, ikke bliver solgt; de er blot dekorative. Eller hvis en lastbil sælges for $24.99, er det sandsynligvis en legetøjsbil 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 forbedres det.
Vi kan lære maskiner at lære af vores fejl. Efter en klassificering, der forvirrer druerne eller blomsterne i billedet første gang, kan den læres at ignorere disse irrelevante, dekorative genstande og fokusere på tuben med skønhedskrem i midten af billedet. Dette opstår ofte, når noget er nyt. Vi kan altid bringe en menneskelig klassificerer ind for at se på vanskelige eller nye problemer.
At lade computeren lede efter mønstre og en ekspert gennemgå disse mønstre er en fantastisk måde at få flere produkter sendt med mindre besvær. I sidste ende skaber dette tillid. At sende et produkt over grænserne bør ikke kræve, at du ved alt, hvad der går ind i indsatsen; men ved at vide, at arbejdet er blevet gjort, kan du stole på, at vores klassificeringssystem er et vigtigt værktøj til at vækste din virksomhed.
HS-tarifkodeklassificering møder maskinlæring
Hos Zonos arbejder vores team af branche- og softwareeksperter altid på måder at forenkle grænseoverskridende handel. Et aspekt af dette er at sikre, at enhver virksomhed, der flytter produkter over grænser, har disse varer korrekt klassificeret. Alle lande bruger det samme system til at beskrive de produkter, du sælger, kaldet Harmonized Code-systemet. At få dine produkter korrekt klassificeret ved hjælp af HS- eller HTS-koder hjælper med at sikre konsistens, når dine pakker bliver undersøgt ved grænsen.
Der er mange kompleksiteter, når det kommer til at sende produkter over grænsen; men når det kommer til HS-koder, kan præcise automatiserede klassifikationer fungere som et kritisk værktøj til at vækste din virksomhed. Selvom præcis produktklassificering tidligere har været en kedelig, dyr proces, er vi ved at ændre det. Zonos har et brancheændrende værktøj kaldet Classify, der tildeler en Harmonized Code til produktbeskrivelser.
Som både branche-specialist og softwareingeniør kan jeg forklare, hvordan dette fungerer fra et unikt perspektiv. Lad os nedbryde, hvordan HS-klassificering for grænseoverskridende handel møder maskinlæring.
Hvis du sælger et produkt kaldet, “Men’s Gold Toe Windsor Wool (12 Pairs) Black,” kan vores system tildele det en kode, 6115.94. Toldofficeren, der inspicerer varer sendt til landet, kan se på koden, forstå hvad der er i pakken, og sende varen videre uden forsinkelse.
De første to tal, 61, fortæller officeren, at varen er strikket eller hæklede beklædningsgenstande, snarere end 62 for ikke-strikkede varer. De næste to tal, 15, indikerer, at dette er sokker. De sidste to tal, 94, afslører, at dette er fuldlængde sokker.
Det kan virke indlysende, at et produkt med navnet, “Men’s Gold Toe Windsor Wool (12 Pairs) Black” ville passe til beskrivelsen 6115.94, men der er mange lignende koder, der kunne være blevet valgt afhængigt af trådtykkelsen eller andre overvejelser. Vores klassifikationsværktøj skal matche en kode til et produkt og finde den bedste tilgængelige match.
Dette bliver mere kompliceret, når vi ved, hvor varen sendes hen. Hvert land tildeler yderligere koder. For eksempel fortæller den ekstra 00 i slutningen af 6115.94.00 en canadisk toldofficer, at dette er en uldsok, og 6115.94.0000 giver endnu flere detaljer, der lader dem vide, at skatterne på varen er betydeligt 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 let at lave en fejl, når man klassificerer produkter.
Beskrivelsen 6115.94.0000 er identisk med beskrivelsen 6115.94.00, men de to ekstra 0'er kan øge tolden rate. Vores værktøjer skal ikke kun forstå den mest korrekte klassificering, men også forstå, hvordan vores beslutninger påvirker vores kunder.