Lösungen für die Klassifizierung
Da es so viele verschiedene Produkte und häufig wechselnde Regeln gibt, kann dies kompliziert werden. Menschen, selbst Experten, treffen den Code nur etwa 7 von 10 Mal richtig, und die manuelle Produktklassifizierung ist eine zusätzliche Arbeitsbelastung.
Eine weitere Lösung besteht darin, ein Computerprogramm mit allen Regeln zu schreiben. Branchenexperten klassifizieren Produkte und Softwareentwickler fügen die Regeln hinzu, denen die Experten folgen. Ein solches System kann den korrekten Code etwa 9 von 10 Mal ermitteln. Das weiß ich, weil unser Team bei Zonos dies getan hat. Die von uns erstellten Regeln achten auf Folgendes:
- Die Art und Weise, wie ein Produkt beschrieben wird
- Welches Bild zur Bewerbung des Produkts verwendet wird
- Wer das Produkt verkauft
- Die Kosten des Produkts
Die Berücksichtigung dieser Faktoren führt zu maximaler Klassifizierungsgenauigkeit.
Eine Klassifizierungsgenauigkeit von 9/10 ist unglaublich, aber wir sind noch nicht fertig. Dieser eine falsch klassifizierte Artikel ist für uns wertvoll, weil wir ihn als Daten nutzen, um schwierige Muster zu identifizieren und unsere Genauigkeit und Ergebnisse zu verbessern. Beispielsweise habe ich kürzlich ein Produkt in einem Online-Shop gesehen, das als Socken beschrieben wurde, die „gut zu einem maßgeschneiderten Anzug passen und die perfekte Ergänzung zu einem teuren Paar Abendschuhe wären“, was schwer zu klassifizieren sein könnte. Menschen wissen, dass das Produkt für Socken ist, aber die Beschreibung könnte sich auf Anzüge oder Schuhe beziehen.
Um zu verhindern, dass der Computer verwirrt wird, werden die Regeln immer komplizierter. Man kann sich vorstellen, dass dies noch schwieriger wird, wenn nur ein Markenname verwendet wird, ein Wort falsch geschrieben ist oder das Bild für ein Produkt mehrere Artikel enthält.
Angesichts all dieser bestehenden problemverursachenden Faktoren verwenden wir Machine Learning, um die Klassifizierung mindestens 99 von 100 Mal richtig zu machen. Machine Learning bedeutet, dass wir dem Computer nicht mehr jedes kleine Detail sagen, das wichtig sein könnte, sondern den Computer bitten, selbst zu lernen, was wichtig ist. Wir haben weiterhin Experten und Regeln, aber der Computer hat eine viel größere Aufgabe und kann oft viel bessere Ergebnisse erzielen als Menschen.
Machine Learning: Muster erkennen
Eine Möglichkeit, den Computer zu bitten, dieses Problem für uns zu lösen, besteht darin, ihm die Produktbilder zu geben und den Computer zu bitten, Muster in diesen Bildern zu finden. Sobald er bereit ist, kann der Computer Unterschiede identifizieren, die Menschen übersehen könnten.
Hier ist ein Beispiel für Autoscheinwerfer. Bei Tausenden von Bildern von Autoscheinwerfern bat ich den Computer, sie danach zu organisieren, wie unterschiedlich die Bilder voneinander sind. Ich habe dem Computer nichts über die Bilder mitgeteilt. Als er dies tat, entschied der Computer, dass es drei oder vier verschiedene Arten von Bildern gibt, die üblicherweise zum Verkauf eines Autoscheinwerfers verwendet werden. Beispiele für jeden Produktbildtyp sehen so aus:
In diesen Bildern gibt es zwei Formen von Autoscheinwerfern und einen, der an einem Auto montiert ist. Wenn ich mir andere Bilder in jeder Gruppe ansehe, sehe ich, dass jede Gruppe mit ähnlichen Bildern gefüllt ist. Wenn Autoteilehändler anfangen würden, Autoscheinwerfer mit Bildern der Verpackung zu verkaufen, würden Machine-Learning-Tools dies bemerken und sich automatisch anpassen. Ich nutze diese Informationen für Tausende verschiedener Produktkategorien über Millionen von Produkten hinweg.
Oft können die Machine-Learning-Tools Muster erkennen, die Menschen übersehen. Beispielsweise sieht ein Motorradscheinwerfer leicht anders aus als ein Autoscheinwerfer; oder ein Schönheitsprodukt wird oft mit einer Frau verkauft, die den Artikel nahe ihrem Gesicht hält, oder ein teures Kleidungsstück wird oft an einem Model platziert und ein günstigeres Stück oft an einer Schaufensterpuppe oder einfach gefaltet auf einem Tisch. Dies scheinen leichte Muster und Details zu sein, die man leicht bemerkt, sobald man sie sieht, aber sie sind tatsächlich leicht zu übersehen.
Die Maschinen können auch gesunden Menschenverstand erlernen. Wenn sich ein Shop auf Gesundheits- und Schönheitsprodukte konzentriert, wissen wir, dass die Blumen und Trauben in einigen der Produktbilder nicht verkauft werden; sie sind nur dekorativ. Oder wenn ein Sattelschlepper für 24,99 $ verkauft wird, handelt es sich wahrscheinlich um einen Spielzeuglaster oder ein T-Shirt. Diese gängigen Verwirrungsquellen werden von der Maschine mehr oder weniger so behandelt wie von Ihnen oder mir. Je mehr das System genutzt wird, desto mehr verbessert es sich.
Wir können Maschinen lehren, aus unseren Fehlern zu lernen. Nachdem eine Klassifizierung die Trauben oder Blumen im Bild beim ersten Mal verwechselt hat, kann sie gelehrt werden, diese irrelevanten, dekorativen Artikel zu ignorieren und sich auf die Schönheitscreme in der Mitte des Bildes zu konzentrieren. Dies kommt häufig vor, wenn etwas neu ist. Wir können immer einen menschlichen Klassifizierer hinzuziehen, um schwierige oder neue Probleme zu betrachten.
Dass der Computer nach Mustern sucht und ein Experte diese Muster überprüft, ist eine großartige Möglichkeit, mehr Produkte mit weniger Problemen zu versenden. Am Ende des Tages schafft dies Vertrauen. Produkte über Grenzen hinweg zu versenden sollte nicht erfordern, dass Sie alles kennen, was in die Anstrengung einfließt; aber wenn Sie wissen, dass die Arbeit erledigt wurde, können Sie darauf vertrauen, dass unser Klassifizierungssystem ein wichtiges Werkzeug zum Wachstum Ihres Unternehmens ist.
HS-Zolltarifcode-Klassifizierung trifft auf Machine Learning
Bei Zonos arbeitet unser Team aus Branchen- und Softwareexperten ständig daran, den grenzüberschreitenden Handel zu vereinfachen. Ein Aspekt davon ist sicherzustellen, dass jedes Unternehmen, das Produkte über Grenzen hinweg bewegt, diese Artikel korrekt klassifiziert. Alle Länder verwenden dasselbe System zur Beschreibung der von Ihnen verkauften Produkte, das Harmonisierte Codesystem. Die korrekte Klassifizierung Ihrer Produkte mithilfe von HS- oder HTS-Codes trägt dazu bei, Konsistenz zu gewährleisten, wenn Ihre Pakete an der Grenze untersucht werden.
Es gibt viele Komplexitäten beim grenzüberschreitenden Versand von Produkten; aber wenn es um HS-Codes geht, können genaue automatisierte Klassifizierungen als kritisches Werkzeug zum Wachstum Ihres Unternehmens dienen. Obwohl eine genaue Produktklassifizierung in der Vergangenheit ein mühsamer, teurer Prozess war, beheben wir das. Zonos hat ein branchenveränderndes Tool namens Classify, das Produktbeschreibungen einen Harmonisierten Code zuweist.
Als Branchenspezialist und Softwareentwickler kann ich erklären, wie das aus einer einzigartigen Perspektive funktioniert. Lassen Sie uns aufschlüsseln, wie HS-Klassifizierung für den grenzüberschreitenden Handel auf Machine Learning trifft.
Wenn Sie ein Produkt namens „Men's Gold Toe Windsor Wool (12 Pairs) Black“ verkaufen, könnte unser System ihm den Code 6115.94 zuweisen. Der Zollbeamte, der Artikel ins Land versendet bekommt, kann den Code ansehen, verstehen, was im Paket ist, und den Artikel ohne Verzögerung weiterleiten.
Die ersten beiden Zahlen, 61, teilen dem Beamten mit, dass es sich um gestrickte oder gehäkelte Bekleidung handelt, nicht um 62 für nicht gestrickte Artikel. Die zweiten beiden Zahlen, 15, zeigen an, dass es sich um Socken handelt. Die letzten beiden Zahlen, 94, verraten, dass es sich um Socken in voller Länge handelt.
Es mag offensichtlich erscheinen, dass ein Produkt mit einem Namen wie „Men's Gold Toe Windsor Wool (12 Pairs) Black“ zur Beschreibung 6115.94 passt, aber es gibt viele ähnliche Codes, die je nach Fadendicke oder anderen Überlegungen gewählt werden könnten. Unser Klassifizierungstool muss einen Code einem Produkt zuordnen und die bestmögliche Übereinstimmung finden.
Dies wird komplizierter, sobald wir wissen, wohin der Artikel versendet wird. Jedes Land weist zusätzliche Codes zu. Beispielsweise teilen die zusätzlichen 00 am Ende von 6115.94.00 einem kanadischen Zollbeamten mit, dass dies eine Wollsocke ist, und 6115.94.0000 liefert noch mehr Details und zeigt ihm, dass die fälligen Steuern auf den Artikel deutlich höher sind als für eine bloße Wollsocke. Ich konnte keine Erklärung finden, warum dies unterschiedlich ist, weshalb eine korrekte Klassifizierung so wichtig ist; es ist so leicht, bei der Klassifizierung von Produkten einen Fehler zu machen.
Die Beschreibung 6115.94.0000 ist identisch mit der Beschreibung 6115.94.00, doch diese zwei zusätzlichen 0 können den Zollsatz erhöhen. Unsere Tools müssen nicht nur die korrekteste Klassifizierung verstehen, sondern auch verstehen, wie unsere Entscheidungen unsere Kunden beeinflussen.