Hvorfor vi bygget om en modell som allerede lå foran
De tidligere modellene våre var grundig finjustert for ecommerce, og den finjusteringen fungerte.
Det som stadig dukket opp, både på ecommerce- og postsiden, er hvor lite vi ofte har å jobbe med. En ecommerce-oppføring kan komme med en beskrivende tittel, en kategori og noe om hva varen er laget av. Mange gjør det. Mange flere består bare av et merkenavn og et produktnavn, og en oppføring som heter Summit Ridge Mid sier ikke om det er en tursko, en ryggsekk eller en jakke, for ikke å snakke om hva den er laget av.
Det er innen post dette blir vanskeligst. Zonos håndterer det store flertallet av alle postforsendelser som kommer inn i USA, og en pakke der er ofte beskrevet med to eller tre ord, skrevet inn på et tollskjema av personen som pakket esken, uten noe annet bak.
Det er dette vi bygget om for: varene der beskrivelsen ikke forteller deg stort, uansett hvilken kanal de kommer gjennom.
«T-skjorte» kan bety hvilken som helst av 16+ HS-koder – men hvilken?
Si at en deklarasjon lyder t-shirt og ingenting annet. Det kan være hvilken som helst av 16+ HS-koder. Den riktige avhenger av hva skjorten er laget av, hvem den er sydd for, og hvordan den er strikket, og tollen som skal betales, endres med hvert av disse svarene. Bomull og syntetiske fibre alene havner i ulike underposisjoner med vesentlig forskjellige satser.
Gang det med en hel katalog. Kid-Silk Mohair 25g er den typen tittel vi ser hele dagen, og den må likevel ende opp som én linje i tolltariffen.
Det er de vanskeligere tilfellene vi fokuserte på denne gangen. De godt beskrevne varene får samme oppmerksomhet, de er bare mindre tilbøyelige til å få en klassifiserer til å snuble.
Slik målte vi det
Vi målte den nye modellen slik vi ville ønsket at en leverandør målte for oss: på live trafikk, ikke på et testsett vi selv har valgt ut. Vi brukte to uker med klassifiseringsforespørsler som kom gjennom plattformen vår, altså titlene og beskrivelsene kundene våre faktisk sender, inkludert de som knapt er en beskrivelse i det hele tatt.
På tvers av den trafikken gjør den nye modellen 29,4 % færre feil enn modellen den erstatter.
Dette er en ny modell, ikke en finjustert versjon av den gamle. Vi bygget om korpuset den lærer fra, og trente den på offisielle tollavgjørelser sammen med millioner av de delvis beskrevne oppføringene klassifisereren vår ser hver dag.
Mot en konkurrent, på de samme forsendelsene
Å sammenligne en modell med din egen eldre modell forteller deg bare så mye. Vi tok 1 000 ekte forsendelser og kjørte dem gjennom tre systemer: en ledende konkurrents klassifiserer, modellen Classify Zonos AI bruker i dag, og den nye. Hver forsendelse ble vurdert på samme måte.
Modellen Classify Zonos AI kjører i dag, gjorde allerede 33 % færre feil enn konkurrenten. Den nye gjør 70 % færre.
Noen feil koster mer enn andre
Ikke alle klassifiseringsfeil har samme prislapp. Hvis et par sokker klassifiseres én underposisjon unna der de hører hjemme, er tollen som skal betales vanligvis omtrent den samme, og ingen merker det. Hvis de samme sokkene havner i et helt annet kapittel i tolltariffen, registrert som noe de ikke er, er tollen slett ikke i nærheten. Det er disse som blir til en uventet regning senere, og de er en stor del av grunnen til at vi bygget om modellen.
Hva dette betyr for deg
- Riktig kode oftere. 29,4 % færre feil enn modellen den erstatter, målt på live grensekryssende trafikk.
- Bygget for tynne produktdata. Vi rettet ombyggingen mot korte, ufullstendige beskrivelser, som er det meste av det en postforsendelse gir, og mer av en ecommerce-katalog enn de fleste forhandlere forventer.
- Færre overraskelser ved grensen. Færre feil koder betyr færre forsendelser som ankommer med en tollregning ingen forventet.
- Ingenting å endre på din side. Den nye modellen leverer allerede klassifiseringer. Hvis du kaller Classify Zonos AI i dag, forblir forespørselen din og svaret du får tilbake det samme, så det er ikke noe integrasjonsarbeid å gjøre og ingen innstilling å slå på.
Målt på to uker med live grensekryssende trafikk og en sammenligning av 1 000 forsendelser mot en ledende konkurrent. Klassifiseringsnøyaktigheten varierer etter produktkategori og hvor mye detalj varebeskrivelsen inneholder.
Zonos' nye Classify-modell gjør 29,4 % færre klassifiseringsfeil
Hver pakke som krysser en grense, trenger en HS-kode, og den koden avgjør hva forsendelsen skylder og hvor smidig den kommer frem. Zonos har arbeidet med dette problemet i mer enn 16 år, og Zonos Classify Zonos AI løser det med proprietære AI-modeller vi bygger selv.
Vi trener modellene våre på grensekryssende data vi ser på nært hold, og vi tester dem selv, i stedet for å kjøre en generell modell med en tollprompt skrudd på.
Det arbeidet har holdt oss i front. Mot en ledende konkurrents klassifiserer, på de samme 1 000 forsendelsene, gjør modellen Classify Zonos AI kjører i dag, 33 % færre feil.
Nå har vi bygget den på nytt for å gjøre den enda bedre. Over to uker med live grensekryssende trafikk gjør den nye modellen 29,4 % færre klassifiseringsfeil enn modellen den erstatter. Den er i drift nå.