Løsninger på klassifisering
Fordi det er så mange forskjellige produkter og ofte endrede regler, kan dette bli komplisert. Mennesker, selv eksperter, får bare koden riktig omtrent 7 ganger av 10, og manuell produktklassifisering er en ekstra arbeidsbelastning.
En annen løsning er å skrive et dataprogram med alle reglene. Bransjeeksperter klassifiserer produkter og programvareutviklere legger til reglene som ekspertene følger. Et system som det kan få den riktige koden omtrent 9 ganger av 10. Jeg vet dette fordi teamet vårt i Zonos har gjort det. Reglene vi lager tar hensyn til følgende:
- Måten et produkt blir beskrevet på
- Hvilket bilde som brukes for å annonsere produktet
- Hvem som selger produktet
- Kostnaden på produktet
Å ta hensyn til disse faktorene resulterer i maksimal klassifiseringsøyaktighet.
Å ha 9/10 produktklassifiseringsøyaktighet er utrolig, men vi er ikke ferdig ennå. Det ene feilklassifiserte varen er verdifull for oss fordi vi bruker det som data for å identifisere vanskelige mønstre for å forbedre nøyaktigheten og resultatene våre. For eksempel så jeg nylig et produkt i en nettbutikk beskrevet som sokker som "ser bra ut i en skreddersydd dress og ville være et perfekt tillegg til et dyrt par formelle sko," som kunne være vanskelig å klassifisere. Mennesker vet at produktet er for sokker, men beskrivelsen kunne handle om dresser eller sko.
For å forhindre at datamaskinen blir forvirret, blir reglene mer og mer kompliserte. Du kan forestille deg at dette blir enda vanskeligere når bare et merkenavn brukes, et ord er stavfeil, eller bildet av et produkt inkluderer flere varer.
Med alle disse eksisterende problemfaktorene, for å få klassifiseringen riktig minst 99 ganger av 100, bruker vi maskinlæring. Maskinlæring sier at vi skal slutte å fortelle datamaskinen om alle små ting som kan være viktige og be datamaskinen om å lære hva som er viktig for seg selv. Vi har fortsatt eksperter og regler, men datamaskinen har en mye større jobb og kan ofte få mye bedre resultater enn mennesker.
Maskinlæring: Gjenkjenning av mønstre
En måte vi ber datamaskinen om å løse dette problemet for oss på er å gi den produktbildene og be datamaskinen om å finne mønstre i disse bildene. Når den er klar, kan datamaskinen identifisere forskjeller som mennesker kanskje ikke legger merke til.
Her er et eksempel på billyktene. Gitt tusenvis av bilder av billyktene, ba jeg datamaskinen om å organisere dem etter hvor annerledes bildene er fra hverandre. Jeg fortalte ikke datamaskinen noe om bildene. Da gjorde datamaskinen det, bestemte den seg for at det var tre eller fire forskjellige typer bilder som vanligvis brukes for å selge en billykter. Eksempler på hver type produktbilde ser slik ut:
I disse bildene er det to former for billyktene og en som er på en bil. Hvis jeg ser på andre bilder i hver gruppe, ser jeg at hver gruppe er fyllt med bilder som er like. Hvis bildelene begynte å selge billyktene med bilder av esken, ville maskinlæringsverktøyene legge merke til og tilpasse seg automatisk. Jeg bruker denne informasjonen for tusenvis av forskjellige produktkategorier på tvers av millioner av produkter.
Ofte kan maskinlæringsverktøyene legge merke til mønstre mennesker glipper. For eksempel ser en motorsykkellykter litt annerledes ut enn en billykter; eller et skjønnhetsprodukt blir ofte solgt med en kvinne som holder gjenstanden nær ansiktet sitt, eller et dyrt plagg blir ofte plassert på en mannekeng og et billigere plagg blir ofte plassert på en mannekeng eller bare brettet på et bord. Disse virker som enkle mønstre og detaljer å legge merke til når jeg legger merke til dem, men de er faktisk ganske enkle å gå glipp av.
Maskinene kan også lære sunn fornuft. Hvis en butikk fokuserer på helse- og skjønnhetsprodukter, vet vi at blomstene og druene som er i noen av produktbildene ikke selges; de er bare dekorative. Eller hvis en lastebil blir solgt for $24,99, er det sannsynligvis en lekebil eller en T-skjorte. Disse vanlige forvirringskilder behandles av maskinen mer eller mindre på samme måte som du eller jeg ville behandlet dem. Jo mer systemet brukes, desto bedre blir det.
Vi kan lære maskiner å lære fra feilene våre. Etter at en klassifisering forvirrer druene eller blomstene i bildet første gang, kan den læres til å ignorere disse irrelevante, dekorative elementene og fokusere på beholderen med skjønnhetskrem i sentrum av bildet. Dette dukker ofte opp når noe er nytt. Vi kan alltid få en menneskelig klassifiserer til å se på vanskelige eller nye problemer.
Å få datamaskinen til å se etter mønstre og en ekspert som gjennomgår disse mønstrene er en fin måte å få flere produkter sendt med mindre problemer. På slutten av dagen skaper dette tillit. Å sende et produkt over grenser bør ikke kreve at du vet alt som går inn i innsatsen; men å vite at arbeidet har blitt gjort, kan du stole på at klassifiseringssystemet vårt er et viktig verktøy for å vokse virksomheten din.
HS-tariffkodeklassifisering møter maskinlæring
I Zonos jobber vårt team av bransjeeksperter og programvareutviklere stadig med måter å forenkle grenseoverskridende handel. En del av dette er å sikre at alle virksomheter som sender produkter over grenser har disse varene korrekt klassifisert. Alle land bruker det samme systemet for å beskrive produktene du selger, kalt Harmonized Code-systemet. Å få produktene dine riktig klassifisert ved å bruke HS- eller HTS-koder bidrar til å sikre konsistens når pakkene dine blir undersøkt ved grensen.
Det er mange kompleksiteter når det gjelder utsendelse av produkter over grenser; men når det gjelder HS-koder, kan nøyaktig automatisert klassifisering være et kritisk verktøy for å vokse virksomheten din. Selv om nøyaktig produktklassifisering har vært en kjedelig og dyr prosess tidligere, fikser vi det. Zonos har et bransjeforandringverktøy kalt Classify som tildeler en Harmonized Code til produktbeskrivelser.
Som både bransjeekspert og programvareutvikler kan jeg forklare hvordan dette fungerer fra et unikt perspektiv. La oss bryte ned hvordan HS-klassifisering for grenseoverskridende handel møter maskinlæring.
Hvis du selger et produkt kalt "Men's Gold Toe Windsor Wool (12 Pairs) Black," kan systemet vårt tildele en kode til det, 6115.94. Tolloffiseren som inspiserer varer sendt til landet kan se koden, forstå hva som er i pakken, og flytte varen videre uten forsinkelse.
De første to sifrene, 61, forteller offiseren at varen er strikket eller heklet plagg, i stedet for 62 for strikket varer. De andre to sifrene, 15, indikerer at disse er sokker. De siste to sifrene, 94, viser at disse er sokker med full lengde.
Det kan virke åpenbart at et produkt med et navn som "Men's Gold Toe Windsor Wool (12 Pairs) Black" ville passe beskrivelsen 6115.94, men det er mange lignende koder som kunne ha blitt valgt avhengig av trådtykkelse eller andre hensyn. Klassifiseringsverktøyet vårt må matche en kode til et produkt og finne det beste tilgjengelige alternativet.
Dette blir mer komplisert når vi vet hvor varen blir sendt. Hvert land tildeler tilleggskoder. For eksempel forteller de tilleggsmessige 00 på slutten av 6115.94.00 en kanadisk tolloffiser at dette er en ullsokk og 6115.94.0000 gir enda flere detaljer og lar dem vite at avgiftene på varen er ganske mye høyere enn for en rent ullsokk. Jeg kunne ikke finne en forklaring på hvorfor dette er annerledes, og det er derfor riktig klassifisering er så viktig; det er så enkelt å gjøre en feil når du klassifiserer produkter.
Beskrivelsen 6115.94.0000 er identisk med beskrivelsen 6115.94.00, men de to ekstra nullene kan øke tollsatsen. Verktøyene våre må ikke bare forstå den mest riktige klassifiseringen, men også forstå hvordan avgjøringene våre påvirker kundene våre.