Lösningar för klassificering
Eftersom det finns så många olika produkter och ofta föränderliga regler kan detta bli komplicerat. Människor, även experter, får rätt kod ungefär 7 gånger av 10, och manuell produktklassificering är en extra arbetsbelastning.
En annan lösning är att skriva ett datorprogram med alla regler. Branschexperter classify produkter och mjukvaruingenjörer lägger till de regler som experterna följer. Ett sådant system kan få rätt kod ungefär 9 gånger av 10. Jag vet detta eftersom vårt team på Zonos har gjort detta. De regler vi skapar uppmärksammar följande:
- Hur en produkt beskrivs
- Vilken bild som används för att marknadsföra produkten
- Vem som säljer produkten
- Kostnaden för produkten
Att uppmärksamma dessa faktorer resulterar i maximal klassificeringsnoggrannhet.
Att ha 9/10 klassificeringsnoggrannhet för varor är otroligt, men vi är inte klara än. Den ena felklassificerade varan är värdefull för oss eftersom vi använder den som data för att identifiera svåra mönster för att förbättra vår noggrannhet och resultat. Till exempel såg jag nyligen en produkt i en onlinebutik som beskrevs som strumpor som “ser bra ut i en skräddarsydd kostym och skulle vara det perfekta komplementet till ett dyrt par finskor,” vilket kan vara svårt att classify. Människor vet att produkten är för strumpor, men beskrivningen kan handla om kostymer eller skor.
För att förhindra att datorn blir förvirrad blir reglerna mer och mer komplicerade. Du kan föreställa dig att detta blir ännu svårare när endast ett varumärke används, ett ord stavas fel eller bilden för en produkt inkluderar flera föremål.
Med alla dessa existerande problematiska faktorer, för att få klassificeringen rätt minst 99 gånger av 100, använder vi maskininlärning. Maskininlärning säger att vi ska sluta berätta för datorn varje liten sak som kan vara viktig och be datorn att lära sig vad som är viktigt för sig själv. Vi har fortfarande experter och regler, men datorn har ett mycket större jobb och kan ofta få mycket bättre resultat än människor.
Maskininlärning: Att känna igen mönster
Ett sätt vi ber datorn att lösa detta problem för oss är att ge den produktbilder och be datorn att hitta mönster i dessa bilder. När den är redo kan datorn identifiera skillnader som människor kan missa.
Här är ett exempel på bilstrålkastare. Givet tusentals bilder av bilstrålkastare bad jag datorn att organisera dem efter hur olika bilderna är från varandra. Jag berättade inte för datorn något om bilderna. När den gjorde detta beslutade datorn att det fanns tre eller fyra olika typer av bilder som vanligtvis används för att sälja en bilstrålkastare. Exempel på varje typ av produktbild ser ut så här:
I dessa bilder finns det två former av bilstrålkastare och en som sitter på en bil. Om jag tittar på andra bilder i varje grupp ser jag att varje grupp är fylld med bilder som är liknande. Om bildelarbutiker började sälja bilstrålkastare med bilder av lådan, skulle maskininlärningsverktyg märka det och anpassa sig automatiskt. Jag använder denna information för tusentals olika produktkategorier över miljontals produkter.
Ofta kan maskininlärningsverktygen märka mönster som människor missar. Till exempel ser en motorcykelstrålkastare något annorlunda ut än en bilstrålkastare; eller, en skönhetsprodukt säljs ofta med en kvinna som håller föremålet nära sitt ansikte, eller en dyr klädesplagg placeras ofta på en modell och ett billigare plagg placeras ofta på en mannekäng eller bara vikt på ett bord. Dessa verkar vara lätta mönster och detaljer att märka när jag väl ser dem, men de är faktiskt ganska lätta att missa.
Maskinerna kan också lära sig sunt förnuft. Om en butik fokuserar på hälsa och skönhetsprodukter vet vi att blommorna och druvorna som finns i några av produktbilderna inte säljs; de är bara dekorativa. Eller om en lastbil säljs för $24.99, är det förmodligen en leksaksbil eller en t-shirt. Dessa vanliga källor till förvirring behandlas av maskinen mer eller mindre på samma sätt som du eller jag skulle behandla dem. Ju mer systemet används, desto mer förbättras det.
Vi kan lära maskiner att lära sig av våra misstag. Efter en klassificering som förvirrar druvorna eller blommorna i bilden första gången kan den läras att ignorera dessa irrelevanta, dekorativa föremål och fokusera på burken med skönhetskräm i mitten av bilden. Detta dyker ofta upp när något är nytt. Vi kan alltid ta in en mänsklig klassificerare för att titta på svåra eller nya problem.
Att låta datorn leta efter mönster och en expert granska dessa mönster är ett utmärkt sätt att få fler produkter skickade med mindre besvär. I slutet av dagen skapar detta förtroende. Att skicka en produkt över gränserna bör inte kräva att du vet allt som går in i ansträngningen; men genom att veta att arbetet har gjorts kan du lita på att vårt klassificeringssystem är ett viktigt verktyg för att växa ditt företag.
Klassificering av HS-tariffkoder möter maskininlärning
På Zonos arbetar vårt team av bransch- och mjukvaruexperter ständigt med att förenkla gränsöverskridande handel. En aspekt av detta är att säkerställa att alla företag som flyttar produkter över gränser har dessa varor korrekt klassificerade. Alla länder använder samma system för att beskriva de produkter du säljer, kallat Harmonized Code-systemet. Att ha dina produkter korrekt klassificerade med HS- eller HTS-koder hjälper till att säkerställa konsekvens när dina paket granskas vid gränsen.
Det finns många komplexiteter när det gäller att skicka produkter över gränser; men när det kommer till HS-koder kan noggranna automatiserade klassificeringar fungera som ett kritiskt verktyg för att växa ditt företag. Även om noggrann produktklassificering har varit en tråkig och kostsam process tidigare, åtgärdar vi det. Zonos har ett branschförändrande verktyg som heter Classify som tilldelar en Harmonized Code till produktbeskrivningar.
Som både branschexpert och mjukvaruingenjör kan jag förklara hur detta fungerar ur ett unikt perspektiv. Låt oss bryta ner hur HS-klassificering för gränsöverskridande handel möter maskininlärning.
Om du säljer en produkt som heter, “Men’s Gold Toe Windsor Wool (12 Pairs) Black,” kan vårt system tilldela den en kod, 6115.94. Tulltjänstemannen som inspekterar varor som skickas till landet kan titta på koden, förstå vad som finns i paketet och skicka varan vidare utan dröjsmål.
De första två siffrorna, 61, berättar för tjänstemannen att varan är stickad eller virkad klädsel, snarare än 62 för icke-stickade varor. De andra två siffrorna, 15, indikerar att detta är strumpor. De sista två siffrorna, 94, avslöjar att detta är helängdsstrumpor.
Det kan verka uppenbart att en produkt med namnet, “Men’s Gold Toe Windsor Wool (12 Pairs) Black” skulle passa beskrivningen 6115.94, men det finns många liknande koder som skulle kunna ha valts beroende på trådtjocklek eller andra överväganden. Vårt klassificeringsverktyg behöver matcha en kod med en produkt och hitta den bästa matchningen som finns.
Detta blir mer komplicerat när vi vet vart varan skickas. Varje land tilldelar ytterligare koder. Till exempel, den extra 00 i slutet av 6115.94.00 berättar för en kanadensisk tulltjänsteman att detta är en ullstrumpa och 6115.94.0000 ger ännu mer information som låter dem veta att skatterna på varan är betydligt högre än för en vanlig ullstrumpa. Jag kunde inte hitta en förklaring till varför detta är annorlunda, vilket är anledningen till att korrekt klassificering är så viktigt; det är så lätt att göra ett misstag när man klassificerar produkter.
Beskrivningen 6115.94.0000 är identisk med beskrivningen 6115.94.00, men de två extra 0:orna kan öka avgiften rate. Våra verktyg måste inte bara förstå den mest korrekta klassificeringen utan också förstå hur våra beslut påverkar våra kunder.