Lösningar för klassificering
Eftersom det finns så många olika produkter och reglerna ofta ändras kan detta bli komplicerat. Människor, även experter, får bara rätt kod ungefär 7 gånger av 10, och manuell produktklassificering är en extra arbetsbörda.
En annan lösning är att skriva ett datorprogram med alla regler. Branschexperter klassificerar produkter och programvaruingenjörer lägger till reglerna 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 det. Reglerna vi skapar tar hänsyn till följande:
- Hur en produkt beskrivs
- Vilken bild som används för att marknadsföra produkten
- Vem som säljer produkten
- Produktens kostnad
Att ta hänsyn till dessa faktorer ger maximal klassificeringsnoggrannhet.
En träffsäkerhet på 9 av 10 för varuklassificering är otrolig, men vi är inte klara än. Den felklassificerade varan är värdefull för oss eftersom vi använder den som data för att identifiera svåra mönster och förbättra vår noggrannhet och våra resultat. Jag såg till exempel nyligen en produkt i en webbutik som beskrevs som strumpor som ”ser bra ut till en skräddarsydd kostym och är det perfekta komplementet till ett dyrt par finskor”, vilket kan vara svårt att klassificera. Människor vet att produkten är strumpor, men beskrivningen kan handla om kostymer eller skor.
För att förhindra att datorn blir förvirrad blir reglerna allt mer komplicerade. Ni kan föreställa er att detta blir ännu svårare när endast ett varumärkesnamn används, ett ord är felstavat eller produktbilden innehåller flera varor.
Med alla dessa faktorer som skapar problem använder vi maskininlärning för att få klassificeringen rätt minst 99 gånger av 100. Maskininlärning innebär att vi slutar tala om för datorn varje liten detalj som kan vara viktig och i stället ber den lära sig vad som är viktigt på egen hand. Vi har fortfarande experter och regler, men datorn får ett mycket större uppdrag och kan ofta få mycket bättre resultat än människor.
Maskininlärning: att känna igen mönster
Ett sätt vi ber datorn att lösa problemet åt oss är att ge den produktbilderna och be den hitta mönster i dem. När den är redo kan datorn identifiera skillnader som människor kanske missar.
Här är ett exempel med bilstrålkastare. Med tusentals bilder av bilstrålkastare bad jag datorn att organisera dem utifrån hur olika bilderna är från varandra. Jag berättade ingenting för datorn om bilderna. När den gjorde detta bestämde 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 två former av bilstrålkastare och en som sitter på en bil. När jag tittar på andra bilder i varje grupp ser jag att varje grupp är fylld med liknande bilder. Om bildelsbutiker började sälja bilstrålkastare med bilder av kartongen skulle maskininlärningsverktygen upptäcka det och automatiskt anpassa sig. Jag använder den här informationen för tusentals olika produktkategorier bland miljontals produkter.
Ofta kan maskininlärningsverktygen upptäcka mönster som människor missar. En motorcykelstrålkastare ser till exempel något annorlunda ut än en bilstrålkastare; en skönhetsprodukt säljs ofta med en kvinna som håller varan nära ansiktet, eller så placeras ett dyrt klädesplagg ofta på en modell medan ett billigare plagg ofta placeras på en skyltdocka eller bara viks på ett bord. Dessa verkar vara enkla mönster och detaljer att lägga märke till när jag väl ser dem, men de är faktiskt ganska lätta att missa.
Maskiner kan också lära sig sunt förnuft. Om en butik fokuserar på hälso- och skönhetsprodukter vet vi att blommorna och druvorna i vissa produktbilder inte säljs; de är bara dekorativa. Eller om en lastbil säljs för 24,99 USD är det troligen en leksaksbil eller en t-shirt. Maskinen hanterar dessa vanliga förvirringskällor ungefär på samma sätt som du eller jag skulle göra. Ju mer systemet används, desto mer förbättras det.
Vi kan lära maskiner att lära sig av våra misstag. Efter att en klassificering förväxlat druvorna eller blommorna i bilden första gången kan den läras att ignorera dessa irrelevanta, dekorativa föremål och fokusera på burken med skönhetskräm mitt i bilden. Detta händer ofta när något är nytt. Vi kan alltid låta en mänsklig klassificerare granska svåra eller nya problem.
Att låta datorn leta efter mönster och en expert granska dessa mönster är ett bra sätt att få fler produkter skickade med mindre besvär. I slutändan skapar detta förtroende. Att skicka en produkt över gränser bör inte kräva att ni känner till allt arbete som ligger bakom; men när ni vet att arbetet är gjort kan ni lita på att vårt klassificeringssystem är ett viktigt verktyg för att växa er verksamhet.
HS-tullkodsklassificering möter maskininlärning
På Zonos arbetar vårt team av bransch- och programvaruexperter ständigt med sätt att förenkla gränsöverskridande handel. En del av detta är att säkerställa att företag som flyttar produkter över gränser har klassificerat varorna korrekt. Alla länder använder samma system för att beskriva produkterna ni säljer, Harmonized Code-systemet. När era produkter klassificeras korrekt med HS- eller HTS-koder blir hanteringen konsekvent när era paket granskas vid gränsen.
Det finns många komplexiteter med gränsöverskridande frakt, men när det gäller HS-koder kan korrekta automatiserade klassificeringar vara ett avgörande verktyg för att växa er verksamhet. Produktklassificering har tidigare varit en tidskrävande och kostsam process, men det förändrar vi. Zonos har ett branschförändrande verktyg som heter Classify och som tilldelar en Harmonized Code till produktbeskrivningar.
Som både branschspecialist och programvaruingenjör kan jag förklara hur detta fungerar ur ett unikt perspektiv. Låt oss gå igenom hur HS-klassificering för gränsöverskridande handel möter maskininlärning.
Om ni säljer en produkt som heter ”Men’s Gold Toe Windsor Wool (12 Pairs) Black” kan vårt system tilldela den koden 6115.94. Tulltjänstemannen som granskar varor som skickas till landet kan se koden, förstå vad paketet innehåller och låta varan passera utan dröjsmål.
De första två siffrorna, 61, visar att varan är stickade eller virkade kläder, i stället för 62 för icke-stickade varor. De andra två siffrorna, 15, anger att det är strumpor. De sista två siffrorna, 94, visar att det är hellånga strumpor.
Det kan verka självklart att en produkt med namnet ”Men’s Gold Toe Windsor Wool (12 Pairs) Black” passar in på beskrivningen 6115.94, men det finns många liknande koder som kunde ha valts beroende på trådtjocklek eller andra överväganden. Vårt klassificeringsverktyg måste matcha en kod med en produkt och hitta bästa tillgängliga matchning.
Det blir mer komplicerat när vi vet vart varan skickas. Varje land tilldelar ytterligare koder. Exempelvis visar de extra 00 i slutet av 6115.94.00 en kanadensisk tulltjänsteman att det är en yllestrumpa, och 6115.94.0000 ger ännu mer information och visar att skatterna för varan är avsevärt högre än för en vanlig yllestrumpa. Jag kunde inte hitta någon förklaring till varför detta skiljer sig åt, vilket visar varför korrekt klassificering är så viktig; det är lätt att göra misstag vid klassificering av produkter.
Beskrivningen för 6115.94.0000 är identisk med beskrivningen för 6115.94.00, men de två extra nollorna kan höja tullsatsen. Våra verktyg måste inte bara förstå den mest korrekta klassificeringen, utan även hur våra beslut påverkar våra kunder.