Sınıflandırma Çözümleri
Çok sayıda farklı ürün ve sık değişen kurallar olduğu için, bu karmaşık hale gelebilmektedir. İnsanlar, hatta uzmanlar bile kodu ortalama 10 seferde yalnızca 7'sinde doğru bulabilir ve manuel ürün sınıflandırması ekstra bir iş yüküdür.
Başka bir çözüm, tüm kurallarla bir bilgisayar programı yazmaktır. Endüstri uzmanları ürünleri sınıflandırır ve yazılım mühendisleri uzmanların uyguladıkları kuralları eklerler. Böyle bir sistem kodu ortalama 10 seferde yaklaşık 9'unda doğru bulabilir. Zonos'taki ekibimiz bunu yaptığı için bunu biliyorum. Oluşturduğumuz kurallar aşağıdakilere dikkat etmektedir:
- Bir ürünün nasıl açıklandığı
- Ürünü tanıtmak için hangi görüntünün kullanıldığı
- Ürünü kim satıyor
- Ürünün maliyeti
Bu faktörlere dikkat etmek maksimum sınıflandırma doğruluğuyla sonuçlanmaktadır.
10'da 9 ürün sınıflandırma doğruluğuna sahip olmak inanılmazdır, ancak işimiz henüz bitmedi. Bu yanlış sınıflandırılan ürün bizim için değerlidir çünkü bunu zor desenleri tanımlamak ve doğruluğumuzu ve sonuçlarımızı iyileştirmek için veri olarak kullanırız. Örneğin, yakın zamanda bir çevrimiçi mağazada "ısmarlama bir takım elbiseye çok iyi görünür ve pahalı bir çift klasik ayakkabıya mükemmel bir tamamlayıcı olur" diye açıklanan bir ürün gördüm; bu ürünü sınıflandırmak zor olabilir. İnsanlar ürünün çorap olduğunu bilirler, ancak açıklama takım elbiseler veya ayakkabılar hakkında olabilir.
Bilgisayarın karışmasını önlemek için, kurallar gitgide daha karmaşık hale gelmektedir. Sadece bir marka adı kullanıldığında, bir sözcük yanlış yazıldığında veya ürün resmi birçok öğeyi içerdiğinde bunun ne kadar daha zor olduğunu hayal edebilirsiniz.
Tüm bu mevcut sorun yaratan faktörlerle, sınıflandırmayı en az 100'de 99 oranında doğru yapabilmek için makine öğrenmesi kullanırız. Makine öğrenmesi, önemli olabilecek her küçük şeyi bilgisayara söylemekten vazgeçeceğiz ve bilgisayardan kendisi için önemli olanı öğrenmesini istiyoruz diyor. Hala uzmanlarımız ve kurallarımız var, ancak bilgisayarın çok daha büyük bir işi var ve insanlardan genellikle çok daha iyi sonuçlar alabilir.
Makine Öğrenmesi: Desenleri Tanıma
Bilgisayardan bu sorunu bizim için çözmesini istememizin bir yolu, ona ürün görüntülerini vermek ve bu görüntülerdeki desenleri bulmasını istemektir. Hazır olduğunda, bilgisayar insanların kaçırabileceği farklılıkları tanımlayabilir.
Burada oto farları örneği vardır. Bilgisayara binlerce oto farı resmi verdikten sonra, bu görüntüleri birbirinden ne kadar farklı olduklarına göre düzenlemesini istedim. Bilgisayara görüntüler hakkında hiçbir şey söylemedim. Bunu yaptığında, bilgisayar bir oto farını satmak için yaygın olarak kullanılan üç veya dört farklı görüntü türü olduğuna karar verdi. Her bir ürün türünün örnekleri şuna benziyor:
Bu görüntülerde, oto farlarının iki şekli ve bir tanesi arabanın üzerindedir. Her gruptaki diğer görüntülere baktığımda, her grubun birbirine benzer görüntülerle dolu olduğunu görüyorum. Eğer oto yedek parça mağazaları kutunun resimleriyle oto farları satmaya başlarsa, makine öğrenmesi araçları buna dikkat eder ve otomatik olarak buna uyum sağlar. Bunu milyonlarca ürün arasında binlerce farklı ürün kategorisi için kullanırım.
Genellikle makine öğrenmesi araçları insanların kaçırabileceği desenleri fark edebilir. Örneğin, bir motosiklet lambası bir oto lambasından biraz farklı görünür; veya bir güzellik ürünü genellikle öğeyi yüzüne yakın tutan bir kadınla satılır; pahalı bir giyim ürünü genellikle canlı bir manken üzerinde sergilenirken, daha ucuz bir ürün bir vitrin mankenine giydirilir veya sadece bir masaya katlanmış şekilde bırakılır. Bunlar, bir kez fark edildiğinde kolay görünen desenler ve ayrıntılardır, ama aslında gözden kaçırılması oldukça kolaydır.
Makineler sağduyuyu da öğrenebilir. Eğer bir mağaza sağlık ve güzellik ürünlerine odaklanırsa, bazı ürün görüntülerindeki çiçeklerin ve üzümlerin satılmadığını biliyoruz; bunlar sadece dekoratiftir. Veya 24,99 $'a bir tır satılıyorsa, muhtemelen bir oyuncak kamyon veya bir tişörttür. Bu yaygın karışıklık kaynakları, makine tarafından aşağı yukarı sizin veya benim ele alacağım şekilde ele alınmaktadır. Sistem ne kadar çok kullanılırsa, o kadar çok iyileşir.
Makineleri hatalarımızdan öğrenmeyi öğretebiliriz. Sınıflandırma görüntüdeki üzümleri veya çiçekleri ilk kez karıştırdıktan sonra, bunları bu ilgisiz, dekoratif öğeleri görmezden gelmesi ve ortadaki güzellik kremi kavanozuna odaklanması öğretilebilir. Bu, yeni bir şey olduğunda sık sık ortaya çıkmaktadır. Zor veya yeni sorunlara bakmak için her zaman bir insan sınıflandırıcısı getirebiliriz.
Bilgisayarın desenleri araması ve bir uzmanın bu desenleri gözden geçirmesi, daha az bela ile daha fazla ürün göndermenin harika bir yoludur. Sonunda, bu güven yaratmaktadır. Bir ürünü sınırlar arasında göndermek, giriştiğiniz çaba hakkında her şeyi bilmenizi gerektirmemelidir; ancak işin yapıldığını bilerek, sınıflandırma sistemimizin işletmenizi büyütmek için önemli bir araç olduğuna güvenebilirsiniz.
HS tarif kodlarının sınıflandırması makine öğrenmesiyle buluşuyor
Zonos'ta, endüstri ve yazılım uzmanlarımızdan oluşan ekibimiz, sınır ötesi ticareti basitleştirmenin yollarında her zaman çalışmaktadır. Bunun bir yönü, sınırlar arasında ürün taşıyan herhangi bir işletmenin bu öğelerin uygun şekilde sınıflandırılması sağlamaktır. Tüm ülkeler sattığınız ürünleri tanımlamak için Harmonize Kodlar Sistemi adı verilen aynı sistemi kullanmaktadır. Ürünlerinizi HS veya HTS kodlarını kullanarak uygun şekilde sınıflandırmak, paketleriniz sınırda incelendiğinde tutarlılık sağlamaya yardımcı olur.
Ürünleri sınır ötesine göndermekle ilgili birçok karmaşıklık vardır; ancak HS kodları söz konusu olduğunda, doğru otomatik sınıflandırmalar işletmenizi büyütmek için kritik bir araç olabilir. Doğru ürün sınıflandırması geçmişte zahmetli ve pahalı bir süreç olmuş olsa da, biz bunu düzeltiyoruz. Zonos, ürün açıklamalarına Harmonize Kod atayan Classify adlı endüstriyel anlamda değişen bir araça sahiptir.
Hem endüstri uzmanı hem de yazılım mühendisi olarak, bunu eşsiz bir bakış açısından açıklayabiliyorum. HS sınıflandırmasının sınır ötesi ticaretle makine öğrenmesiyle nasıl buluştuğunu adım adım açıklayalım.
Eğer "Erkek Gold Toe Windsor Yün (12 Çift) Siyah" adlı bir ürün satıyorsanız, sistemimiz buna 6115.94 kodunu atayabilir. Ülkeye gönderilen öğeleri inceleyen gümrük memuru koda bakabilir, paketin içinde ne olduğunu anlayabilir ve öğeyi gecikme olmadan ilerletebilir.
İlk iki rakam olan 61, memura ürünün örülmemiş ürünler için kullanılan 62 değil, örgü veya tığ işi bir giysi olduğunu söyler. İkinci iki rakam 15, bunların çorap olduğunu gösterir. Son iki rakam 94, bunların tam boy çoraplar olduğunu ortaya koymaktadır.
"Erkek Gold Toe Windsor Yün (12 Çift) Siyah" gibi bir ismi olan ürünün 6115.94 açıklamasına uygun olması açık görünebilir, ancak iplik kalınlığına veya diğer hususlara bağlı olarak seçilebilecek çok sayıda benzer kod vardır. Sınıflandırma aracımız bir kodu ürüne eşleştirmeli ve mevcut en iyi eşleşmeyi bulmalıdır.
Bu, öğenin nereye gönderilmekte olduğunu bildiğimizde daha karmaşık hale gelmektedir. Her ülke ek kodlar atamaktadır. Örneğin, 6115.94'ün sonundaki ek 00, Kanadalı bir gümrük memuruna bunun bir yün çorap olduğunu söyler ve 6115.94.0000 da öğeye borç olan vergilerin yalnızca bir yün çorap için gerekli olandan oldukça fazla olduğunu belirterek daha fazla ayrıntı sağlamaktadır. Bunun neden farklı olduğuna dair bir açıklama bulamadım, bu nedenle uygun sınıflandırma çok önemlidir; ürünleri sınıflandırırken hata yapmak çok kolaydır.
6115.94.0000 açıklaması 6115.94.00 açıklamasıyla özdeştir, ancak bu iki ek 0, vergi oranını artırabilir. Araçlarımız sadece en doğru sınıflandırmayı anlamakla kalmayıp, aynı zamanda kararlarımızın müşterilerimizi nasıl etkilediğini de anlamalıdır.