Почему размеры одежды не совпадают: две видимые переменные против пяти скрытых

4 часа назад Прокомментировать Просмотры: 6

Доля возвратов в сфере электронной коммерции одежды стабильно держится на отметке 20–30%, а в отдельных категориях этот показатель достигает половины всех заказов. Первопричина из раза в раз остается неизменной — изделие не подошло покрою, и на этот фактор приходится около 50% всех возвратов. Формально перед нами классическая задача рекомендательных систем: есть клиент, есть товар, требуется спрогнозировать целевой признак. Ниже я подробно разберу, почему при такой постановке задача является принципиально недоопределенной и как это обстоятельство сказывается на поведении алгоритмов.

Небольшой дисклеймер относительно моего бэкграунда: я профессионально занимаюсь офлайн-подбором нижнего белья — то есть именно тем процессом, который современные сервисы пытаются полностью оцифровать и заменить. Мне критически важно осознавать пределы возможностей таких систем.

Реальная картина и ключевые факторы успеха

Обратимся к наиболее капризной категории товаров — той, где посадка носит бинарный характер, а любая погрешность бросается в глаза мгновенно. Размерная маркировка бюстгальтера традиционно включает два параметра: обхват под грудью и буквенное обозначение, отражающее разницу между обхватом по наиболее выступающим точкам и обхватом под грудью.

Итого мы имеем всего два числовых значения, в то время как на физический результат влияет целый ряд параметров:

обхват под грудью;
разница объемов;
ширина основания — расстояние между точками прилегания мягких тканей к грудной клетке;
глубина, определяющая степень выноса объема вперед относительно основания;
проекция, задающая локацию максимального объема (смещение к центру, вверх или вниз);
эластичность и подвижность тканей, определяющие деформацию формы под воздействием нагрузки.

Первые два показателя легко фиксируются и закладываются в маркировку. Остальные четыре скрыты от глаз, никак не отражаются на этикетке и не имеют жестких математических взаимосвязей друг с другом.

Перед нами архитектура, где двумерный вектор признаков подается на вход функции, зависящей как минимум от шести переменных. Корректное решение здесь невыполнимо не из-за слабости модели, а потому, что объем входных данных объективно меньше числа степеней свободы системы. Ни одна продвинутая архитектура нейросети не способна исправить этот дефицит: недостающие координаты необходимо откуда-то извлекать.

Откуда принято брать недостающие параметры

Первый и наиболее распространенный подход — восстановление характеристик на основе пользовательской истории. Алгоритм берет данные вроде «в таком-то бренде вы носите конкретный размер», дополняет их сведениями о росте и весе, после чего задействует коллаборативную фильтрацию по кластерам схожих юзеров.

Здесь кроется важный нюанс, требующий четкого проговаривания. Подобная модель реконструирует не анатомию человека, а степень совместимости конкретного пользователя с лекалами определенной торговой марки. Это совершенно иная метрика. Она работает эффективно лишь до тех пор, пока мы остаемся в привычном поле знакомых брендов, но начинает стремительно деградировать именно там, где это нужнее всего: при покупке изделий новой марки, в новых линейках или на границах размерной сетки, где объем статистических данных минимален.

Второй путь — обучение непосредственно на возвратах. Вот здесь начинается самое увлекательное с точки зрения качества разметки.

Факт возврата — это слабый и смещенный сигнал, искаженный сразу с двух флангов. Отсутствие возврата вовсе не значит, что товар идеально подошел: покупатель мог оставить вещь из-за сложной логистики возврата, ее низкой стоимости или банальной забывчивости. В то же время сам возврат не обязательно свидетельствует о промахе с размером — причиной мог послужить цвет, брак или просто изменение настроения клиента. Обучающая метка формируется косвенно и шумно, а ее распределение зависит от логистических особенностей ритейлера сильнее, чем от анатомических особенностей покупателя.

Показателен опыт реальной индустрии. В исследовании SizeFlags (Nestler, Karessli, Hajjar, Weffer, Shirvany, KDD 2021) представлена байесовская вероятностная модель, обученная как раз на масштабных, но слаборазмеченных датасетах и успешно прошедшая A/B-тестирование на рынках четырнадцати стран. Обратите внимание на саму концепцию: авторы даже не пытаются воссоздать тело покупателя. Они вычисляют артикулы, которые систематически большемерят или маломерят, тем самым перенося фокус с капризного клиента на стабильный товар, где объем информации на порядок выше, а сигнал чище.

На мой взгляд, это единственный прагматичный способ извлечь пользу из подобной разметки. Он нивелирует системные погрешности лекал, хотя и не претендует на решение индивидуальной задачи каждого конкретного человека.

Почему примерка по фотографии не решает проблему

Периодически возникает соблазн извлекать недостающие метрики по фото или видеоматериалам, тем более что задачи оценки позы и силуэта сегодня решаются технически легко.

Проблема кроется не в сфере компьютерного зрения, а в специфике измеряемых величин. Снимок фиксирует лишь внешний контур одетого или частично раздетого человека в фиксированной позе. Ширина основания и пространственная проекция описывают характер прилегания мягких тканей к скелету, и снаружи по силуэту они не считываются однозначно: совершенно разные анатомические комбинации могут давать визуально идентичный контур. Не стоит забывать и о том, что целевая геометрия меняется под нагрузкой, а замерять ее необходимо ровно в тех условиях, в которых вещь будет эксплуатироваться.

И главное — отсутствие ground truth. Для обучения регрессионной модели правильному размеру требуется эталонный датасет, где верные ответы получены независимым путем. Подобных открытых баз данных не существует, а их самостоятельное создание требует колоссальных затрат: это ручные замеры плюс экспертная оценка посадки силами квалифицированного специалиста для каждого отдельного образца.

Что поддается расчетам, а что нет

Весьма полезное упражнение — оценить емкость пространства параметров.

Стандартная двухпараметрическая сетка масс-маркета включает примерно шесть вариантов пояса и четыре варианта чашки, что составляет около 24 комбинаций. Расширенная шкала насчитывает двенадцать поясов и одиннадцать буквенных обозначений — это уже 132 позиции. Добавим трехступенчатую градацию ширины основания — получаем 396. Учтем проекцию с тремя градациями — и размерность вырастает до 1188.

Именно мультипликативный рост номенклатуры становится главным ограничителем. Даже если алгоритм безупречно спрогнозирует все шесть координат, отправлять клиенту физически нечего: изделий с искомой комбинацией параметров просто не существует в природе, поскольку производство не способно удерживать тысячу с лишним уникальных лекал при крайне неравномерном спросе по ячейкам.

Отсюда вытекает неутешительный для нашей сферы вывод. Верхняя планка точности рекомендаций лимитирована не качеством математической модели, а разрешающей способностью самого каталога. Пытаться делать предсказания с детализацией выше шага размерной сетки бессмысленно: финальный результат неизбежно округлится до ближайшей реально существующей позиции.

Чего мне так и не удалось обнаружить

В публичном поле отсутствуют открытые датасеты с честным ground truth по посадке изделий — доступны лишь сведения о возвратах и о том, какой размер пользователь выбрал самостоятельно. Соответственно, сопоставить различные подходы объективно негде, а любые заявленные проценты точности некорректно сравнивать между собой, поскольку у исследователей кардинально отличаются определения самого понятия «правильный ответ».

Я не нашла и единой общепринятой метрики. Что считать успешным подбором? Отсутствие возврата, субъективную оценку клиента или вердикт эксперта-профессионала? Это три совершенно разные величины, которые в научных статьях и маркетинговых отчетах часто обозначаются одним и тем же термином.

И финальное наблюдение, кажущееся мне наиболее важным. Эту задачу принято позиционировать как прогнозную, хотя по своей сути она является измерительной: системе не хватает не алгоритмической мощности, а исходных данных. Пока товарная маркировка ограничивается двумя цифрами, а реальное изделие обладает шестью значимыми параметрами, самым эффективным шагом станет не усложнение предиктивных моделей, а сбор недостающих координат прямым измерением. В офлайне эту работу за час выполняет мастер с сантиметровой лентой в руках, и именно поэтому данная процедура до сих пор не автоматизирована — она упирается не в дефекты алгоритмов, а в физическое отсутствие необходимых данных в цифровом виде.

Источник