Value of incorporating customer purchase behaviour in predicting online returns: an integrated anomaly detection approach and coupon distribution

Abstract

This study explores the influence of customer behavior on product return rates by applying anomaly detection techniques to customer-level transaction data. Using data from a European e-commerce company, various algorithms are used to identify anomalous transactions, which are then incorporated into a logistic regression model to assess their predictive value for returns, with performance measured by AUC. The best-performing model is used in a second phase to guide coupon distribution strategies, estimating return probabilities under both coupon and non-coupon conditions. These estimates inform heuristics policies within a dynamic programming framework to optimize coupon allocation and evaluate revenue outcomes. Bu çalışma, müşteri davranışlarının ürün iade oranları üzerindeki etkisini, müşteri düzeyindeki işlem verilerine uygulanan anomali tespiti teknikleri aracılığıyla incelemektedir. Bir Avrupa e-ticaret şirketinden elde edilen veriler kullanılarak çeşitli algoritmalarla işlemler belirlenmiş, ve bu anomaliler, iade davranışını tahmin etmek amacıyla AUC ile değerlendirilen bir lojistik regresyon modeline entegre edilmiştir. En iyi performans gösteren model, çalışmanın ikinci aşamasında kupon dağıtım stratejilerini yönlendirmek için kullanılmıştır. Bu aşamada, her işlem için kuponlu ve kuponsuz senaryolarda iade olasılıkları tahmin edilmiş, ve bu tahminler, kupon tahsisini optimize etmeye yönelik dinamik programlama temelli sezgisel politikalara girdi sağlamıştır. Modelin etkinliği, gelir sonuçları üzerinden değerlendirilmiştir.