Optimizing Return Management Analysis in E-Commerce: Topic Modeling of Customer Reviews Using BERTopic and ChatGPT

The online product sales business, known as e-commerce, has evolved a lot over the last few years, focusing more and more on improving the customer experience. One of the big issues in this paradigm is the lack of perception of the product when it is bought online, leading to a higher ratio of product returns than in traditional stores. This product return involves a great cost, both in logistics and product management. That is why an effective return management system is needed. In this thesis, attention is drawn to the importance of analyzing the reviews of returned products and the fact that they contain very valuable information. The study is based on a new topic modeling technique known as BERTopic and the application of NLP in order to extract the main causes of product returns from a review database of one of the biggest retail companies around the world, Amazon. In addition, different data treatment techniques are implemented to optimize and automate this process by using AI, more specifically ChatGPT. Our findings revealed significant insights for e-commerce platforms and retailers, highlighting the importance of modeling the reviews divided by product category due to the distinct behaviors and return reasons associated with different product types. The study's results can be extended to other product categories or sectors, offering a versatile solution for minimizing product returns and improving customer satisfaction. In conclusion, this paper introduces an innovative tool to extract and interpret ecommerce reviews to provide actionable insights for stakeholders, with the aim of reducing the product return ratio.

Il settore della vendita di prodotti online, noto come e-commerce, ha subito una notevole evoluzione negli ultimi anni, con un crescente focus sul miglioramento dell'esperienza del cliente. Uno dei principali problemi di questo paradigma è la mancanza di percezione del prodotto quando viene acquistato online, che comporta una percentuale di resi più elevata rispetto ai negozi tradizionali. La restituzione dei prodotti implica costi elevati, sia per la logistica che per la gestione degli stessi. Per questo motivo, è necessario un sistema efficace di gestione dei resi. Questa tesi pone l'accento sull'importanza di analizzare le recensioni dei prodotti restituiti, poiché contengono informazioni di grande valore. Lo studio si basa su una nuova tecnica di topic modeling nota come BERTopic e sull'applicazione del NLP per estrarre le cause principali dei resi da un database di recensioni di una delle più grandi aziende di vendita al dettaglio del mondo, Amazon. Inoltre, sono state implementate diverse tecniche di trattamento dei dati per ottimizzare e automatizzare questo processo utilizzando l'intelligenza artificiale, in particolare ChatGPT. I risultati ottenuti hanno rivelato spunti significativi per le piattaforme di e-commerce e i rivenditori, evidenziando l'importanza di modellare le recensioni suddivise per categoria di prodotto, a causa dei diversi comportamenti e motivi di restituzione associati ai vari tipi di prodotto. I risultati dello studio possono essere estesi ad altre categorie di prodotti o settori, offrendo una soluzione versatile per ridurre al minimo i resi e migliorare la soddisfazione dei clienti. In conclusione, questo lavoro introduce uno strumento innovativo per estrarre e interpretare le recensioni di e-commerce e fornire informazioni utili agli stakeholder, con l'obiettivo di ridurre il tasso di restituzione dei prodotti.