En AI-drevet prædiktiv datamodel med læring i realtid designet til at nedbringe returvarer og øge profit.

Tech- og dataprisen belønner løsninger, der omsætter data, AI og automation til reel forretningsværdi. Predictive Net Revenue gør netop dét ved at løse et af fashion e-commerces dyreste og mest oversete problemer.

I flere markeder bliver over 50 % af de solgte varer returneret, hvilket hvert år medfører omkostninger for et stort millionbeløb i euro. Alligevel optimerede vi, og branchen, i Google Ads mod bruttoværdien ved checkout, ikke mod den værdi, der faktisk blev tilbage efter returneringer.

Sammen med REFYNE byggede BESTSELLER en AI-model i Google Cloud Vertex AI, som forudsiger den fastholdte nettoværdi af hver ordre i realtid og sender værdien direkte tilbage til Google, ind i Performance Max. Den faktiske ordreværdi gøres dermed til operationelt dataprodukt, der ændrer det udfald, algoritmen træffer i selve auktionen.

Det nyskabende er at estimere et endnu ukendt returudfald, før returdata findes, også på trafik fra nye og anonyme brugere. Casen samler datainfrastruktur, machine learning/AI, realtidsaktivering og kausal dokumentation i én løsning.

De konkrete tal viser, at business casen er meget stærk:
- Vi kan forudsige den rigtige værdi ordren modregnet retur 93% af tiden
- Vores ROAS – altså afkastet på hver krone investeret, var 50%+ højere I testmarkedet.
- Klikpriserne faldt med 21% til 24,5% afhængig af brandet.
- Effekten er kausalt valideret via GeoLift-studier.

Hele setuppet er derudover også gearet til, nemt, at kunne skalere globalt på tværs af alle BESTSELLER-brands.

BESTSELLER er en af Europas største modekoncerner på tværs af markeder og brands som Name It, Vila og Selected.
I 2025 stod forretningen med et dataproblem, som indirekte var blevet et stort problem i medieindkøbet. Returneringer på over 50 % af ordrerne i flere markeder skævvred og mudrede de signaler, som f.eks. Google Ads optimerede efter. Signalerne blev skævvredet af, at:

- En ordre med høj returandel var mindre værd, end algoritmen og budgav efter baseret på værdien ved checkout
- Algoritmen kunne derfor prioritere at optimere mod nye ordrer der så attraktive ud, men var mindre profitable
- Fejlen var svær at se i kampagnelaget, fordi den opstod i koblingen mellem returdata og mediedata – og ofte tidsforskudt uge- og månedsvis.

Det oplagte modtræk var at nedprioritere kunder med høj returhistorik. Det løste imidlertid kun en lille del af problemet, fordi over 60 % af trafikken kom fra nye eller anonyme brugere uden købshistorik.

Den afgørende indsigt var derfor både teknisk og kommerciel. Problemet skulle ikke løses ved at ændre kundernes adfærd, men ved at ændre det værdisignal, hver bud- og auktionsbetingelser byggede på. Det skulle ændres fra bruttoværdi til den forventede nettoværdi. Fra ordreomsætning til den reelle ordreprofit.

Den strategiske beslutning var at gøre den forecastede nettoværdi til et fælles realtidssignal for budgivningen, og i særlig grad på nye og anonyme ordrer. Løsningen hvilede på tre bevidste valg.

Det første valg, var et fravalg.
Segmentering af kendte returkunder ville kun dække en mindre del af trafikken. Rettelser i rapporteringen eller batch-opdateringer ville altid komme for sent til at det gav mening i auktionsøjeblikket, da konverteringsændringer kræver, at vi venter 24 timer før, at Google vil modtage det. Derfor blev nettokorrektionen placeret i selve værdisignalet og gjort operationel i realtid.
Det krævede at datafundamentet var på plads, hurtigt performerende og skalerbart. Løsningen blev en reverse ETL-pipeline der flyttede færdigbehandlede datasæt fra BESTSELLERs Snowflake-platform til Google BigQuery. Det skabte ét fælles værdilag på tværs af brands, kategorier og markeder og gjorde arkitekturen skalerbar fra start.

Det andet valg var, hvordan vi bedst muligt kunne forudsige værdierne.
Prediction-modellen blev herefter trænet på historiske købs- og returdata til at estimere fastholdt nettoværdi pr. ordre. Det gjorde vi med Google Cloud Vertex AIs machine learning. Modellen bygger ikke på persondata eller brugerprofiler, men udelukkende på signaler i købsøjeblikket, f.eks.:
- Kurvens varesammensætning
- Hvorvidt samme vare bestilt i flere størrelser
- Betalingsmetode
- Den samlede kurvværdi
- Markedet og markedets returudvikling

Det gjorde modellen anvendelig for nye og anonyme kunder og gav en præcision på over 93 %.

Tredje valg var hvordan signalet og beregningen kunne aktiveres i realtid.
Scoring i realtid erstattede et tungt batch-setup. Via server-side Google Tag Manager, kan vi kalde modellen i realtid og få den forudsagte nettoværdi sendt direkte til Performance Max i realtid. Googles Smart Bidding kunne dermed optimere mod et skarpere kommercielt signal uden at sætte automatiseringen ud af spil.

Effektmålingen var indtænkt i arkitekturen fra start. GeoLift sammenlignede matchede test- og kontrolregioner i Holland og Sverige og isolerede modellens effekt fra øvrig støj.

Strategi, data, aktivering og dokumentation blev dermed samlet i én løsning.

Resultaterne er, indenfor denne branche og i denne skala, uhørt stærke. Det hele er dokumenteret med et kausalt setup, der sikrer, at alle usikkerheder om resultaterne er pillet ud af ligningen.

I det hollandske testmarked steg Return on Ad Spend, afkastet på hver investeret krone, med 50 %. På tværs af testmarkederne faldt klikprisen med 21 til 24,5 %. Det skete uden at gå på kompromis med ordrevolumen. Modellen reducerede ikke annonce-spend, men flyttede investeringen mod de ordrer, der havde størst sandsynlighed for at bibeholde hele ordreværdien.

- ROAS blev 50 % højere i testmarkedet
- Klikpriserne blev 21 til 24,5 % lavere
- Vi fastholdt ordrevolumen – og i flere tilfælde øgede vi den
- Den konkrete besparelse, der blev geninvesteret i ny vækst var cirka 1,3 mio. euro
- Effekten blev målt isoleret med GeoLift med test mod kontrol

Løsningen skabte altså både effektivitet og skala. Samtidig rakte effekten ud over paid media. De samme forecasting model kan bruges på tværs af product, buying og finance til blandt andet afstemning, forecasting og sortimentsplanlægning. Hvad der startede som et medieprojekt bliver dermed også til kommerciel datainfrastruktur i koncernen.

Modellen er nu tiltænkt at blive rullet ud globalt på tværs af brands og markeder. Casen viser, hvordan data, AI og automation kan omsættes til varig forretningsværdi, målbar effekt og højere digital modenhed.