Når brugere i Indien gennemfører en bestilling, men efterfølgende annullerer den eller lader pakken ligge ved døren, skaber det støj i de datasæt, som e-handelsplatforme fodrer deres maskinlæringsmodeller med. Dette fænomen kaldes ofte 'RTO' (Return to Origin). For en algoritme ser en gennemført checkout ud som en købsintention, men hvis varen aldrig bliver modtaget, registreres det som et fejlbehæftet datapunkt.
Konsekvensen er, at prædiktive modeller begynder at fejllæse købskraft og loyalitet. Hvis en algoritme ikke kan skelne mellem en seriøs kunde og en, der blot 'tester' systemet, risikerer platformen at overestimere fremtidigt salg i specifikke postnumre eller demografiske segmenter. Det fører til dårlig lagerstyring og unødig logistikomkostning.
For at modvirke dette integrerer virksomheder nu specifikke variabler i deres scoring-modeller. De kigger ikke kun på klik og kurv-aktivitet, men indregner historiske RTO-rater for den enkelte bruger. Algoritmerne bliver altså mere skeptiske. De lærer at nedprioritere anbefalinger til brugere med høj risiko for afvisning, hvilket ændrer den personlige brugeroplevelse markant for mange forbrugere i regionen.
