기존 OMS는 통상 반품이 발생한 뒤에야 RMA·역물류·환불 워크플로우가 동작한다. RT-O13은 이 시점을 앞으로 당겨, 주문 완료 직후 Gradient Boosted Tree(GBT) 모델이 5개 feature를 보고 30일 내 반품 확률 return_prob을 산출한다. 고위험(prob > 0.4) 케이스에 대해서는 자동으로 (a) 반품 라벨 동봉, (b) 재고 lock +7일 연장, (c) 사이즈 가이드 푸시, (d) 환불 사전 약관 표시를 적용한다.

단순 사후 처리에서 사전 대응으로 모드를 전환하면, 반품 1건당 역물류 비용·재검수 비용·재고 회전 손실을 동시에 줄일 수 있다. 7월 테스트 결과 반품 처리 비용 −22%, 자동 라벨 동봉 매칭 96%, 재고 회전 +6%를 기록해 RT-O13이 정식 승격되었다. 8월에는 RT-O15(구독 발송 최적화)와 결합해 의류·뷰티 카테고리에서 추가 효과를 노린다.

# 반품 위험 점수 예측 (주문 완료 직후 실행)
return_risk_features = [
    "customer_return_rate_hist",   # 고객 과거 반품률
    "product_return_rate_cat",     # 카테고리별 반품률
    "size_flag",                   # 사이즈 주문 여부
    "discount_rate",               # 할인율 (높을수록 반품 위험)
    "review_sentiment_neg",        # 상품 부정 리뷰 비율
]
return_prob = return_model.predict_proba(features)[:, 1]

if return_prob > 0.4:  # 고위험 → 사전 액션 4종
    attach_return_label(order)
    extend_stock_lock(order, days=7)
    push_size_guide(order)
    show_refund_terms(order)

예) 단골(과거 반품률 4%) 고객이 가전 정가 SKU를 구매하면 prob ≈ 0.05로 액션 없음. 반대로 신규 고객이 의류 60% 할인 SKU를 사이즈 옵션으로 구매하면 cust+cat+size+disc가 동시 가산되어 prob ≈ 0.62, 반품 라벨 자동 동봉.

비용 대비 효과는 반품 라벨 동봉이 가장 크다 (₩40 / −34%). 재고 lock·환불 약관 표시는 비용이 0원이라 ROI 무한대지만, 적용 가능 케이스가 제한적이다. 7월 자동 라벨 동봉 매칭 정확도는 96%로, 잘못 동봉되어 발생한 라벨 폐기 비용은 일평균 ₩2,400 수준.