Retourreductie dankzij Business Intelligence (deel 2)

In het eerste deel van deze reeks, introduceerde ik de Business Intelligence tooling die wij gebruiken om retouren terug te kunnen dringen en welke retourmetrics we hierbij aanbevelen. Hieronder ga ik dieper in op de bijbehorende retourdimensies.

Retourdimensies

Indien eerder genoemde metrics continue worden doorgemeten, over welke dimensies/assen wil je dit beoordelen cq. weergeven in de dashboarding?

Tijd

Allereerst is de tijdsdimensie natuurlijk van belang. Een aantal tips met betrekking tot tijd:

  • Zet de metrics uit tegen een langere, maar ook een kortere recente periode om trends snel waar te nemen.
  • Maak daarbij steeds periodevergelijkingen in de weergave, zoals Month-over-Month, Year-over-Year per week.
  • Maak onderscheid in analyses met en zonder datumverschuiving, waarbij de datum van de retour wordt gelegd over de datum van de oorspronkelijke order. Alleen wanneer je dit correct uitvoert, kun je bijvoorbeeld doormeten of Black Friday (of een andere specifieke campagne) een hoger retourpercentage oplevert. Daarmee kan de vraag beantwoord worden of het zin heeft agressief marketing in zo’n periode/campagne te stoppen.
  • Door de hierboven genoemde weergave, heb je permanent zicht op de lifetime van je retouren, en wordt inzichtelijk hoeveel voorraad gemiddeld hoe lang onverkoopbaar is. Zeker verder in het seizoen (sale) loopt de waarde uit de voorraad, tijd=geld! N.B. Vaak zien we dat de klant óf heel snel retourneert, óf hiermee juist wacht tot de retourtermijn bijna verstreken is.
  • We kunnen forecasts plotten hoeveel retouren verwerkt dienen te worden in de komende dagen (dit geldt uiteraard ook voor de reguliere verzendingen). Zeker in een sale-periode, of na een Black Friday is het goed te kunnen inschatten hoeveel resources moeten worden ingepland/ingehuurd in het magazijn, om naast de reguliere verkooporders de retourorders te verwerken.
  • Hanteer een datumtabel waar alle feestdagen, vakanties en de eigen marketingkalender in verwerkt zijn om correlaties te ontdekken.

Orderkenmerken

Een volgend perspectief op de retourmetrics betreffen de orderkenmerken. Over deze as worden specifieke correlaties blootgelegd. Een aantal tips met betrekking tot orderkenmerken:

  • Betaalmethode: vaak zien we bij ‘achteraf betalen’ hogere retourpercentages, maar... als je dieper kijkt, ligt het aantal ruilingen verhoudingsgewijs lager dan de zuiver retouren (waarmee de netto retour-/handlingskosten toch lager kunnen liggen bij achteraf betalen). Juist bij dit soort metric/dimensie-combinaties komt de kracht van een BI-platform van pas.
  • Korting/sale: welke impact heeft korting of sale op de retouren?
  • Ruiling / deelretour / volledig retour: retourpercentages kunnen gelijk zijn, maar door in te zoomen kunnen de netto retourkosten anders uitpakken. Voor de goede orde: in definities wordt een ruiling vaak gezien als een verkooporder, een (deel-)annuleerorder en weer een nieuwe verkooporder.
  • Stel, persoon 1 bestelt maat X en ruilt voor maat Y, persoon 2 bestelt maat X + Y en retourneert maat X, Persoon 1 kost driemaal handling en vervoer, persoon 2 maar tweemaal. M.a.w.: een ruiling is duurder dan een deelretour. We kunnen met Machine Learning het onderliggend model zo trainen, dat we in de webshop frontend de klant pro-actief adviseren een specifieke maat erbij te bestellen!
  • Apparaat, kanaal, herkomst, campagne: hierbij komt de kracht van het combineren van Google-data en e-commerce data. Hierdoor kun je de legitimiteit van investeringen in bepaalde campagnes (affiliates, Google Ads, e-mailmarketing), of store-fronts (bijv. kiosk) wegen in het licht van de retourmetrics.

Klantkenmerken

Naast orderkenmerken plotten we retourmetrics uiteraard ook over klantkenmerken:

  • Postcodegebied: indien de webshop fysieke filialen heeft, wat is de relatie tussen de dichtstbijzijnde afstand klant-filiaal en retouren? Zijn er regio’s waar er buitengewone retourpercentages gelden, of vertoont een stedelijk gebied ander gedrag dan het platteland?
  • Klantouderdom: hoe groot is de correlatie hier? En is een hoog retourpercentage bij een relatief nieuwe klant acceptabeler dan bij een langdurige klant, of juist niet!?
  • Geslacht, leeftijd
  • CLV (Customer Lifetime Value): omdat retouren zo impactvol kunnen zijn op de gerealiseerde (en voorspelde) marge, kunnen we de CLV nog uitbreiden met de retouren/retourkosten.

Productkenmerken

De productkenmerken uit het e-commerce platform of PIM (Product Information Management-systeem) gebruiken we om de vraag te beantwoorden of een specifiek deel van het assortiment verantwoordelijk is voor het hoge aantal retouren, en waar de kwaliteit van de productinformatie verbeterd moet worden.

  • Merk/leverancier: met welke leveranciers kan het gesprek gevoerd worden over bijvoorbeeld inkoopcondities, marge, of kwaliteit? (Vaak ontbreekt het de retailer aan data die overhandigd kan worden aan de leverancier.)
  • Productgroep: retourprestaties per productgroep geeft input aan de online marketeers. Hoeveel campagnebudget kunnen we aan specifieke productgroep spenderen?
  • Maat: met name in de fashionretail een zeer belangrijke. Indien 2 verschillende maten worden besteld en er één geretourneerd wordt (of in het geval van een ruiling), kan het systeem leren of dit product klein of groot valt. Hiervoor gebruiken we AI/ML-technologie, maar we kunnen dit ook combineren met door de klant opgegeven retourredenen (bijv. maat te klein/groot). Boven een bepaalde berekende waarschijnlijkheid kan de conclusie dat dit product klein dan wel groot valt worden teruggeschreven naar het e-commerceplatform, en dynamisch in de frontend getoond worden op de PDP (product detail page).
  • SKU: retourmetrics in combinatie met retourreden weergeven. Hiermee kunnen we permanent de uitzonderlijke gevallen uitfilteren en de productinformatie aanpassen. Stel, een product wordt erg vaak geretourneerd omdat ‘de kleur anders is dan verwacht’, dan dienen de productfoto’s gecontroleerd te worden en waar nodig opnieuw geschoten. Richt hiervoor een apart dashboard in voor recent online gekomen producten met buitensporige retouren, zodat je snel de productinformatie optimaliseert/herstelt.

Het BI-platform is in staat continue analyses uit te voeren welke wel/niet opgegeven productkenmerken substantieel van invloed zijn op retourpercentages. Voor nieuw ingekomen producten/SKU’s in het assortiment kan de tooling zo adviseren welke productkenmerken ingevoerd moeten worden. We kunnen deze aanwijzingen terug het PIM in schrijven, zodat in de workflow van productspecialisten en content-marketeers, het BI-platform als een stuk intelligentie fungeert op de achtergrond. Bottom-line wordt de consumentverwachting gevoed door online productcontent, en zodoende de kans verlaagd op een eventuele retour of ruiling.

Hoe je jouw BI-platform in de praktijk inricht aan de hand van de hierboven en eerder beschreven metrics en dimensies, lees je in deel 3 van deze reeks.

Door gebruik te blijven maken van onze website, geef je toestemming en ga je akkoord met het gebruik van cookies. Meer informatie kan je vinden op onze cookiespagina.