De fleste webshops bruger energi på at håndtere returner, når de kommer ind. Færre arbejder systematisk med at undgå, at de opstår. Forskellen er data. Når du ved, præcis hvorfor kunder returnerer, og hvilke produkter der driver det, kan du gøre noget ved det. Uden data gætter du.

De vigtigste datapunkter du skal samle

Det starter med returårsag. Hvert retur skal have en struktureret årsag tilknyttet, ikke en fri tekstboks. Kategorier som "Forkert størrelse", "Produkt ikke som beskrevet", "Defekt", "Fortryder købet" og "Modtog forkert vare" dækker langt de fleste tilfælde. Alt det, der falder ind under "Andet", skal gøres så lille en del som muligt.

For hvert retur skal du registrere: ordrenummer, produkt-SKU, variant (størrelse, farve), årsag, kanal (webshop, markedsplads) og kundesegment. Det er disse dimensioner, der giver dig handlebart indblik.

Returrate per SKU er det mest direkte mål. Beregn det som antal returner divideret med antal solgte enheder. Et produkt med en returrate på 5 pct. er uprobletatisk i de fleste kategorier. Et produkt med 35 pct. returrate signalerer et problem, der skal løses.

👉 Vil du have bedre kontrol over dine returner? Kontakt SmartPack

Hvad dataene typisk afslører

Når webshops begynder at analysere returdata struktureret, finder de som regel et af tre mønstre.

Størrelsesguide-problemet. Returner med årsagen "forkert størrelse" er koncentreret på bestemte produkter. Det afslører, at størrelsesguiden enten mangler, er forkert eller misvisende for netop de produkter. Løsningen er at måle det specifikke produkt og tilføje spæcifike måleangivelser fremfor generiske størrelsesbeskrivelser.

Billede-virkelighed-gabet. Når returnen skyldes "Produkt ikke som forventet" eller "Ikke som beskrevet", er det som regel et billede- eller beskrivelsesprobålem. Produktet afviger fra, hvad kunden troede de købte. Her hjælper bedre billeder fra flere vinkler, video og ærlige materialebeskrivelser.

Kvalitetsproblemet. Defekte varer der returneres afslører enten et leverandørproblem eller et pakningsproblem. Identificer, om defekterne er tilfældige eller koncentreret på bestemte produktioner, leveranser eller lagertider.

Sådan bruger du tallene til handling

Data uden handling er spild. Når du har identificeret, hvilke produkter der har de højeste returrates og af hvilken årsag, er der en klar prioriteringsrækkefølge.

Start med de produkter, der kombinerer høj omsætning og høj returrate. Det er her, du får størst effekt af forbedringer. Et produkt med lav omsætning og høj returrate kan du overveje at tage ud af sortimentet.

Test forbedringer én ad gangen. Opdater størrelsesguiden på fem produkter. Mål returraterne fire uger før og fire uger efter. Det giver dig reel evidens for, om ændringen virker.

Kig også på kanalsegmentering. Returraterne fra Facebook-annoncer kan være højere end fra organisk søgning, fordi kundekvaliteten er anderledes. Det er ikke altid et produktproblem.

Indfør et fast månedsgennemgang af returdata. Fem minutter på returdata en gang om måneden er nok til at opfange nye tendenser, før de vokser sig store.

Typiske fejl

Den største fejl er at tillade "Andet" som standardkategori i returårsag. Det sker, når listen med årsager er for lang, for kompliceret eller dårligt designet. Resultatet er, at op mod halvdelen af returner falder i en ubrugelig spand. Kortere og klarere årsagliste løser det.

En anden fejl er at måle returrate på kategoriniveau i stedet for SKU-niveau. Kategorien "sko" kan have en gennemsnitlig returrate på 18 pct., men inden i kategorien kan et enkelt produkt have 45 pct. Det produktproblem er usynligt i de aggregerede tal.

En tredje fejl er at vente på et perfekt dashboard. Begynd med et regneark. Et simpelt ark med SKU, antal solgt, antal returneret, returrate og primær årsag er nok til at komme i gang. Perfektionisme forsinker handling.

Hvad kan SmartPack gøre?

SmartPack registrerer returdata på varemodtagelsen: hvilken SKU, hvilken stand, hvilken årsag. Den information er tilgængelig i rapporteringen, så du kan se mønstre over tid og identificere produkter, der konsistent skaber returproblemer. Det er data fra den fysiske virkelighed, ikke bare det kunden klikkede på i retur-portalen.