Le coût d’un retour ne se résume pas au remboursement. Il y a le colis à réceptionner, le produit à contrôler, à remettre en stock ou à détruire, et ce coût-là se dilue dans les frais logistiques sans jamais apparaître sur une ligne à part. Les tableaux de bord affichent un taux de retour global ; ils montrent rarement quels produits le portent, ni pourquoi.

C’est pour cela que nous commençons par chiffrer le coût complet des retours, référence par référence, avant de parler de prévision. Cet article explique comment mesurer ce que coûtent réellement les retours, comment en trouver les causes, et comment anticiper les commandes les plus exposées.

Pourquoi le coût des retours est presque toujours sous-estimé

Dans la plupart des comptes, un retour se voit à travers le remboursement accordé au client. Le reste est réparti ailleurs : le temps de réception et de contrôle dans les frais d’entrepôt, le transport retour dans les frais d’expédition, les produits invendables dans les pertes. Personne ne fait la somme, et le sujet paraît secondaire.

Dans notre analyse de deux ans de ventes d’un e-commerçant santé-nutrition, les remboursements ne représentaient que 1 982 € sur douze mois. Mais 1 983 colis avaient été retournés, à environ 15 € de traitement chacun, soit près de 29 745 €. Le coût réel approchait donc 31 727 €, quinze fois le montant visible.

Étape 1 : chiffrer le coût complet d’un retour

On commence par établir, avec vos équipes, ce que coûte un retour de bout en bout : transport retour s’il est à votre charge, réception, contrôle, remise en stock ou mise au rebut, remboursement ou avoir, et le temps passé par le service client. Ce coût unitaire, appliqué au nombre réel de colis retournés, donne un montant que l’on peut comparer aux autres postes.

Ce chiffre change souvent la priorité du sujet. Un taux de retour qui paraissait faible peut représenter une somme comparable à un budget publicitaire mensuel.

Étape 2 : trouver les produits qui concentrent les retours

Le taux global masque des écarts importants. On calcule donc le taux de retour par référence, puis par famille, et on le compare à la moyenne du catalogue. Quelques produits concentrent presque toujours une part disproportionnée des retours.

Dans le catalogue analysé, un complément de peptides de collagène présentait 8,1 % de retours, plus du double de la moyenne. Le motif le plus probable n’était pas la qualité du produit, mais un décalage entre la fiche et ce que les clients attendaient. La correction proposée tenait en une mise à jour de contenu : un guide de choix et de dosage sur la fiche produit, sans aucun développement.

Étape 3 : relier les retours à leurs causes

Pour chaque produit très retourné, on croise les données disponibles : motifs de retour déclarés, avis clients, questions posées au service client, variantes commandées ensemble. Un client qui commande deux tailles du même article pour en renvoyer une, un produit souvent retourné après une promotion, une fiche qui ne précise pas un usage : chaque cause appelle une correction différente.

Ces corrections sont souvent simples et peu coûteuses. Elles passent avant toute modélisation, parce qu’elles traitent la cause au lieu de la subir.

Étape 4 : anticiper les commandes à risque

Une fois les causes connues, un modèle peut apprendre, sur l’historique, quelles caractéristiques d’une commande ont précédé les retours passés : combinaison de produits et de variantes, historique de retour du client, contexte de la commande. Il attribue alors à chaque nouvelle commande une probabilité de retour, avant l’expédition.

Cette probabilité ne sert pas à refuser des commandes. Elle sert à agir là où c’est utile : un message de conseil avant l’envoi, une vérification de la variante choisie, un suivi plus attentif des produits et des situations qui génèrent le plus de retours.

Étape 5 : mesurer l’effet des corrections

Chaque correction, qu’il s’agisse d’une fiche réécrite ou d’un message avant l’envoi, est suivie dans le temps : le taux de retour du produit concerné est comparé à sa propre période précédente et au reste du catalogue. Le modèle est réentraîné régulièrement, puisque les corrections changent elles-mêmes les comportements. Le détail de cette démarche figure dans notre méthode, de vos données brutes à des prévisions fiables.

Ce que la démarche fait apparaître

  • Le coût réel des retours, au lieu du seul montant remboursé.
  • Les quelques produits qui concentrent l’essentiel des retours, et leur cause probable.
  • Des corrections simples, souvent de simples mises à jour de contenu, à faire avant tout développement.
  • Une probabilité de retour par commande, pour agir avant l’expédition là où c’est utile.

Les signes que vous êtes concerné

  • Vous connaissez votre taux de retour global, mais pas son coût complet.
  • Vous ne savez pas quels produits concentrent l’essentiel des retours.
  • Les motifs de retour sont saisis, mais personne ne les analyse.
  • Des clients commandent plusieurs variantes d’un même produit pour en renvoyer une partie.
  • Certaines fiches produits génèrent beaucoup de questions au service client.
  • Les produits retournés finissent souvent invendables.

Les questions que vous vous posez probablement

Faut-il changer notre politique de retour ?

Pas nécessairement. L’objectif n’est pas de rendre les retours plus difficiles, ce qui pèserait sur la confiance des clients, mais de réduire ceux qui ont une cause évitable.

De quelles données avez-vous besoin ?

L’historique des commandes et des retours, idéalement sur deux ans, avec les motifs déclarés si vous les collectez, et une estimation de votre coût de traitement par colis. Un accès en lecture seule ou de simples exports suffisent : rien n’est modifié dans vos systèmes.

Que deviennent nos données ?

Elles sont hébergées en Belgique, dans un environnement isolé propre à votre entreprise, et pseudonymisées. Un accord de traitement des données est signé avant toute analyse.

Pourquoi ne pas le faire sur un tableur ?

Un tableur peut calculer un taux de retour par produit. Il ne relie pas les retours aux combinaisons de commande, aux variantes et à l’historique des clients, et il ne donne aucune probabilité avant l’expédition.

Et si l’analyse ne révèle rien ?

Alors nous vous le disons, et vous ne construisez rien. Nous ne promettons aucun gain avant d’avoir mesuré.

Et chez vous ?

Vos retours ont un coût réel, et il se mesure. Si vous voulez savoir ce que disent vos propres données, parlons-en.