Analyse af returårsager i webshop: Komplet guide

Hvorfor manuelle retursedler skjuler sandheden om returårsager

Mange e-handelsvirksomheder benytter fortsat en fysisk papirblanket i forsendelsesposen, hvor kunden med kuglepen skal krydse en årsag af. Denne metode resulterer ofte i mangelfulde data, fordi kunden blot vælger det første felt for at få returpakken sendt hurtigst muligt afsted.

Derudover opstår der et flaskehalsproblem på lageret. Lagerpersonalet skal manuelt aflæse og registrere håndskrevne sedler, hvilket er tidskrævende og sjældent prioriteres i en travl hverdag. Resultatet er, at returdata aldrig når frem til e-commerce teamet eller indkøberne i en brugbar form.

• Kunder vælger ofte standardkategorien Andet uden yderligere forklaring
• Lageret har sjældent ressourcer til manuel indtastning af fritekst i eksterne regneark
• Værdifuld viden forbliver isoleret i papirbunker i stedet for at drive forbedringer

Opsætning af specifikke feedbackkategorier i returportalen

For at opnå retvisende data skal kunden præsenteres for logiske og præcist definerede svarmuligheder under den digitale returregistrering. Overordnede kategorier som Forkert størrelse eller Ikke som forventet giver ikke tilstrækkelig indsigt til at foretage konkrete ændringer på webshoppen.

Ved at strukturere svarmulighederne i specifikke underkategorier bliver det muligt at lokalisere det nøjagtige problemområde for hvert enkelt produkt.

• Pasform: For lille over brystet, for smal i taljen, for lang i benene eller generelt lille i størrelsen
• Kvalitet og materiale: Tyndere stof end forventet, kradsende materiale eller syfejl ved modtagelse
• Visuel gengivelse: Farven afviger fra webshoppens billeder, eller detaljer fremstår anderledes
• Købsmønster: Bestilt flere varianter eller størrelser til prøvning i hjemmet

Sådan kobles returdata direkte til Shopify-produkter og varianter

Data har størst værdi, når de knyttes direkte til den specifikke varelinje og variant frem for kun at ligge som en samlet note på ordren. Hvis en kjole returneres, skal systemet kende den præcise variant og størrelse, som kunden har fravalgt.

Nexly løser dette ved at registrere de valgte returgrunde direkte i forbindelse med kundens selvbetjente oprettelse og skrive returhændelsen tilbage til Shopify. Når lageret modtager og scanner pakken, opdateres varens status automatisk. Det giver e-handelschefen et klart dashboard over, hvilke SKU-numre der har uforholdsmæssigt mange returanmodninger grundet for eksempel specifikke størrelsesafvigelser.

• Variantniveau-sporing identificerer om et pasformsproblem gælder én enkelt størrelse eller hele snittet
• Shopify write-back sikrer opdateret ordrehistorik uden manuel synkronisering mellem systemer
• Eksportérbare oversigter gør det enkelt for indkøbere at reklamere over for producenter ved systematiske fejl

Optimering af produktkort og størrelsesguider baseret på data

Når analysen peger på gentagne returårsager for en bestemt vare, bør produktkortet tilpasses med det samme. Små justeringer i teksten eller en mere detaljeret måletabel kan forhindre, at fremtidige kunder foretager et fejlkøb.

Hvis data eksempelvis viser, at 70 procent af returneringerne på en sko skyldes, at den er for smal over forfoden, kan en direkte fremhævning af dette på produktkortet afværge mange forventelige returer.

• Indsæt tydelige anbefalinger i produktteksten som for eksempel Svinger du mellem to størrelser, anbefaler vi den største
• Opdater størrelsesguiden med præcise centimetermål frem for generiske standardtabeller
• Tilføj information om modellens højde og båret størrelse på billederne
• Udskift billeder, hvis farvegengivelsen under bestemte skærmindstillinger afviger markant fra virkeligheden

Måling af effekten over tid og regneeksempel

For at verificere værdien af de foretagne ændringer skal returprocenten for de optimerede produkter følges over en periode på 30 til 60 dage efter opdateringen. Målet er at se et fald i returraten uden et tilsvarende fald i konverteringsraten.

Nedenfor vises et regneeksempel, der illustrerer den økonomiske effekt af at reducere returraten på en populær vare baseret på målrettede dataændringer.

• Eksempel: En webshop sælger 400 enheder af en vinterjakke pr. måned med en returrate på 28 procent, svarende til 112 returneringer
• Returanalysen viser, at 65 procent af returerne skyldes, at jakken opleves som meget stram over skuldrene
• Produktkortet opdateres med specifikke skuldermål og en anbefaling om at gå en størrelse op
• I den efterfølgende måned falder returraten til 16 procent, svarende til 64 returneringer
• Webshoppen sparer 48 returbehandlinger, fragtomkostninger og genopfyldningsomkostninger på denne ene model hver måned

Ofte stillede spørgsmål

Hvad er den mest almindelige returårsag i webshops med tøj og sko?

Forkert størrelse og pasformsproblemer udgør generelt den største andel af returneringer. Dette skyldes oftest unøjagtige eller mangelfulde størrelsesguider samt variationer i producenternes snit.

Hvor ofte bør man gennemføre en analyse af returårsager?

Det er en god praksis at tjekke returdata ugentligt eller månedligt for nye varepartier for hurtigt at fange fejl på produktkort. En mere overordnet gennemgang på tværs af kategorier og leverandører bør foretages kvartalsvist.

Hvordan hjælper en digital returportal med at nedbringe returprocenten?

Portalen sikrer struktureret dataindsamling helt ned på SKU-niveau, hvilket giver det nødvendige grundlag for at rette fejlbeskrivelser. Samtidig kan portalen tilbyde ombytning til en anden størrelse, så salget fastholdes frem for at blive refunderet.