Transformer les données de retours en marge : taille, qualité et bracketing

# TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → les données de retours en marge : taille, qualité et bracketing

Une cliente commande la même robe en trois tailles, en garde une et en renvoie deux gratuitement. Votre boutique enregistre trois unités vendues et deux retours. Votre équipe finance voit un bon taux de conversiontaux de conversionLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →. Votre entrepôt voit un casse-tête. Et votre P&L, si vous le lisez attentivement, voit la marge s'échapper discrètement par la porte de service.

C'est la réalité de l'e-commerce mode en 2026. Les taux de retour de l'habillement en ligne se situent couramment entre 20 et 40 % (davantage pour des catégories comme les robes et les chaussures), et chaque retour a un coût réel : frais de port retour, contrôle, remise en état, reconditionnement et démarque sur les articles qui ratent leur fenêtre de vente. La ligne de chiffre d'affaires paraît saine. La marge réelle, non.

Cette leçon vous montre comment transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → un jeu de données de retours brouillon en trois décisions : corriger les tailles, corriger la qualité, gérer le « bracketing ».

Les trois motifs de retour qui comptent le plus

La plupart des motifs de retour sont saisis via un menu déroulant au moment du retour. C'est bruité, mais trois catégories expliquent la majorité des retours en habillement et chacune appelle une correction différente.

Taille. « Trop petit », « trop grand », « ne m'allait pas ». C'est un problème de guide des tailles et de spécifications produit.

Qualité. « Défectueux », « non conforme à la description », « mauvaise qualité », « couleur différente ». C'est un problème de sourcing, de QA et de fiche produit.

Bracketing. Le comportement décrit en ouverture : un acheteur commande délibérément plusieurs tailles ou couleurs avec l'intention d'en garder une et de renvoyer le reste. C'est un problème de politique commerciale et de pricing.

Le bracketing (commander plusieurs variantes du même article pour comparer chez soi, puis renvoyer la majorité) mérite une définition claire car il se cache dans vos retours « taille ». Un client qui commande trois tailles et en renvoie deux étiquettera souvent les deux retours en « mauvaise taille », alors qu'une seule allait de toute façon être conservée.

Construire le jeu de données

Vous devez joindre trois tables qui vivent généralement dans des systèmes différents :

1. Commandes (ID commande, ID client, SKU, taille, couleur, prix payé, date).

2. Retours (ID commande, SKU, motif de retour, date de retour, état à réception).

3. Référentiel produit (ID modèle, catégorie, mensurations du vêtement, fournisseur, coût de revient).

L'astuce clé : regrouper les SKU par ID modèle, pas seulement par SKU. Un même modèle de robe compte de nombreux SKU de taille et de couleur. Le bracketing n'apparaît qu'en regardant au niveau du modèle, à l'intérieur d'une même commande et d'un même client.

Voici la logique de base pour repérer les commandes en bracketing.

import pandas as pd

# orders: one row per line item ordered
# style_id groups all size/color variants of the same product
grouped = (orders
    .groupby(['customer_id', 'order_id', 'style_id'])
    .agg(variants_ordered=('sku', 'nunique'),
         units_ordered=('sku', 'size'))
    .reset_index())

# Bracketing signal: same style, 2+ different variants in one order
grouped['is_bracketed'] = grouped['variants_ordered'] >= 2

bracket_rate = grouped['is_bracketed'].mean()
print(f"Share of style-orders that are bracketed: {bracket_rate:.1%}")

Une fois que vous savez marquer les commandes-modèles en bracketing, vous pouvez mesurer leur comportement face aux commandes mono-variante : taux de retour, taux de conservation et marge.

Quantifier la vraie marge réelle

La marge brutemarge bruteLa marge brute est la part du chiffre d'affaires qui reste après déduction du coût direct de production des biens ou services, exprimée en pourcentage du chiffre d'affaires.Voir la définition complète → par unité vendue est le mauvais indicateur. Vous voulez la marge de contribution par commande après retours, parfois appelée marge réelle ou réalisée.

Construisez-la coût par coût :

• Revenu conservé = prix payé sur les unités non retournées.
• Coût de revient produit = coût des marchandises pour toutes les unités expédiées (les unités retournées vous coûtent quand même le transport aller et la manutention, même si le remboursement est émis).
• Coût de traitement des retours = transport retour plus contrôle plus remise en stock ou remise en état. Une estimation de planification courante en habillement est de quelques euros par unité retournée, mais mesurez la vôtre.
• Perte de démarque = les articles retournés réintègrent souvent le stock tardivement et se vendent avec une remise, voire pas du tout.

Un modèle simple par commande :

Realized margin = revenue_kept
                - landed_cost(units_shipped)
                - return_cost(units_returned)
                - markdown_loss(units_returned)

Appliquez cela à chaque type de commande et le schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → saute généralement aux yeux : les commandes en bracketing peuvent bien convertir en chiffre d'affaires tout en détruisant la marge, car vous avez payé pour expédier et traiter deux ou trois unités afin de gagner la marge sur une seule.

Pour une bonne introduction à l'économie des retours, la recherche sur les retours de la National Retail Federation est une référence gratuite utile, actualisée chaque année.

TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → les retours de taille en un meilleur guide des tailles

Les retours pour taille sont les plus corrigeables, et le gain est durable. Le signal se trouve dans le schéma de migration de taille : quand quelqu'un renvoie un M en « trop petit » et recommande un L qu'il garde, ce M taillait petit.

Étape 1 : construire un score de justesse de taille par modèle

Pour chaque modèle, comptez les retours de taille par direction :

• Les retours « trop petit » suggèrent que le vêtement taille petit (le client doit prendre une taille au-dessus).
• Les retours « trop grand » suggèrent qu'il taille grand.

Un modèle dont 80 % des retours de taille sont marqués « trop petit » n'a pas un problème de fit aléatoire. Il a un problème de spécification. Le vêtement est systématiquement plus petit que ce que son étiquette de taille laisse entendre.

Étape 2 : comparer aux mensurations mesurées du vêtement

Extrayez les mensurations réelles du vêtement de votre référentiel produit (poitrine, taille, entrejambe) et comparez entre modèles de même taille. Vous constaterez souvent que la « taille M » varie de plusieurs centimètres d'un fournisseur à l'autre. Les clients ne peuvent pas le voir, alors ils devinent, et ils devinent mal.

Étape 3 : réécrire le guide

Des corrections concrètes qui font bouger les chiffres :

• Ajoutez une mention « taille petit, nous recommandons de prendre une taille au-dessus » sur les modèles aux retours de taille déséquilibrés.
• Publiez les mensurations à plat du vêtement, pas seulement les mensurations corporelles.
• Standardisez les spécifications entre fournisseurs pour une même étiquette de taille.
• Ajoutez des questions sur le fit au moment du retour pour capter proprement la direction.

TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → les retours qualité en décisions de sourcing

Les retours qualité se regroupent par fournisseur et modèle, pas par client. Cela les rend actionnables en achats.

Agrégez le motif de retour par fournisseur :

• Si les modèles d'un fournisseur affichent des retours « défectueux » ou « couleur différente » élevés, c'est une discussion QA appuyée par des données solides.
• Si « non conforme à la description » est élevé, le problème vient peut-être de votre fiche produit, pas du vêtement. Les photos, le rendu des couleurs et les descriptions de matière coûtent moins cher à corriger qu'une relation fournisseur.

La discipline ici consiste à séparer les problèmes produit (corriger la source) des problèmes de contenu (corriger la page). Les deux se traduisent par des retours. Seules les données permettent de les distinguer.

Gérer le bracketing sans tuer la conversion

Le bracketing est le plus délicat, car le comportement client est rationnel et débouche souvent sur un article conservé. Vous ne voulez pas punir les bons clients. Vous voulez réduire le coût du comportement.

Les options, de la plus légère à la plus lourde :

Réduire le besoin de bracketing. De meilleurs guides des tailles et des outils d'essayage virtuel permettent aux clients de commander une seule taille en confiance. C'est la voie gagnant-gagnant : moins de retours, même chiffre d'affaires.

Un nudge au checkout. Quand un client ajoute deux tailles du même modèle, un discret « Vous hésitez sur la taille ? Consultez notre guide » peut convertir un bracketing en un achat unique et assumé.

Segmenter votre politique. Certains distributeurs identifient désormais les comptes à retours chroniques et ajustent leurs conditions (par exemple en facturant les frais de retour) tout en protégeant la majorité qui retourne rarement. Le sujet est sensible : soyez transparent, appliquez les règles de manière cohérente et respectez les règles de protection du consommateur de chaque marché où vous vendez. Ceci n'est pas un conseil juridique : impliquez votre service juridique avant de modifier des conditions de retour publiées.

Mesurer la marge du keeper. Certaines commandes en bracketing restent rentables au net parce que l'article conservé est à forte marge. Segmentez avant d'agir. L'objectif est la marge, pas un taux de retour plus bas pour lui-même.

Un cadre de décision simple

Pour chaque modèle, placez-le sur deux axes : taux de retour et marge réalisée.

• Retour élevé, marge faible : priorisez (corriger le fit ou reconsidérer sa présence en catalogue).
• Retour élevé, marge élevée : corrigez le fit, continuez à vendre.
• Retour faible, marge faible : problème de prix ou de coût, sans lien avec les retours.
• Retour faible, marge élevée : protégez et développez.

Ce cadre évite aux équipes de courir après les retours partout et leur permet d'attaquer les modèles qui saignent vraiment.

Points clés à retenir

• Le chiffre d'affaires masque la fuite ; la marge réelle la révèle. Modélisez toujours la marge de contribution après frais de port retour, traitement et démarque, pas la marge brutemarge bruteLa marge brute est la part du chiffre d'affaires qui reste après déduction du coût direct de production des biens ou services, exprimée en pourcentage du chiffre d'affaires.Voir la définition complète → par unité vendue.
• Regroupez par ID modèle, pas par SKU, pour voir le bracketing. Plusieurs variantes de taille ou de couleur d'un même modèle dans une seule commande, c'est votre signal de bracketing, et il se déguise souvent en « mauvaise taille ».
• Les retours de taille sont un problème de spécification que vous pouvez corriger. Des retours déséquilibrés « trop petit » ou « trop grand » signalent des mensurations incohérentes ; publiez les mesures à plat et standardisez les spécifications entre fournisseurs.
• Séparez les retours qualité produit des retours liés au contenu. « Défectueux » pointe vers le sourcing ; « non conforme à la description » pointe souvent vers votre fiche produit, bien moins chère à corriger.
• Visez la marge, pas le taux de retour. Classez les modèles selon le taux de retour et la marge réalisée conjointement, et traitez d'abord les modèles à retour élevé et marge faible.