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

Une cliente commande la même robe en trois tailles, en garde une et renvoie les deux autres gratuitement. Votre boutique enregistre trois unités vendues et deux retours. Votre équipe finance voit un 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 → satisfaisant. Votre entrepôt voit un casse-tête. Et votre P&L, si vous le lisez attentivement, voit la marge fuir discrètement par la porte de service.

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

Cette leçon 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 et gérer le « bracketing ».

Les trois motifs de retour qui comptent le plus

La plupart des motifs de retour sont collectés via un menu déroulant au moment du retour. C'est bruité, mais trois catégories expliquent la majorité des retours en habillement et chacune a un remède différent.

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 les comparer chez soi, puis renvoyer la plupart) mérite une définition claire parce qu'il se cache dans vos retours « taille ». Une cliente qui commande trois tailles et en renvoie deux étiquettera souvent les deux retours en « mauvaise taille », alors qu'une seule allait être conservée de toute façon.

Construire le jeu de données

Vous devez joindre trois tables qui vivent en général 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 l'arrivée).
3. Référentiel produit (ID modèle, catégorie, mesures du vêtement, fournisseur, coût livré).

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 ne devient visible qu'en regardant au niveau du modèle au sein 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%}")

Dès que vous savez repérer les commandes-modèle en bracketing, vous pouvez mesurer leur comportement face aux commandes mono-variante : taux de retour, taux de conservation et marge.

Quantifier la vraie marge livrée

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 chiffre. Ce que vous voulez, c'est la marge de contribution par commande après retours, parfois appelée marge livrée ou marge réalisée.

Construisez-la coût par coût :

• Chiffre d'affaires conservé = prix payé sur les unités non retournées.
• Coût produit livré = coût des marchandises pour toutes les unités expédiées (les unités retournées vous coûtent quand même le fret aller et la manutention, même si le remboursement est émis).
• Coût de traitement des retours = fret retour plus contrôle plus remise en stock ou remise en état. Une estimation de planification courante en habillement est de quelques dollars par unité retournée, mais mesurez la vôtre.
• Perte de démarque = les articles retournés réintègrent souvent le stock tardivement et se vendent avec 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 par 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 en général aux yeux : les commandes en bracketing peuvent bien convertir en chiffre d'affaires tout en détruisant la marge, puisque 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.

Transformer les retours de taille en un meilleur guide des tailles

Les retours de taille sont les plus faciles à corriger, 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 en les séparant 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 étiquetés « trop petit » n'a pas un problème de fit aléatoire. C'est un problème de spécifications. Le vêtement est systématiquement plus petit que ce que l'étiquette de taille annonce.

Étape 2 : comparer aux mesures réelles du vêtement

Extrayez les mesures réelles du vêtement de votre référentiel produit (poitrine, taille, entrejambe) et comparez entre modèles pour une 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, donc ils devinent, et ils devinent mal.

Étape 3 : réécrire le guide

Des correctifs concrets qui font bouger les chiffres :

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

Transformer les retours qualité en décisions de sourcing

Les retours qualité se regroupent par fournisseur et par modèle, pas par client. Cela les rend actionnables aux 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 peut venir 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 consiste ici à séparer les problèmes produit (corriger la source) des problèmes de contenu (corriger la page). Les deux apparaissent comme des retours. Seules les données les distinguent.

Gérer le bracketing sans casser la conversion

Le bracketing est le plus délicat parce que le comportement du client est rationnel et produit souvent un article conservé satisfaisant. 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 amènent les clients à commander une seule taille en confiance. C'est la voie gagnant-gagnant : moins de retours, même chiffre d'affaires.

Inciter au checkout. Quand un client ajoute deux tailles d'un même modèle, un discret « Un doute sur votre taille ? Consultez notre guide des tailles » peut convertir un bracketing en un achat unique assumé.

Segmenter votre politique. Certains distributeurs identifient désormais les comptes à taux de retour chroniquement élevé et ajustent les conditions (par exemple en facturant les frais de retour) tout en protégeant la majorité qui retourne rarement. C'est un terrain sensible : soyez transparent, appliquez les règles de manière cohérente et respectez les règles de protection des consommateurs de chaque marché où vous vendez. Ne considérez pas ceci comme un conseil juridique ; associez un juriste avant de modifier vos conditions de retour publiées.

Mesurer la marge sur l'article conservé. 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, positionnez-le sur deux axes : taux de retour et marge réalisée.

• Retour élevé, marge faible : priorité (corriger le fit ou reconsidérer le référencement).
• Retour élevé, marge élevée : corriger le fit, continuer à vendre.
• Retour faible, marge faible : problème de prix ou de coût, sans lien avec les retours.
• Retour faible, marge élevée : protéger et développer.

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

Points clés

• Le chiffre d'affaires masque la fuite ; la marge livrée la révèle. Modélisez toujours la marge de contribution après frais de retour, traitement et démarque, pas la marge brute 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, voilà votre signal de bracketing, et il se déguise souvent en « mauvaise taille ».
• Les retours de taille sont un problème de spécifications que vous pouvez corriger. Des retours déséquilibrés « trop petit » ou « trop grand » signalent des mesures de vêtement incohérentes ; publiez les mesures à plat et standardisez les spécifications entre fournisseurs.
• Séparez les retours qualité produit des retours de contenu. « Défectueux » renvoie au sourcing ; « non conforme à la description » renvoie souvent à votre fiche produit, bien moins coûteuse à corriger.
• Visez la marge, pas le taux de retour. Classez les modèles en croisant taux de retour et marge réalisée, et agissez d'abord sur les modèles à retour élevé et marge faible.