Retouren per product: wat onderzoek je eerst?

Onderzoek retouren door hetzelfde product na dezelfde observatieduur te vergelijken en twee percentages te bewaren: getroffen bestellingen en geretourneerde eenheden. De gekozen klantreden geeft richting, maar bewijst niet wat er misging.

Vier rugzakken komen terug en iemand wil de campagne stoppen. Hoeveel zijn geleverd, bij hoeveel bestellingen horen ze en hoeveel tijd hebben kopers gehad? Deze diagnose eindigt met een toegewezen controle, niet met een schuldige uit een kolom.

Bepaal welke gebeurtenis je telt

Een aanvraag, een fysiek ontvangen artikel en een terugbetaling zijn verschillend. Hier tellen we fysiek terugontvangen eenheden, gekoppeld aan de oorspronkelijke orderregel. Een terugbetaling zonder goederen en een open aanvraag vallen buiten de teller. Open aanvragen blijven in een aparte werklijst.

Shopify onderscheidt Reversed quantity, met mogelijk annuleringen en wijzigingen, van Returned quantity voor fysieke retouren. Verkoopdatum en correctiedatum verschillen ook. Controleer het veld voordat je elk negatief getal een retour noemt. Officiële Shopify-definities.

Ons werkblad is een eigen formaat, geen Frihet-export of productfunctie. De gids over ecommercegegevens en integraties, in het Engels plaatst dit naast andere registraties.

Leg peildatum en cohort vast

Het voorbeeld is volledig synthetisch. Peildatum: 2026-09-13. De analytische observatie duurt 30 dagen na levering, inclusief retouren ontvangen op dag 30. Dit is geen wettelijke termijn of aanbevolen winkelbeleid. Kies een passende horizon en documenteer waarom.

We groeperen op SKU en leverdatum. Cohort 2026-08-01 heeft de observatie voltooid; 2026-09-06 heeft pas zeven dagen. «Volgroeid» betekent dat ons venster compleet is, niet dat latere retouren onmogelijk zijn. Bewaar latere gevallen voor afzonderlijke analyse.

Splits deelleveringen in regels, met een sleutel om de bestelling te herenigen. Zonder leverdatum is een record niet classificeerbaar, niet automatisch retourvrij. Houd open aanvragen zichtbaar voor de behandelaar, buiten het fysieke retourpercentage.

Bereken de tabel opnieuw

Het pakket (ZIP) bevat order-lines.csv, results.csv en recalculate.py: 30 fictieve geleverde regels, resultaten en een script met uitsluitend de Python 3-standaardbibliotheek. Bewaar de originelen en voer python3 recalculate.py uit in een kopie.

Volgroeid BAG-A geeft 3 / 10 × 100 = 30 % getroffen bestellingen en 4 / 20 × 100 = 20 % geretourneerde eenheden. BAG-B geeft voor beide 1 / 10 × 100 = 10 %. Een bestelling kan twee eenheden bevatten en beide retourneren, zoals de eerste BAG-A-regel.

Recent BAG-A toont 10 % per bestelling en 5 % per eenheid, maar is nog open. Dit bewijst geen verbetering; er is geen ingreep gesimuleerd. Evenmin bestaat er een universele grens die 20 % aanvaardbaar of onaanvaardbaar maakt.

Bewaar uitlegbare regels

line_id,order_id,sku,cohort,channel,delivered_at,units_delivered,units_returned,return_received_at,reason_code

line_id identificeert de regel, order_id telt unieke bestellingen. Tel bestellingen per SKU niet op voor het winkeltotaal: één bestelling kan meerdere producten bevatten. Hier bevat elke bestelling één SKU.

SIZE betekent gemelde ongeschikte maat; DAMAGE, gemelde schade; UNKNOWN, ontbrekende reden; NONE, geen fysieke retour geregistreerd. De code is geen magazijncontrole. Bewaar originele tekst apart met beperkte toegang, zonder onnodige persoonsgegevens.

Elke regel is vereenvoudigd tot één ontvangst en reden. Gebruik bij meerdere datums of redenen een gebeurtenissentabel gekoppeld via line_id en tel alleen gebeurtenissen binnen de horizon. Herhaal units_delivered niet per gebeurtenis: dat vergroot de noemer onterecht. Onderzoek dubbele ID’s voordat je regels verwijdert.

De reden wijst naar een controle

Volgroeid BAG-A bevat drie eenheden SIZE en één UNKNOWN. 3 / 4 = 75 % beschrijft de redenverdeling binnen de retouren, niet het productretourpercentage. De onbekende verwijderen levert schijnbaar 100 % maatproblemen op uit onvolledige informatie.

Vergelijk de maten van de drie eenheden, de bestelde variant en de productpagina die de kopers zagen. Juiste maten met andere verwachtingen wijzen op een informatiehypothese. Afwijkende maten vragen onderzoek van eenheid en partij. De gekozen reden beslist niet tussen deze verklaringen.

BAG-B heeft één DAMAGE. Controleer verpakking, ontvangstbewijs en partij; de vervoerder is daarmee niet bewezen verantwoordelijk. Eén geval vormt ook geen stabiele trend.

Beschuldig het kanaal niet te snel

Alle voorbeeldretouren zitten in web. Dat opent een vraag, niet een besluit om het kanaal te sluiten. Vergelijk gelijke SKU, variant en horizon; controleer promotie, partij en registratiekwaliteit. Vijf bestellingen per kanaal geven weinig informatie; verder opsplitsen schept geen precisie.

Bewaar bij afwijkende rapporten filters, peildatum en definities. Shopify documenteert verschillen door periode en rapportlogica. Controleer of je dezelfde delen van de bestelling vergelijkt. Shopify-rapportverschillen. De integratiegids helpt de toegankelijke bron te controleren; een vermelding garandeert deze velden niet.

Eindig met een toegewezen controle

Kopieer deze notitie: «BAG-A, cohort 2026-08-01; 4/20 eenheden, 3/10 bestellingen; drie SIZE en één UNKNOWN; maten en productpagina controleren; catalogusverantwoordelijke; bewijs ontbreekt; herzien na controle van de vier geretourneerde eenheden uit drie bestellingen».

Voeg toe welke bevinding de actie zou veranderen en bewaar de vorige analyse. Verwijder geen onbekenden en verander het cohort niet voor mooiere cijfers. Kies na bewijs een beperkte proef en vergelijk later even volgroeide cohorten. Bereken economische effecten afzonderlijk met de margecalculator: deze percentages meten geen winst.