Il tasso di reso non è un problema logistico. È un problema di dati.
La maggior parte degli e-commerce conosce il tasso aggregato dei resi. Quasi nessuno sa perché li riceve. La differenza tra i due approcci vale margini.
Il tasso medio di reso nell'e-commerce si aggira tra il 20% e il 30%.
In Italia, il dato medio sulle spedizioni è più contenuto, intorno al 5.9%, ma sale all'11.3% per abbigliamento e sport e all'7.9% per elettronica.
La differenza tra i mercati più maturi segnala la direzione di marcia: in Germania il tasso di reso sfiora il 60%, e in Italia è prevista una crescita nei prossimi anni. (Osservatori.net)
La maggior parte dei team e-commerce gestisce il reso come un costo fisso da minimizzare operativamente: processi di reverse logistics più veloci, policy più chiare, packaging migliore. Sono interventi utili, ma agiscono sugli effetti. Chi riduce strutturalmente il tasso di reso parte da un'altra domanda: perché i clienti restituiscono quel prodotto specifico, comprato in quel modo, da quel canale?
La risposta è nei dati che ogni e-commerce già possiede.
Perché il tasso aggregato non serve a nulla
Un tasso di reso del 12% è un numero. Non dice qual è il problema: se riguarda tre SKU difettosi, un segmento di clienti che pratica bracketing sistematico, un canale di traffico che porta utenti con aspettative sbagliate, o una scheda prodotto con fotografie che non corrispondono alla realtà.
Trattare il 12% come un dato omogeneo porta a interventi generici: si migliora la logistica, si irrigidisce la policy, si abbassa la velocità di rimborso. Nessuna di queste azioni tocca la causa.
Per toccare la causa bisogna scomporre il tasso aggregato nelle sue componenti e capire dove si concentra il problema.
I quattro driver principali e come trovarli nei dati
Il primo è l'aspettativa disattesa sul prodotto. Si manifesta come correlazione tra alto tasso di reso e traffico proveniente da campagne paid specifiche, da marketplace, o da schede prodotto con bassa qualità fotografica. Se una variante colore restituisce il doppio delle altre, il problema è quasi sempre visivo.
Il secondo è il comportamento di acquisto multiplo, il bracketing. È identificabile incrociando ordini e resi per cliente: chi ordina 3 taglie dello stesso articolo e ne restituisce 2 non è un cliente insoddisfatto, è un cliente che usa il magazzino del merchant come camerino. Il pattern è riconoscibile e si presta a interventi di policy mirati.
Il terzo è la difettosità. Si manifesta come cluster di resi su SKU specifici o su lotti di produzione ravvicinati. Se il tasso di reso di una referenza sale bruscamente in un periodo limitato, la causa è quasi sempre produttiva.
Il quarto è l'errore logistico: prodotto sbagliato spedito, prodotto danneggiato. È il più semplice da identificare perché il motivo dichiarato nel form di reso è preciso. È anche il più semplice da correggere.
Come costruire un'analisi dei resi: le variabili da incrociare
Un'analisi di base richiede quattro variabili che ogni piattaforma e-commerce già registra: SKU o variante del prodotto restituito, canale di acquisizione dell'ordine, profilo del cliente (storico ordini e resi precedenti), motivo dichiarato del reso.
Incrociando queste variabili si ottengono risposte concrete. Tre esempi:
Tasso di reso per SKU e categoria rivela quali prodotti hanno un problema strutturale di descrizione o qualità.
Tasso di reso per canale di acquisizione rivela se il problema è comunicativo: un cliente arrivato da un'inserzione che mostra il prodotto in modo non fedele ritornerà più spesso di uno arrivato da ricerca organica.
Segmentazione per profilo cliente permette di distinguere i restituitori abituali da chi restituisce per la prima volta, e di calibrare le policy di conseguenza.
Il motivo dichiarato nel form di reso è un dato imperfetto ma utile. Non è sempre veritiero: molti clienti scelgono la motivazione più conveniente per ottenere il rimborso più rapido. Ma confrontato con i dati comportamentali, aiuta a separare i resi evitabili da quelli strutturali.
Dalla diagnosi all'intervento: tre leve operative
Una volta identificata la concentrazione del problema, le leve di intervento sono precise.
Se il problema è la scheda prodotto, l'intervento è editoriale: più foto, guide alle taglie con misure reali, video del prodotto indossato. Il 66% degli acquirenti che interagisce con la realtà aumentata durante il processo di acquisto è meno propenso a restituire i prodotti. La AR è ancora una soluzione di nicchia, ma il principio si applica a qualsiasi tecnologia che riduca il gap tra aspettativa e realtà. (ZeroUno)
Se il problema è il bracketing, l'intervento è di policy: soglie sul numero di taglie diverse ordinabili in un singolo ordine, fee di reso per i clienti con storico di resi elevato, incentivi allo scambio invece che al rimborso. Questi interventi vanno calibrati per non penalizzare chi restituisce per cause legittime.
Se il problema è la difettosità, l'intervento è nella supply chain: identificazione del lotto problematico prima che generi resi a cascata, alert automatico quando il tasso di reso di uno SKU supera una soglia definita nel periodo di riferimento.
Cosa serve per iniziare
Non serve una piattaforma dedicata. Bastano i dati di esportazione dal proprio sistema di gestione ordini, un foglio di calcolo strutturato, e la disciplina di analizzare il tasso di reso per SKU e per canale ogni mese con costanza.
Il report minimo utile ha tre colonne: tasso di reso per SKU nel periodo, variazione rispetto al periodo precedente, motivo prevalente dichiarato. Questo è sufficiente per identificare i casi anomali e prioritizzare gli interventi.
Quando il volume di resi supera le centinaia di unità mensili e l'analisi manuale diventa troppo lenta, ha senso valutare strumenti dedicati alla gestione della reverse logistics con funzioni analitiche integrate. Ma il punto di partenza non è lo strumento: è la domanda giusta. Non "come gestiamo meglio i resi" ma "perché li riceviamo".