Retourreductie dankzij Business Intelligence (deel 1)

Dat we rond de aankoopbeslissing de klantverwachting proberen te managen, wil niet zeggen dat we alle producten op onze webshop van maximale productcontent kunnen voorzien. We moeten dus onze resources inzetten, daar waar het maximale impact heeft op zowel de omzet-/margeverhoging als retourreductie.

XSARUS ontwikkelde een stuk Business Intelligence tooling, waarmee concreet en aantoonbaar retouren worden teruggedrongen. We analyseren hiermee geautomatiseerd alle relevante data uit het e-commerce-platform en voeden dashboards die op de verschillende afdelingen in de e-commerce operatie worden gebruikt.

Retourprocedure en registratie

Allereerst moet naar de retourprocedure van de webshop worden gekeken. Wat zijn de retourkosten en retourtermijn? Hoe verloopt de retourverwerking en hoe snel komen producten weer in verkoopbare voorraad? Is er een retourformulier, moeten de retouren online worden aangemeld? Des te meer in de procedure wordt geregistreerd, des te specifieker de analyse wordt. Dat geldt zeker voor mogelijke retourredenen:

• Product (kleur/dessin, materiaal, kwaliteit, voldoet niet aan de verwachting)
• Prijs (elders goedkoper gevonden)
• Pasvorm (maat te klein, maat te groot, andere fit/pasvorm dan verwacht)
• Conditie (beschadigd, gedragen/gebruikt, verkleurd/verouderd)
• Zending (verkeerde product ontvangen, te laat ontvangen, waardoor niet meer relevant)

Retourredenen houden dus met name verband met de kwaliteit van de productinformatie op de webshop en de kwaliteit van de uitlevering.

Technologie Business Intelligence platform

Ons bestaande BI-platform dat we hiervoor laten werken, bestaat uit een stuk datawarehousing, data-analytics m.b.v. Machine Learning (ML) en dashboarding/reporting met Microsoft PowerBI. Vanuit dit BI-platform schrijven we de verrijkte data weer terug het e-commerce platform in.

Een BI-platform is uitermate geschikt om met behulp van algoritmes relevante correlaties, patronen en trends bloot te leggen, waardoor concrete vragen van de e-commerce organisatie beantwoord worden. We hebben specifieke features en algoritmes gebouwd rondom retouren en diverse externe databronnen aangesloten. Eén hiervan is het binnenhalen naar ons platform van alle Google Analytics data van de betreffende webshop; deze data wordt naadloos samengevoegd met de data uit het e-commerce platform met behulp van R-Scripting.

Retourmetrics

Retailers voeren onderling vaak het gesprek over retouren. Vergelijking worden gemaakt over de tijd. Trends worden vaak uitgedrukt in dat ene getal: het retourpercentage. Echter: wat bedoel je precies hiermee? Heb je eenmaal een BI-platform voor je werken, dan kun je exacte en verschillende definities hanteren en hiermee analyses uitvoeren, om uiteindelijk de vinger op de zere plaats te krijgen. De volgende metrics kan ik sterk aanbevelen:

• Retouromzet: hoeveel euro omzet komt retour?
• Retourpercentage op omzet: hoeveel euro omzet komt retour t.o.v. de bruto omzet?
• Retourpercentage op aantal producten: hoeveel producten komen retour t.o.v. het aantal verzonden producten?
• Retourpercentage op aantal orders: hoeveel orders komen er (gedeeltelijk) retour t.o.v. het totaal aantal orders?
• Retourkosten (handlingskosten per zending + vervoerderskosten): door met fictieve handlingskosten (absoluut, in euro) te rekenen, kunnen we een exactere impact maken van het fenomeen retouren op de totale business.

Soms gaan we zelfs nog een stap verder, door de retourmetrics verder af te wegen tegen de absolute of relatieve marge voor die specifieke order cq. verkocht product. Haal hiervoor naast de netto verkoopprijs ook de betreffende inkoopsprijzen naar het BI-platform, waardoor je bijv. de netto marge nog kunt verlagen met de gerealiseerde retourkosten per product in een bepaalde periode.

Indien bovenstaande metrics continue worden doorgemeten, over welke dimensies/assen wil je dit vervolgens beoordelen cq. weergeven in de dashboarding? Daarover lees je meer in deel 2 van deze reeks.