Sık İade Edenlerin Kohort Analizi

Aylık birkaç bin siparişi aşan her mağaza er ya da geç aynı rahatsız edici gerçekle karşılaşır: müşterilerin küçük bir dilimi, iadelerin orantısız derecede büyük bir kısmından sorumludur. İçgüdüsel tepki, herkesi eşit şekilde cezalandıran genel bir politika belirlemektir — daha kısa iade süreleri, stoklama ücretleri, hesap engelleri. Ama sezonda bir kez elbisesini doğru bedenle değiştiren en iyi müşterinizi, beş beden sipariş edip bir tanesini tutan kronik bir 'dolap kullanıcısı' ile aynı kefeye koymak, her iki uçta da gelir kaybettiren stratejik bir hatadır. Çözüm daha sert bir politika değil, daha iyi bir mercektir: kohort analizi.

Kohort analizi, müşterileri ortak özelliklere göre gruplandırır — kayıt ayı, ilk satın alma kategorisi veya zaman içindeki iade davranışı — ve her grubun alışkanlıklarının nasıl geliştiğini takip eder. İadelere uygulandığında, korkutucu tek bir sayıyı ('%18 iade oranı') gerçekte bu sayıyı kimin sürüklediğinin ve her grup için ne yapılması gerektiğinin haritasına dönüştürür. Bu, seri iadeci segmentasyonu konusundaki yazımızın doğal bir sonraki adımıdır: segmentasyon size bugün kimin aykırı değer olduğunu söyler, kohort analizi ise aykırı davranışın müşteri yaşam döngüsü boyunca nasıl oluştuğunu, sürdüğünü veya azaldığını gösterir.

Ortalama iade oranı size neden yanlış söylüyor

Harmanlanmış bir iade oranı, çarpık bir dağılımı gizleyen bir ortalamadır. Perakende iade araştırmaları, giyim ve ayakkabı kategorilerinde belgelenen bir kalıp olarak, alışveriş yapanların bir azınlığının iade hacminin ve değerinin çoğunluğunu oluşturduğunu tutarlı biçimde ortaya koyuyor — bu kalıp sektörel iade davranışı araştırmalarında belgelenmiştir. Mağazalar harmanlanmış ortalamaya tepki olarak herkes için politikayı sıkılaştırdığında, nadiren ve bilinçli iade yapan müşterilerin %80'inde sadakati besleyen bedeni değiştirme işlemlerini bastırırken, sistematik olarak iade yapan %5'in ekonomisine neredeyse hiç dokunmazlar.

Bu, kohort tabanlı politikanın temel gerekçesidir: toplu metrikler sizi tek tip kurallara iter, ama alttaki nüfus tek tip değildir. Kohort analizi, tek bir gösterge panosu rakamının yok ettiği ayrıntı düzeyini geri getirir.

İadeci kohortları oluşturmak: önemli olan üç eksen

İade edenleri birçok şekilde dilimleyebilirsiniz, ancak Shopify, Ticimax veya ikas vitrinlerinde çalışan mağazalar için tutarlı biçimde işe yarayan gruplar üreten üç eksen vardır.

• Edinim kohortu — müşterileri ilk satın aldıkları ay veya kampanyaya göre gruplandırarak, ücretli bir kanalın veya promosyonun sessizce yüksek iadeli alıcılar topluyor olup olmadığını görün.
• Davranış kohortu — iade kalıbı türüne göre gruplandırılır: tekil beden değişimi, 'parantezleyici' (birden fazla beden/renk sipariş edip bir tanesini tutan), 'dolap kullanıcısı' (giyip iade eden) ve alışkanlık haline gelmiş tam sepet iadecisi.
• Yaşam döngüsü kohortu — 1. sipariş, 5. sipariş, 20. sipariş boyunca iade davranışının nasıl değiştiğine göre gruplandırılır; bu, iade etmenin bir aşama mı (mağazanızın beden sistemini öğrenirken ilk üç siparişte yaygın) yoksa kalıcı bir özellik mi olduğunu ortaya çıkarır.

Yaşam döngüsü ekseni, mağazaların en sık atladığı ekseninin yanı sıra en yüksek getiriye sahip olanıdır. İlk iki siparişinde iade yapan ama o zamandan beri yapmayan bir müşteri risk değildir — beden kalibrasyonu yapıyordu. İade oranı 15. siparişe kadar %60'ta sabit kalan bir müşteri ise yapısal bir kalıptır ve politika bu iki müşteriye farklı davranmalıdır.

Basit bir kohort tablosu

Rakamlar kategoriye ve mağazaya göre değişecektir, ama şekil aynı kalır: iadecilerin kabaca üçte biri olan alt iki kohort, tipik olarak iade değerinin yarısından fazlasını oluşturur. Politika motorunuzun gerçekten hedeflemesi gereken grup budur — tüm müşteri tabanınız değil.

Kohortlardan puanlanmış, dinamik politikaya

Kohortlar betimleyicidir; puanlama ise onları operasyonel hale getirir. Kohortlarınızın şeklini bildikten sonra bir sonraki adım, seri iadeci puanlaması rehberimizde ele aldığımız gibi her müşteriye her siparişte güncellenen canlı bir risk puanı atamaktır. Kohort size popülasyon düzeyindeki kalıbı gösterir; puan ise belirli bir müşterinin şu anda bu kalıbın neresinde durduğunu gösterir, böylece politika esneyebilir — sadık, düşük iadeli bir müşteriye ücretsiz değişim, puanı alışkanlık haline gelmiş iadeci bölgesine geçen birine ise stoklama ücreti veya yalnızca mağaza kredisi ile iade.

Amaç daha az iade değil. Amaç, sadakat yaratmayan iadelerin daha azı.

Kohortları ResReturn'de operasyonel hale getirmek

Pratikte kohort analizi ancak iade akışının kendisine bağlıysa, üç aylık bir tabloda beklemiyorsa karşılığını verir. Bu, sürekli çalışan üç şey anlamına gelir:

1. 1Her iade olayını, sadece kayıt anındaki değil, iade anındaki kohort ve yaşam döngüsü aşamasıyla etiketleyin.
2. 2Kohort üyeliğini politika motoruna besleyin, böylece değişim teşvikleri, stoklama ücretleri ve inceleme tetikleyicileri kohorta göre otomatik ayarlanır.
3. 3Kohort geçişlerini ayda bir gözden geçirin — 'ara sıra beden değiştiren'den 'sık parantezleyici'ye geçen müşteriler, harmanlanmış iade oranındaki bir sıçramada görünmeden çok önce en erken uyarı sinyalinizdir.

Kohort analizi burada kayıp önlemenin ötesinde de karşılığını verir. İade deneyiminin kalitesi, tekrar satın alma davranışını doğrudan şekillendirir ve bir iadenin nasıl ele alındığı ile uzun vadeli müşteri değeri arasındaki bağlantı iyi belgelenmiştir — bkz. iade deneyimi ve müşteri yaşam boyu değeri üzerine derinlemesine yazımız. Kohortlar, en iyi iade deneyiminizi — anında değişim, ücretsiz kargo, sürtünmesizlik — tam olarak sadakat kazandıran yere yatırmanızı ve daha sıkı kontrolleri işe yaramadığı kohorta ayırmanızı sağlar. Bunu iyi yöneten mağazalar, McKinsey gibi firmaların perakende iade ekonomisi üzerine araştırmalarında da izlendiği gibi, iadeleri minimize edilecek tek bir kalem yerine segmentli bir maliyet-ve-sadakat kaldıracı olarak ele alır.

İadeci kohortları oluştururken yapılan yaygın hatalar

• Kohortta geçirilen süre yerine sipariş sayısını kullanmak — 18 ayda 20 siparişi olan bir müşteri, üç ayda 20 siparişi olandan farklı davranır.
• Kategori bağlamını göz ardı etmek — mayoda %25 iade oranı, elektronik aksesuarlarında %25 ile aynı sinyal değildir.
• Çok nadir yeniden puanlama — üç aylık kohort yenilemeleri, en önemli olan 'ara sıra'dan 'alışkanlık haline'ye kayışın erken belirtilerini kaçırır.
• Bireyler yerine kohortları cezalandırmak — kötü bir kampanya karışımı yüzünden tüm bir edinim kohortunu engellemek, o kanaldan kazanılmış iyi müşterileri de cezalandırır.

Son madde özellikle büyüme ekipleri için önemlidir: belirli bir kampanya veya influencer ortaklığı yüksek iadeli bir edinim kohortu kazandırıyorsa, çözüm yukarı akışta olmalıdır (açılış sayfasında daha iyi beden rehberliği, daha net ürün görselleri), o reklama tıklayan herkes için cezalandırıcı bir iade politikası değil.

Bu çeyrekte başlamak

Başlamak için bir veri bilimi ekibine ihtiyacınız yok. On iki aylık sipariş ve iade verisini dışa aktarın, müşterileri iade sayısı ve tutulan ürün oranını kullanarak yukarıdaki üç davranış kohortuna ayırın ve iade değerinin nerede yoğunlaştığını kontrol edin. Çoğu mağaza, tablonun tek bir öğleden sonralık analizle netleştiğini görür ve ardından gelen politika değişiklikleri — iyi kohortlar için hedefli teşvikler, kötü kohortlar için hedefli sürtünme — tipik olarak bir ila iki çeyrek içinde genel politika değişikliklerini geride bırakır.