Intelligence artificielle L’IA pour gérer les retours du commerce en ligne
S’il est impossible d’éviter les retours dans le commerce en ligne, l’intelligence artificielle (IA) aide à les réduire nettement et à les gérer plus efficacement. La prévision des retours avec l’apprentissage automatique permet d’initier toutes sortes de mesures organisationnelles et stratégiques.
Les achats en ligne sont très populaires auprès de nombreux consommateurs. Cependant, en moyenne une commande sur six est retournée. Le taux de retours est particulièrement élevé dans le domaine de la mode et des accessoires. Près de 40% de toutes les commandes passées dans ce secteur sont en partie ou complètement retournées au commerçant en ligne (EHI Retail Institute, 2019). Un taux de retours si élevé se traduit par des coûts exorbitants et ne s’accorde pas avec nos efforts pour plus de durabilité. Naturellement, toute approche nouvelle, et s’appuyant notamment sur la technologie, qui vise à réduire le taux de retours est la bienvenue.
Prévoir les retours à l’aide de l’intelligence artificielle
Une chose est certaine: malgré les grands espoirs que suscitent les nombreuses applications de l’intelligence artificielle (IA), l’introduction de cette technologie innovante ne pourra pas résoudre complètement le problème des retours. Des exemples pratiques (p. ex. Westphalia DataLab, 2020) prouvent toutefois que les solutions basées sur l’IA aident à réduire les taux de retours de manière significative et à gagner en efficacité dans l’entreprise. L’une des approches prometteuses est fondée sur les prévisions de retours au moyen de l’apprentissage automatique. Des algorithmes spéciaux sont développés sur la base des données d’historique et apprennent à chaque nouveau retour. Ces données sont composées des chiffres de l’historique des ventes et des retours mais également d’autres sources, comme des informations sur les caractéristiques de la clientèle (p. ex. âge, lieu de domicile, comportement en matière de retours), des détails sur son panier d’achats (p. ex. montants de commandes, références de rabais, nombre d’articles identiques en différentes tailles) et des données externes (p. ex. météo, vacances et jours fériés). Les méthodes d’apprentissage automatique sont non seulement capables d’établir des prévisions à l’aide de ces données, mais également d’identifier les facteurs de retours notables, et donc de dire dans quelles circonstances les articles sont retournés particulièrement souvent.
Exploiter au mieux les prévisions de retours basées sur l’IA
En se basant sur les prévisions de retours précises, les ressources et les processus liés au traitement opérationnel des retours peuvent être mieux planifiés et des gains en efficacité réalisés. Par exemple, le personnel de l’entrepôt, qui peut souvent être augmenté ou réduit de manière flexible par des sociétés de recrutement, peut être organisé de manière optimale. Une planification adaptée de l’affectation du personnel permet d’éviter un surplus de personnel dans les entrepôts et augmente la satisfaction de la clientèle, qui pourra s’attendre à un traitement rapide des retours, et ainsi à un remboursement tout aussi prompt. Grâce aux informations obtenues sur les facteurs de retours, il est possible d’introduire des mesures préventives afin de réduire le taux de retours. Par exemple, les descriptions incorrectes des tailles de vêtements peuvent être corrigées, les interdépendances entre les produits dans la boutique en ligne peuvent être marquées de manière adéquate et des approches de conseil d’achat numérique personnalisé peuvent être développées. Les possibilités de créer une valeur ajoutée réelle avec l’IA sont nombreuses, il suffit d’avoir assez de courage pour se lancer dans l’aventure.
- EHI Retail Institute, 2019: Studie zu Versand- und Retourenmanagement im E-CommerceTarget not accessible
- Westphalia DataLab, 2020: Success Story – P&C Bestell- und RetourenprognoseTarget not accessible
- Intelligence artificielle: machines pensantesTarget not accessible
- Traitement des adresses: gain de temps et d’argentTarget not accessible
((commentsAmount)) Commentaires