Análisis de tasa de devoluciones en e-commerce

Una vez que ya tenés claras las preguntas de negocio, el paso que sigue es fijar una sola métrica. Antes de ponerte a comparar períodos o canales, definí una única regla de medición y sostenela en el tiempo.

Si cambiás la forma de medir a mitad de camino, los datos se mezclan y las comparaciones dejan de servir. Es como usar una balanza distinta cada semana: vas a tener números, sí, pero no una lectura clara.

Fórmulas de tasa de devoluciones: unidades, órdenes y valor

Hay tres formas principales de calcular la tasa de devoluciones, y cada una sirve para tomar decisiones distintas:

En la práctica, no da lo mismo elegir una u otra. Medir por unidades te ayuda a detectar productos con más fricción. Medir por órdenes te muestra mejor lo que pasa en la operación. Y medir por valor pone el foco en la plata: cuánto pesan esas devoluciones sobre la facturación bruta.

Qué incluir y qué excluir del cálculo

Incluí solo pedidos entregados y devueltos después de la compra. Ese recorte evita mezclar situaciones distintas dentro del mismo número.

Las devoluciones parciales no son una categoría aparte, sino un subsegmento dentro de las devoluciones. En cambio, conviene excluir:

• Cancelaciones previas al envío
• Rechazos de entrega
• Reclamos de garantía

Esos casos se tienen que medir por separado, porque responden a problemas distintos y, si los juntás, terminás ensuciando la tasa.

Ventanas de tiempo: mensual, ventana móvil de 60 o 90 días y cohortes de compra

La ventana de tiempo cambia por completo la lectura. La tasa mensual sirve para reportes operativos, pero tiene una trampa: la devolución puede registrarse en un mes distinto al de la venta.

Por eso, una ventana móvil de 60 o 90 días suele dar una lectura más pareja y estable para comparar períodos. Suaviza esa distorsión y evita sacar conclusiones apuradas por un simple corrimiento de fechas.

El análisis por cohorte de compra agrupa las órdenes según la fecha de compra y mide cuántas se devuelven dentro de un plazo fijo. Si querés comparar devoluciones reales por compra, esta es la opción más precisa.

Con esta definición cerrada, el paso siguiente es armar la base de datos y validar la calidad de cada evento.

2. Armá el dataset: fuentes, campos y controles de calidad

Si querés medir devoluciones por producto, categoría, canal y motivo, necesitás juntar órdenes, devoluciones, reembolsos, inventario y soporte en una sola base. Ese es el piso. Si la base está sucia o mal armada, el análisis sale torcido desde el arranque.

Las fuentes de datos que necesitás

Para detectar outliers por SKU, canal y motivo, la base tiene que conectar venta, devolución, reembolso y soporte. En la práctica, conviene unir estas fuentes:

El punto más delicado es la unión entre fuentes. Todas tienen que conectarse con claves únicas - ID de orden, ID de cliente y SKU - para poder mirar una misma devolución con contexto. Si esa unión falla, terminás con sistemas sueltos que no cuentan la historia completa: qué pasó, por qué pasó y cuánto costó.

Los campos mínimos por cada registro de devolución

Cada devolución debería guardar, como mínimo, estos campos: ID de devolución (RMA), ID de orden, ID de cliente, SKU, variante (talle, color), categoría, canal de venta, fecha de compra, fecha de solicitud de devolución, fecha de recepción, unidades ordenadas, unidades devueltas, motivo estandarizado, resolución, monto reembolsado (ARS) y destino del stock.

Con el monto reembolsado hay una regla simple: guardalo como número, mostralo como moneda. Por ejemplo, almacená 125000.50 y mostralo en reportes como $ 125.000,50. Esa separación evita errores de cálculo que después pegan de lleno en los tableros.

Hay dos campos que muchos equipos dejan afuera y más tarde extrañan:

• Destino del stock: si la unidad vuelve a stock vendible, va a outlet o se descarta.
• Resolución: si el caso terminó en reembolso, cambio o crédito.

Sin esos datos, el impacto sobre margen e inventario queda incompleto. Y ahí el análisis pierde fuerza.

Los problemas de datos que distorsionan la métrica

Hay errores que aparecen una y otra vez y arruinan la lectura de la tasa de devoluciones.

Los faltantes de reembolsos son un caso clásico: la devolución existe, pero el valor no aparece porque quedó solo en el gateway de pago. Una forma simple de detectarlo es comparar el conteo de eventos de devolución contra el conteo de reembolsos por mes.

La duplicación de registros también pega fuerte. A veces la misma devolución aparece en soporte y en RMA como si fueran dos eventos distintos. El resultado es obvio: la tasa se infla y las comparaciones entre períodos dejan de servir.

Después están los SKU y categorías inconsistentes. Si un mismo producto figura con nombres distintos según el sistema, los reportes por producto o categoría se rompen. Es como querer sumar peras con manzanas y esperar un número prolijo.

Y hay otro problema muy común: motivos escritos en texto libre sin normalizar. Frases como “no me quedó bien”, “talle incorrecto” y “no era mi talle” apuntan al mismo tema, pero en el reporte aparecen como causas separadas.

La salida más simple es armar una taxonomía corta de códigos de motivo - talle/fit, daño, producto distinto, error de fulfillment, arrepentimiento - y mapear todas las fuentes contra esa lista. El texto libre puede quedar como campo de apoyo, pero no debería ser el campo principal para reportar.

Cuando esos códigos ya están normalizados, la comparación entre productos y canales deja de mezclar causas diferentes. Recién ahí podés cruzar la tasa por SKU, categoría, canal y causa con una base firme.

3. Desagregá la tasa de devoluciones por producto, categoría, canal y motivo

Ahora sí: desagregá la tasa por SKU, categoría, canal y motivo. Una tasa agregada, por sí sola, dice poco. Lo que importa es ver qué productos la empujan, desde qué canal entran esas órdenes y por qué devuelve el cliente. El paso siguiente es ubicar dónde se concentra el desvío.

Análisis por producto y categoría: detectar los casos extremos

Tomá la industria como punto de referencia, pero definí prioridades según el desvío contra tu propia categoría. Para que el análisis no quede sesgado, filtrá los SKUs con menos de 50–100 unidades vendidas en una ventana móvil de 60–90 días. Y en indumentaria y calzado, sumá la estacionalidad, porque no es lo mismo leer datos de invierno que de media estación.

Cuando ya tenés volumen suficiente, ordená los SKUs dentro de cada categoría por tasa de devolución y por participación en el total de devoluciones. Los casos que mezclan tasa alta + volumen alto + margen afectado son los que de verdad piden atención.

Acá cada equipo mira algo distinto. Merchandising se mete en los motivos ligados a expectativa vs. producto real y talle. Operaciones pone el foco en daño y errores de fulfillment. Finanzas puede multiplicar las unidades devueltas por el margen unitario para estimar la pérdida por segmento. Después conviene cruzar ese ranking con canal y motivo para separar si el problema nace en el producto, en la adquisición o en la operación.

Análisis por canal: sitio propio, marketplaces y canales pagos

El canal cambia la forma de compra y, con eso, también cambia la tasa de devolución. El sitio propio, con contenido de producto más completo y políticas claras, suele tener tasas más bajas. En marketplaces, donde las fichas muchas veces son más genéricas o quedan incompletas, suele haber más devoluciones por expectativa vs. producto real. Y las campañas de descuento agresivas - liquidaciones, Hot Sale, CyberMonday - traen compradores con menor intención, que después devuelven por arrepentimiento.

Para entender esto, etiquetá cada orden con su canal de venta y su fuente de adquisición: sitio propio vs. marketplace, canales pagos vs. búsqueda vs. email vs. WhatsApp/Instagram. Podés aplicar estrategias de campañas en WhatsApp para mejorar la calidad del contacto inicial. Después calculá la tasa de devolución y la mezcla de motivos para cada combinación.

Si los canales pagos muestran más arrepentimiento, el problema puede estar en el targeting o en las creatividades. Si el marketplace concentra expectativa vs. producto real, la salida no pasa por mirar todo el catálogo: pasa por mejorar las imágenes y el contenido de esa ficha puntual.

Análisis de motivos: separar lo controlable de lo que no lo es

Normalizá los motivos en cinco buckets: talle/fit, expectativa vs. producto real, daño o defecto, errores de fulfillment y arrepentimiento. Los primeros cuatro suelen estar bajo control de la empresa. El quinto, bastante menos, aunque se puede bajar si evitás promociones que empujen compras impulsivas sin intención clara.

Los datos de la industria muestran que talle, fit y color explican alrededor del 45% de todas las devoluciones retail, y en moda online ese número puede llegar al 60–65%. En indumentaria y calzado, buena parte del problema se ataca desde el contenido del producto: guías de talles con medidas en centímetros, fotos con referencias de escala y notas de calce visibles en la ficha. Zalando, por ejemplo, reporta que sus recomendaciones de talle bajan 10% las devoluciones por talla en los productos donde se muestran.

Las conversaciones de WhatsApp e Instagram suman un contexto que los códigos solos no muestran. Ese desglose te da la base para cuantificar pérdida de margen y fricción de cliente. Con ese mapa, ya podés medir el impacto en ventas netas y margen.

4. Conectá las devoluciones con ventas, margen y experiencia de cliente

Con ese mapa de motivos y canales, el paso que sigue es simple: poner las devoluciones en pesos. Una tasa de 12% dice poco por sí sola. Empieza a importar de verdad cuando la traducís en reembolsos, envíos de ida y vuelta, inspección, reempaque y margen que se te va.

De ventas brutas a ingreso neto y pérdida de margen

El recorrido es bastante directo: ventas brutas → neto cobrado → margen bruto → costo de devolución → margen de contribución.

Y ojo: el costo real de una devolución no se limita al reembolso. También entran en juego:

• envío de ida y vuelta
• inspección
• reempaque
• comisiones que no recuperás
• pérdida por markdown o descarte, si el producto ya no se puede revender al precio original

En algunos análisis, gestionar una devolución puede comerse cerca del 66% del precio de venta cuando sumás shipping, mano de obra, depreciación y markdown. Dicho sin vueltas: por eso una sola devolución puede borrar la ganancia de dos o tres pedidos exitosos.

Por eso conviene rankear categorías por pérdida esperada de margen, no solo por tasa de devolución. A veces una categoría devuelve menos, pero pega más fuerte en la rentabilidad porque tiene ticket alto, logística inversa cara o porque revender exige descuento.

Ese mismo cruce también deja ver otra cosa: qué tan mal o qué tan bien se está resolviendo la devolución para el cliente.

Qué dicen el timing y las señales de soporte sobre la experiencia del cliente

El timing suele mostrar si el problema apareció antes o después de la entrega.

Las devoluciones dentro de los primeros 0–3 días después de la entrega suelen apuntar a problemas inmediatos: producto equivocado, embalaje dañado, faltantes, color distinto al de la foto o datos erróneos en la ficha.

Las devoluciones entre los 4–14 días suelen reflejar temas de talle, ajuste o expectativa. Son esos casos en los que el cliente recién detecta el problema al usar el producto.

Y las que llegan después de los más de 14 días suelen estar más ligadas a calidad, durabilidad o desempeño.

La clave está en cruzar ese timing con soporte, chats, reviews y encuestas postcompra. Ahí podés separar si el problema viene de producto, ficha, operación o entrega. Si empiezan a aparecer muchos reclamos como "no era lo que esperaba", "llegó dañado" o "más chico de lo que prometía la ficha" antes de que suban las devoluciones, la falla puede estar en cómo se muestra o describe el producto, no en la operación.

Si usás Burbuxa, etiquetá esas conversaciones y cruzalas con las devoluciones para encontrar patrones antes.

Con ese cruce ya no mirás solo cuánto se devuelve. Mirás qué impacto deja cada devolución. Y eso cambia bastante la lectura: una mala experiencia de devolución empuja la fuga, mientras que una devolución sin trabas ayuda a sostener la recompra. De hecho, el 71% de los consumidores afirma que una mala experiencia de devolución los llevaría a no volver a comprar con esa tienda, mientras que el 76% de los compradores que tuvieron una devolución sin fricciones dice que volvería a comprar. Ese análisis ya te deja bastante claro qué conviene corregir primero.

5. Priorizá acciones y evitá errores de reporting

Con la métrica y la base ya definidas, el paso que sigue es más simple de lo que parece: no dejar que el reporte te engañe y decidir qué problema atacar primero.

Los errores más comunes en el reporte de devoluciones

Un error muy común es mirar una tasa global y darla por buena. Eso tapa el problema de fondo. Lo correcto es segmentar por SKU, categoría y canal, e indicar siempre cuál es la base de cálculo.

También hay que dejar claro el denominador. No es lo mismo hablar de unidades, órdenes o valor en AR$, y tampoco da igual si la métrica es bruta o neta.

Otro punto clave: medí por cohortes de compra. Si usás mes calendario, el dato se deforma cuando la compra entra en un período y la devolución cae en otro.

Y ojo con esto, porque pasa seguido: no mezcles devoluciones, cambios y cancelaciones. Aunque desde afuera parezcan cosas parecidas, cada evento responde a una causa distinta.

Un modelo simple de priorización para equipos de producto y operaciones

Para ordenar bien el trabajo, priorizá por tasa, volumen, valor reembolsado y pérdida estimada de margen.

Con el reporte limpio, ya podés ver con claridad qué SKU, canal o proceso conviene atacar primero.

Conviene revisar esta tabla con cohortes de compra de 90 días y actualizarla todos los meses para evitar distorsiones por Hot Sale, CyberMonday y vacaciones de verano. El punto no es poner arriba lo que tiene más porcentaje. El punto es poner arriba lo que más margen destruye.

Ahí es donde el reporte deja de ser un archivo más y pasa a convertirse en una rutina mensual de trabajo.

Conclusión: el marco mínimo que todo equipo de e-commerce debería tener

Definí la métrica, estandarizá el dataset, segmentá, medí impacto en margen y priorizá con criterio de negocio. Bien calculadas, las devoluciones pueden consumir entre el 5% y el 15% del beneficio bruto cuando se contabilizan todos los costos asociados. Ese número alcanza para justificar un ritmo mensual de trabajo, con responsables claros en producto, operaciones, soporte y marketing, quienes pueden apoyarse en soluciones de automatización en lugar de llegar tarde con un reporte trimestral.

FAQs

¿Qué métrica me conviene usar?

La que mejor te sirve es la tasa de devolución por SKU y, después, por motivo de devolución. ¿Por qué? Porque te muestra el golpe real en productos puntuales, no un promedio que mezcla todo.

Medila con un enfoque de antes y después: compará 6 a 8 semanas previas con 4 a 6 semanas posteriores al cambio, siempre con tráfico y promos parecidas. Si no hacés esa comparación en condiciones similares, podés sacar una lectura floja.

Además, sumá estas dos miradas:

• Cambios vs. reembolsos
• Margen neto incremental o GMV neto = GMV × (1 - tasa de devolución)

Eso te da una foto mucho más clara de lo que está pasando: no solo si bajan las devoluciones, sino también si el negocio queda mejor parado.

¿Cómo evito distorsiones en la tasa?

Segmentá el análisis y centralizá la información. No te quedes solo con el total general: medí la tasa por SKU, motivo de devolución y categoría, y separá los reclamos por producto de los problemas logísticos.

Para medir el impacto real, usá el margen neto incremental: GMV × (1 – tasa de devolución). Si hacés pruebas de cambios, compará contra una línea de base de 6 a 8 semanas y mantené un segmento de control.

¿Qué devoluciones deberías atacar primero?

Priorizá las devoluciones que nacen en la ficha de producto. En indumentaria, ese tipo de problema suele explicar entre el 60% y el 70% de los casos. Por eso, el primer foco tiene que estar en los SKU que acumulan más del 10% de señales negativas en 30 días: frases como “talle chico”, “no es como en la foto” o “no sirve para el uso previsto” te muestran bastante claro dónde se rompe la experiencia.

El orden de ataque conviene que sea simple y directo: primero detectá patrones, después corregí la causa en la PDP y, por último, automatizá flujos de retención. Dicho de otro modo, no alcanza con mirar el síntoma. Si varios compradores repiten la misma queja, hay que ir a la página del producto y ajustar lo que haga falta: guía de talles, fotos, descripción, materiales, expectativas de uso o lo que esté generando el desajuste.

Medí el resultado con una meta concreta: bajar al menos un 20% la tasa de devolución, sin perder ritmo comercial. Idealmente, las ventas deberían mantenerse estables o seguir subiendo mientras cae la devolución. Ahí es cuando sabés que no solo tapaste el problema: lo corregiste sin frenar el negocio.