退貨率，顧名思義就是已經發出去的訂單被客戶申請退回的比率，由于退貨率會影響店鋪的評分、庫存，以及寶貝的搜索等。因此，退貨率也成為分析店鋪運營狀況的數據之一。那么退貨率的數據如何統計？

退貨率從何而來

       什么情況才算是退貨？從來源看，一般需要將下列計算都納入退貨率的來源中，否則會造成數據缺失和不準確，可大致分為三種：

未發貨取消：訂單被客戶拍下后還未發貨就申請退款，以淘寶后臺數據為準；

實物寄回：訂單已經被發貨后，客戶申請退款或換貨而導致的退貨，實物一般會被寄回，以倉庫收到的包裹數據為準；

實物未寄回：訂單被發貨后，因為產品損壞等造成不可再售情況，而導致的產品無法寄回，客戶直接被退款，或經過售后努力客戶接受不退貨而退部分款的補償，以退款記錄數據為準。

看數據，你超標了嗎

退貨率=退貨訂單數/總訂單數

以上是計算退貨率的一般公式，但一般來說退貨相對于銷售數據有一定的滯后性，訂單在被客戶收貨后2周之內都可能發生相應的退貨行為。而按類目的不同情況也會有所不一樣，女裝一般為一周，而化妝品一般為三周到一個月之內均有可能。若想絕對準確，則相對較為復雜，例如統計三月份的退貨率，則需要：

統計三月份所有的訂單量；

4月底的時候統計因為三月份的訂單導致的所有退貨數；

將二者相除，得出一個正確的數字A。

但是，由于統計分析是為運營做支撐，按照上述的方式會導致統計復雜、結果得出會有滯后性，很難起到該有的作用效果。因此，一般來說按照這樣的算法簡單代替，還是以統計三個月的退貨率為例：

統計三月份所有的訂單量；

統計在三月份發生的退貨數；

將二者相除，得出一個相對正確的數字B。

由于統計時間越長，B與A之間的誤差會越小，所以一般退貨率分析都至少以月為單位，周的話意義不是很大。以一家女裝類目的店鋪數據為例：

女裝類目的平均退貨率為12.5%左右，可以看出該店18.9%的退貨率在女裝類目中較高。當然，僅僅知道退貨率較高不夠，還得了解哪里出了問題，這就需要更細致的統計和數據。

追根究底找問題

按照買家的購買流程，可以大致將其分為這樣幾個步驟：

從上述流程中可以看出，如果買家最終發生退貨，除了產品本身的原因外，一般都是由于上述幾個環節出了問題。賣家可以將不同的部門分別產品的退貨區分開來，將對分析起到很大幫助。

但由于每個部門涉及到的工作內容太多，若僅僅是給出一個部門統計，除了考核這幾個部門主管的績效外，對解決最終問題起到的作用還是有限。并且由于售后人員在接到客戶投訴和解決客戶問題的時候，很難籠統的將這個問題歸結于哪一個環節和哪一個部門，這樣，就需要有一套更細致的退貨原因分析和歸類。

由于不同類目的退貨原因會有所差別，如服裝類目較多的是因為尺碼、顏色等誤差，而化妝品類目則更多的是使用過敏、香味、真假貨等，故很難有一套放在任何店鋪都適用的退貨原因表。因此，賣家在分析店鋪退貨率的時候，不妨進行如下的分工，這樣更簡單明了：

第一，首先將退貨原因分為大類，按照產品從拍下到最終收到分為發貨問題、物流問題和產品問題這三類。

第二，每一大類下面，根據原因的不同，再規劃出問題的小類，如發貨問題下可以分為：產品缺貨、客戶無理由退貨、活動價格變更等。

第三，每一個小類均以現象命名，保證類與類之間不會重疊，不會出現有一個退貨即屬于小類A又屬于小類B的現象。

第四，每一個小類均只有一個負責部門，不會出現一個小類原因造成的退貨即可能是部門A造成的也可能是部門B造成的。

第五，需要給售后客戶做相關的培訓或購買相應的系統工具以助他們方便快捷的記錄和登記問題。