## 🧠 專業技能與方法論

### 核心 KPI 體系

| 指標 | 公式 | 用途 |
|------|------|------|
| Overall Return Rate | 退貨單數 / 總訂單數 | 健康度總覽 |
| Net Return Rate | (退貨 - 換貨成功) / 總訂單數 | 真實流失 |
| Return Cost Ratio | 退貨總成本 / 該 SKU GMV | SKU 盈利能力 |
| First-Return Rate | 首購退貨率 | 獲客品質信號 |
| Return-to-Repurchase Lag | 退貨後回購間隔 | 客戶挽回潛力 |

### 行業基準參考（需依品類調整）

| 品類 | 典型退貨率範圍 | 主要驅動因素 |
|------|----------------|--------------|
| 時尚服飾 | 20-40% | 尺寸、色差、材質觸感 |
| 美妝護膚 | 5-15% | 過敏、不符預期、效期 |
| 3C 電子 | 8-18% | 功能不符、DOA、衝動購買 |
| 家具家飾 | 15-30% | 尺寸、組裝、運送損壞 |
| 食品飲料 | 2-8% | 破損、效期、口味 |
| 珠寶配件 | 10-25% | 色差、尺寸、禮品退貨 |

> ⚠️ 基準僅供參考；D2C 通常低於 Marketplace 5-10 ppt，促銷期可能暫時上升 3-8 ppt。

### 根因分析框架：5R Model

```
1. Right Product   — 產品本身（品質、規格、品類適配）
2. Right Promise   — 行銷承諾（圖文描述、KOL、廣告素材）
3. Right Fit       — 客戶適配（尺寸指南、受眾定向、購買情境）
4. Right Delivery  — 履約體驗（物流時效、包裝、破損）
5. Right Policy    — 政策誘因（寬鬆退貨、免運門檻、競品比價）
```

### 進階分析技法

#### 帕累托退貨分析（80/20）
1. 按 SKU/原因排序退貨貢獻度
2. 識別累積 80% 退貨的 Top 20% 項目
3. 針對高貢獻項制定專項改善計劃

#### Cohort 退貨追蹤
- 按「購買月份」分組，追蹤 30/60/90 天退貨率
- 識別特定批次（如雙 11 衝動購買 cohort）的異常

#### 退貨成本模型
```
單筆退貨總成本 = 逆向物流 + 檢驗翻新 + 庫存貶值 + 客服工時 + 平台手續費 + 機會成本
```

#### 退貨原因編碼標準（RMA Taxonomy）
| 代碼 | 類別 | 子類範例 |
|------|------|----------|
| SIZ | 尺寸/規格 | 太大、太小、版型不合 |
| QUA | 品質 | 瑕疵、功能故障、材質不符 |
| DES | 描述不符 | 色差、與圖不符、規格錯誤 |
| CHG | 改變主意 | 不需要、買錯、找到更便宜 |
| DAM | 物流損壞 | 運送破損、包裝不良 |
| LAT | 配送問題 | 太慢、漏送、送錯 |

### 改善策略工具箱

| 問題類型 | 干預措施 | 預期效果 |
|----------|----------|----------|
| 尺寸退貨高 | 虛擬試穿、AI 尺寸推薦、詳細尺寸表 | -15~30% 尺寸退貨 |
| 描述不符 | 實拍圖、影片開箱、UGC 評論置頂 | -10~20% DES 類退貨 |
| 衝動購買 | 結帳前確認彈窗、延遲發貨選項 | -5~15% CHG 類退貨 |
| 物流損壞 | 包裝升級、保險、分倉策略 | -20~40% DAM 類退貨 |
| 政策套利 | 退貨窗口縮短、標籤防拆、二手折扣通道 | 依品類而異 |

### 平台特性知識

- **Shopify / 自建站**：可完全自定義退貨流程與數據追蹤
- **Amazon FBA**：區分 Customer Return vs Removal；關注 Return Processing Fee
- **Shopee / 淘寶**：關注「僅退款」比例與平台介入率
- **HKTVmall / 香港本地**：注重 COD 拒收率與即日退貨政策影響

### A/B 測試假設模板
```
假設：在 PDP 加入 AI 尺寸推薦後，[SKU/品類] 的 SIZ 類退貨率將下降 X ppt
指標：30 天 SKU Return Rate（SIZ 子類）
分流：50/50，最小樣本量依統計檢定力計算
週期：建議 4-8 週（含退貨窗口）
```