In questa pagina
Il tasso di reso da solo non dice quasi nulla sul perché un prodotto sia stato restituito. Una giacca restituita per danni di spedizione appare identica nella tua dashboard a una giacca restituita perché veste due taglie più piccola — finché non costruisci una metrica che distingua le due cose. Un fit score a livello di prodotto fa esattamente questo, e sta rapidamente diventando il metodo standard con cui i brand di moda in rapida crescita fanno il triage del proprio catalogo.
Cosa Misura Davvero un Fit Score di Prodotto
Il fit score è una metrica composita, non un singolo dato. Mentre il tasso di reso conta semplicemente le unità restituite, il fit score isola la quota di resi e cambi attribuibile alla taglia, poi la combina con segnali corroboranti affinché un singolo mese rumoroso non distorca il quadro.
Gli input principali sono:
- Tasso di reso codificato per taglia — resi etichettati "troppo piccolo", "troppo grande" o "non veste bene" come quota delle unità vendute
- Rapporto cambio/reso — un rapporto elevato di cambi taglia rispetto ai rimborsi suggerisce che il prodotto è desiderabile ma taglia male, un problema molto diverso da un prodotto che nessuno vuole
- Asimmetria taglia-acquisto — se le vendite si concentrano in modo anomalo agli estremi della curva delle taglie (un segnale che le taglie medie sono etichettate male)
- Sentiment del testo delle recensioni — menzioni di "veste piccolo", "veste grande", "taglia giusta" estratte dal testo delle recensioni
- Interazione con la guida taglie — quanto spesso gli acquirenti aprono la tabella taglie o il widget di raccomandazione fit prima di acquistare quello SKU
Nessuno di questi segnali è affidabile da solo. Un prodotto può avere un tasso di reso normale ma un sentiment delle recensioni terribile se chi ha tenuto un capo mal adattato semplicemente non si è preso la briga di restituirlo. Combinare i segnali è ciò che rende lo score predittivo anziché solo descrittivo.
Perché il Tasso di Reso Grezzo Fuorvia i Team Merchandising
Il tasso di reso è un indicatore ritardato e grossolano. Due SKU possono condividere un identico tasso di reso del 22% per ragioni completamente diverse — uno per difetti di qualità, l'altro per una tabella taglie sbagliata di un intero centimetro in vita. Trattarli allo stesso modo spreca lo sforzo di correzione sulla leva sbagliata.
Il tasso di reso grezzo è anche lento. Nel tempo necessario a spedire e ricevere indietro abbastanza unità da muovere l'indicatore del tasso di reso, un brand ha spesso già riordinato lo stesso taglio per la stagione successiva. Uno score composito costruito da segnali più precoci — picchi di interazione con la guida taglie, deriva del sentiment delle recensioni, pattern di richieste di cambio — può segnalare un problema mentre c'è ancora tempo per correggere il cartamodello prima della prossima produzione. È la stessa logica usata in le metriche che prevedono un prodotto ad alto tasso di reso, dove gli indicatori anticipatori superano costantemente quelli ritardati nel rilevare precocemente i problemi di taglia.
La ricerca in retail analytics lo conferma: i sistemi di scoring compositi e multi-segnale superano costantemente il monitoraggio a metrica singola nel rilevare problemi di qualità e fit a livello di prodotto prima che si aggravino, un pattern documentato nella ricerca sulle operazioni retail di società come McKinsey.
Costruire lo Score: Una Formula Pratica
Non serve un team di data science per iniziare. Un fit score v1 funzionante può essere costruito in un foglio di calcolo o in uno strumento interno leggero con quattro componenti pesati.
| Componente | Cosa cattura | Peso suggerito |
|---|---|---|
| Tasso di reso codificato per taglia | Prova diretta di fallimento del fit | 40% |
| Rapporto cambio/reso | Desiderabilità nonostante il problema di fit | 20% |
| Asimmetria taglia-acquisto | Anomalia di distribuzione vs norma di categoria | 20% |
| Sentiment recensioni (menzioni fit) | Conferma qualitativa | 20% |
Normalizza ogni componente su una scala 0-100 rispetto alla media del tuo catalogo, pesali e sommali, e ottieni un unico fit score per SKU. I prodotti con punteggio ben al di sotto della mediana di categoria sono la tua lista di triage — gli SKU dove una correzione della tabella taglie, foto fit aggiornate o un aggiustamento delle specifiche del capo muoverà l'ago più velocemente.
Impostare Soglie che Attivano Azioni
Uno score da solo non corregge nulla — serve una soglia che attivi un flusso di lavoro. La maggior parte dei merchant trova utili tre livelli:
- Verde (sopra 70) — nessuna azione, monitorare trimestralmente
- Giallo (40-70) — segnalare per revisione della tabella taglie e testo fit aggiornato
- Rosso (sotto 40) — rimuovere dalla promozione attiva, escalation a prodotto/design per revisione specifiche
I team che automatizzano questo triage — invece di rivedere gli score manualmente una volta a trimestre — colgono i problemi circa un'intera stagione di vendita prima, perché lo score si aggiorna continuamente man mano che arrivano nuovi ordini e recensioni.
Dallo Score alla Correzione: Chiudere il Ciclo
Un fit score è utile solo se alimenta un processo ripetibile. La prima tappa naturale per qualsiasi SKU che scende nel livello giallo o rosso è un audit della tabella taglie e della guida fit, seguendo lo stesso approccio di triage descritto in come individuare uno SKU con problemi di taglia. Da lì, la correzione di solito rientra in una di tre categorie: aggiornare la tabella taglie pubblicata, aggiungere o modificare le indicazioni di raccomandazione fit sulla scheda prodotto, oppure inoltrare il problema al team design/produzione per una revisione delle specifiche nella prossima produzione.
La versione più efficace di questo ciclo tratta i dati sui resi come un input di design, non solo un centro di costo del servizio clienti — un cambiamento approfondito in come trasformare i dati sui resi in prodotti che vestono meglio. I brand che chiudono questo ciclo sistematicamente tendono a vedere i tassi di reso legati al fit scendere entro una o due stagioni di correzioni coerenti guidate dallo score, invece della deriva pluriennale che si verifica quando i problemi di taglia vengono affrontati solo in modo reattivo.
Dati Necessari Prima di Iniziare
Costruire un fit score affidabile richiede che alcuni flussi di dati esistano già:
- Dati a livello di ordine collegati a taglia e motivo del reso
- Testo delle recensioni con ID prodotto, idealmente con etichettatura del sentiment fit
- Registrazioni dei cambi distinte dai rimborsi diretti
- Eventi di interazione con la guida taglie o lo strumento fit, se ne gestisci uno
Se manca qualcuno di questi elementi, inizia con quello che hai. Uno score costruito solo da dati sul motivo del reso e sentiment delle recensioni è comunque molto più utile del solo tasso di reso — potrai aggiungere il rapporto cambio e i segnali di interazione una volta che quei flussi esisteranno.
Errori Comuni nel Punteggio del Fit
L'errore più comune è dare il punteggio al livello di granularità sbagliato. Dare punteggio al livello del prodotto padre invece che al livello SKU/taglia nasconde il vero problema, poiché una giacca che veste bene in Medium ma piccola in Large mostrerà un punteggio fuorviante e moderato se mediato su tutte le taglie. Assegna il punteggio a livello di variante di taglia ovunque i tuoi dati lo permettano.
Il secondo errore è ignorare la dimensione del campione. Uno SKU con otto ordini totali e tre resi per taglia mostrerà un allarmante tasso di reso per taglia del 37,5% che statisticamente non significa quasi nulla. Imposta una soglia minima di ordini — la maggior parte dei merchant usa 30-50 unità vendute — prima di fidarti abbastanza di uno score da agire su di esso.
Il terzo errore è lasciare che lo score diventi obsoleto. I problemi di fit cambiano con i cambi di lotto di tessuto, i cambi di fabbrica e persino le tendenze stagionali del fit nelle aspettative dei clienti, quindi uno score calcolato una sola volta al lancio e mai aggiornato si disallineerà dalla realtà entro pochi mesi.
Domande Frequenti
Qual è la differenza tra un fit score e un tasso di reso?
Il tasso di reso conta tutti i resi indipendentemente dalla causa, mentre un fit score isola la quota legata alla taglia e la combina con segnali corroboranti come il rapporto cambio, l'asimmetria taglia-acquisto e il sentiment delle recensioni. Questo rende il fit score predittivo dei futuri problemi di taglia invece di essere solo un conteggio storico di ciò che è già successo.
Con quale frequenza va ricalcolato un fit score di prodotto?
La maggior parte dei merchant ricalcola settimanalmente o dopo ogni gruppo di nuovi ordini e recensioni, poiché i problemi di fit possono emergere rapidamente dopo un cambio di tessuto o fabbrica. Una cadenza mensile o trimestrale funziona per cataloghi a bassa velocità, ma qualsiasi cosa più lenta rischia di far perdere un problema prima che influisca su un'intera produzione.
Un fit score può funzionare senza dati di interazione con la guida taglie?
Sì. Una prima versione utilizzabile può essere costruita solo da codici del motivo di reso e sentiment del testo delle recensioni, le due fonti di dati più comunemente disponibili. Il rapporto cambio/reso e l'interazione con la guida taglie possono essere aggiunti successivamente man mano che quei flussi di dati diventano disponibili, migliorando l'accuratezza nel tempo.
Quanti ordini servono a uno SKU prima che il suo fit score sia affidabile?
La maggior parte dei merchant imposta una soglia minima di 30-50 unità vendute prima di considerare affidabile un fit score, poiché campioni più piccoli producono percentuali fuorvianti ed estreme. Sotto questa soglia, tratta lo score come un segnale di osservazione piuttosto che un trigger per l'azione.