Comment l'IA peut-elle identifier la cause des retours dans la mode ?

L'IA identifie la cause des retours en lisant ce que les clients disent d'un produit (codes motifs, avis, commentaires de retour et échanges avec le service client) et en le reliant aux données propres au produit, comme le guide des tailles, la matière, les attributs de coupe et les visuels. Le résultat n'est pas un meilleur rapport sur les taux de retour, mais une courte liste de causes corrigeables par modèle, chacune avec un responsable. Cela ne fonctionne que si les codes motifs sont saisis de manière homogène et si les données produit sont suffisamment propres pour comparer ce qui est comparable.

Pourquoi les codes motifs ne suffisent-ils pas à expliquer les retours dans la mode ?

La plupart des distributeurs demandent un motif lorsqu'un client retourne un article, mais le choix est limité et les réponses sont sommaires. Selon un rapport de Coresight Research relayé par FashionUnited, le taux moyen de retour des vêtements achetés en ligne aux États-Unis a atteint 23,4 % en 2025, et près de 70 % des acheteurs ayant retourné un vêtement acheté en ligne ont invoqué la taille et la coupe. Cela indique au merchandiser que la coupe pose problème de manière générale, mais pas pourquoi un pantalon précis revient.

La même étude a montré qu'environ 40 % des acheteurs américains avaient abandonné un achat de vêtements en ligne en raison d'informations produit confuses ou manquantes. Retours et paniers abandonnés ont donc souvent une cause commune : la fiche produit n'a pas donné au client les informations dont il avait besoin. Les codes motifs enregistrent le symptôme (« trop petit », « différent de la photo ») ; la cause se trouve dans les données produit, le contenu ou le vêtement lui-même.

Les données par catégorie montrent à quel point le problème est inégal. Un rapport publié en février 2026 par Returnalyze, spécialiste de l'analyse des retours, a relevé des taux de retour sur le denim supérieurs à 51 % en début de saison des fêtes et des taux de retour sur les robes allant jusqu'à 48,2 % dans la période précédant le Black Friday, tandis que le « size bracketing » (commander plusieurs tailles pour n'en garder qu'une) restait compris entre 5 et 9 % selon les catégories. Une moyenne unique masque précisément les modèles qui méritent attention.

De quelles données l'IA a-t-elle besoin pour analyser les causes des retours ?

L'analyse combine des données structurées et non structurées. Aucune n'est nouvelle ; ce que l'IA change, c'est la capacité à lire le texte à grande échelle et à le relier aux attributs produit.

L'étape qui rend l'analyse possible est une clé fiable entre toutes ces sources : le SKU ou le code modèle-coloris. Si les retours sont enregistrés sur un article générique et les avis sur une annonce de marketplace, l'IA n'a rien à relier.

Lire aussi

Contrôles qualité par IA des données PIM : détecter les attributs manquants, erronés et incohérents

Comment l'IA transforme-t-elle avis et commentaires en causes de retour ?

Les modèles de langage sont bien adaptés à la première étape : extraire des signaux structurés à partir de texte. En janvier 2024, comme l'a rapporté The Paypers, Amazon a présenté un outil d'analyse de la coupe destiné à ses partenaires vendeurs, qui utilise de grands modèles de langage pour extraire et agréger les retours clients sur la coupe, le style et la matière, afin d'aider les marques à comprendre les motifs de retour et à identifier les erreurs dans les guides des tailles. La même annonce décrivait l'utilisation de modèles de langage pour extraire les tailles des guides des tailles, supprimer les informations en double et corriger automatiquement les mesures manquantes ou incorrectes.

Pour une marque ou un distributeur, un processus concret se présente ainsi :

1. Extraire. Classer chaque commentaire, avis et échange selon une taxonomie fixe : taille petit ou grand, longueur, manches, épaules, toucher de la matière, transparence, couleur par rapport à la photo, défaut de qualité, dommage à la livraison.
2. Relier. Rattacher chaque signal au modèle, au coloris et à la taille, et ajouter les attributs PIM (type de coupe, composition, élasticité, mesures) ainsi que le jeu de visuels en ligne à ce moment-là.
3. Comparer. Signaler les modèles dont le taux de retour ou la répartition des réclamations s'écarte de modèles comparables de la même catégorie, coupe et gamme de prix, et non de la moyenne globale.
4. Expliquer. Demander au modèle de résumer les éléments probants pour chaque modèle signalé, avec des volumes et des citations, afin qu'une personne puisse les vérifier en quelques minutes.
5. Attribuer. Confier chaque cause à un responsable : guide des tailles et attributs à l'équipe PIM, visuels et textes au contenu, patronage ou gradation au design, défauts au sourcing et à la qualité.
6. Mesurer. Suivre le taux de retour du modèle corrigé par rapport à son propre historique et à des modèles similaires après la modification.

Quelles causes peut-on corriger dans les données produit et le contenu ?

Beaucoup de causes ne nécessitent pas de nouveau vêtement. Un guide des tailles qui indique les mesures du corps pour un modèle et celles du vêtement pour un autre, l'absence de mention qu'un modèle taille petit, aucune information sur la taille et la stature du mannequin, ou un visuel qui rend une couleur trop vive peuvent tous être corrigés dans le PIM ou le système de contenu en quelques jours. Les outils génératifs peuvent aider à réécrire les indications de coupe ou à signaler les textes qui contredisent les attributs, mais ils ne doivent pas inventer de mesures ; celles-ci doivent provenir de la fiche technique.

D'autres causes se situent en amont. Des réclamations répétées sur des épaules étroites pour plusieurs modèles construits sur la même base indiquent un problème de patronage pour le design. Des réclamations de boulochage ou de coutures concentrées sur un lot de production indiquent un problème de sourcing et de qualité. L'analyse est la plus utile lorsqu'elle rend ces schémas visibles d'une saison à l'autre, car un modèle isolé a rarement assez de retours pour démontrer un schéma à lui seul.

Quelles sont les limites et les risques de l'analyse des retours par l'IA ?

• Petits échantillons. Un modèle avec quelques dizaines de retours produit des synthèses d'apparence assurée à partir d'éléments minces. Affichez les volumes à côté de chaque affirmation.
• Textes biaisés. Les avis surreprésentent les opinions tranchées ; les commentaires de retour sont souvent laissés vides. Combinez les sources plutôt que de vous fier à une seule.
• Causes inventées. Un modèle à qui l'on demande « pourquoi » produira toujours une réponse. Exigez qu'il cite les commentaires utilisés et faites valider par une personne avant toute mise en ligne de modifications.
• Protection des données. Les échanges et commentaires peuvent contenir des données personnelles. Supprimez-les ou pseudonymisez-les avant l'analyse et vérifiez la base juridique du traitement au regard du RGPD.
• Fraude et abus de politique. La NRF a estimé que 9 % de l'ensemble des retours en 2025 étaient frauduleux. Ces retours faussent les signaux produit et doivent être filtrés lorsqu'ils peuvent être identifiés.

Lire aussi

Que signifient les agents de shopping IA pour les sites web et les flux produits des marques de mode ?

Comment les équipes doivent-elles mesurer l'efficacité des corrections ?

Définissez l'indicateur avant la modification : taux de retour par modèle et par taille, part des motifs liés à la coupe et taux de conversion de la fiche produit, car une meilleure information peut aussi augmenter les ventes. Comparez le modèle modifié avec sa propre période antérieure et avec un groupe témoin de modèles similaires non modifiés, car la saisonnalité et les promotions font varier les taux de retour à elles seules. La NRF a projeté un total de 849,9 milliards de dollars de retours dans le commerce de détail américain pour 2025 et estimé que 19,3 % des ventes en ligne seraient retournées ; à cette échelle, même des améliorations modestes mais vérifiées sur des modèles à fort volume justifient l'effort d'analyse, à condition que chaque correction soit suivie jusqu'à un résultat plutôt que présentée comme une simple activité.