Wardrobing et abus de retours : comment les détecter sans pénaliser les bons clients

Le wardrobing consiste à acheter un article, à le porter ou à l'utiliser une fois, puis à le retourner pour se faire rembourser ; l'IA peut aider à le détecter en notant le comportement de retour des clients, des articles et des canaux. Le risque tient aux faux positifs : un modèle qui signale des clients honnêtes coûte plus cher en fidélité perdue que l'abus qu'il évite. La réponse pratique consiste en un ciblage étroit, une relecture humaine et une politique claire que les clients peuvent lire.

Qu'est-ce que le wardrobing et quelle est l'ampleur des abus de retours ?

Appriss Retail décrit le wardrobing comme le fait d'acheter un article, par exemple un pull de fête, de l'utiliser pour une occasion et de le retourner le lendemain. C'est un type d'abus de retours. La même source recense aussi la fraude aux réclamations et à l'apaisement (un client prétend qu'une commande n'est jamais arrivée ou était endommagée, puis garde l'article) et la fraude facilitée par le personnel, lorsque des intérimaires non formés traitent de faux retours.

Les estimations d'ampleur viennent surtout d'éditeurs et d'organisations professionnelles : elles sont donc à prendre comme indicatives. Le rapport de référence 2026 d'Appriss Retail chiffrait à 706 milliards de dollars les marchandises retournées en 2025, dont 100 milliards (14,2 %) classés comme pertes évitables dues à la fraude et aux abus. Son communiqué décrivait aussi l'achat en ligne avec retour en magasin comme le vecteur d'abus à la croissance la plus rapide. Le communiqué contient des chiffres qui ne se recoupent pas totalement (l'abus est cité à la fois comme 12 % des pertes liées aux retours et comme une valeur globale en dollars) : consultez donc le rapport complet avant de citer un chiffre unique à votre conseil d'administration.

Au Royaume-Uni, FashionNetwork a rendu compte en octobre 2025 d'une étude de ZigZag et de Retail Economics montrant que les acheteurs qui retournent systématiquement sont passés de 12 % à 8 % des clients, et que 76 % des 100 plus grands distributeurs d'habillement et de chaussures ont durci leur politique de retours. Le même rapport relevait un effet de déplacement : les clients qui retournaient en série renvoyaient moins d'articles, mais les retours occasionnels et tardifs ont augmenté.

Comment l'IA détecte-t-elle les abus de retours ?

La plupart des systèmes combinent trois couches. La première est constituée de règles et de plafonds, comme une limite de retours sur une période donnée. La deuxième est un scoring statistique de l'historique du client : taux de retour, délai entre l'achat et le retour, mix de catégories, et écart entre la valeur commandée et la valeur conservée. La troisième repose sur des contrôles au niveau de l'article, par exemple une évaluation de l'état à partir de photos à l'entrepôt. Appriss Retail décrit une IA qui lit l'historique de transactions d'un client au comptoir des retours et recommande au collaborateur d'approuver ou de refuser, la recommandation étant anonymisée.

Lire aussi

Pourquoi les retours sont le problème le plus coûteux du e-commerce de mode

Pourquoi les restrictions générales se retournent-elles contre les distributeurs ?

L'enquête d'Appriss Retail auprès de consommateurs nord-américains a constaté que 55 % évitaient les distributeurs dont la politique de retours est restrictive, que 31 % cessaient d'acheter chez un distributeur après une mauvaise expérience de retour, et que 70 % dépensaient davantage après une expérience positive. Ce sont des résultats d'enquête d'éditeur, mais ils correspondent à la logique du problème : les abus se concentrent dans un petit groupe, tandis que les restrictions touchent tout le monde. L'article déconseille les règles générales comme « pas de ticket, pas de retour », qui peuvent détourner les clients fidèles.

Les politiques ciblées en sont l'alternative. Selon la description d'Appriss Retail, ASOS déduit 3,95 £ d'un remboursement lorsque le client conserve moins de 40 £ d'articles, et sa Fair Use Policy vise un petit groupe de clients ayant un historique de retours excessifs. L'intérêt de tels dispositifs est que la plupart des clients ne rencontrent jamais la règle.

À quoi ressemble un processus de détection équitable ?

1. Définir l'abus en termes opérationnels (par exemple, des retours répétés d'articles utilisés avec un contrôle d'état documenté), et non par un taux de retour élevé seul.
2. Noter au niveau du client sur une longue fenêtre, et combiner le score avec la valeur du client, afin que les clients fidèles et rentables soient traités différemment des cas rares hors norme.
3. Recourir à des réponses graduées : d'abord un avertissement, puis une limite sur les retours gratuits, puis une déduction sur le remboursement, et seulement ensuite une restriction du compte.
4. Garder un humain dans la boucle pour chaque refus ou mesure sur un compte, avec une courte note du motif pouvant être communiquée au client.
5. Examiner les résultats chaque mois : taux de recours, décisions annulées et part des clients signalés qui sont revenus à un comportement normal.

Comment les distributeurs doivent-ils traiter la confiance, la transparence et les données ?

La transparence compte pour les clients. Dans le même rapport, 80 % des consommateurs voulaient savoir comment l'IA prend les décisions de retour, 71 % faisaient davantage confiance aux collaborateurs humains qu'à l'IA pour les approbations et seuls 10 % faisaient entièrement confiance à l'IA. Un modèle de scoring incapable de donner un motif en langage clair est un handicap au comptoir comme au centre de contact.

Le scoring des retours est aussi du profilage. Selon le RGPD, les données personnelles doivent être limitées à ce qui est nécessaire pour une finalité déterminée (article 5), et les personnes peuvent refuser des décisions fondées exclusivement sur un traitement automatisé qui produisent des effets juridiques ou les affectent de manière significative, avec des garanties telles que l'intervention humaine et la possibilité de contester la décision (article 22). Demandez un avis juridique pour savoir si un refus de remboursement ou une restriction de compte entre dans ce cadre, et documentez le raisonnement. L'exactitude s'applique aussi : les données qui alimentent le modèle doivent être correctes, y compris les scans de livraison du transporteur, faute de quoi vous pénaliserez des clients pour vos propres erreurs logistiques.

Lire aussi

Le clienteling : le service personnalisé dans un magasin de mode piloté par la donnée

Comment mesurer si la détection fonctionne ?

Mesurez l'effet net, pas les économies brutes. Suivez les pertes d'abus évitées, mais aussi les réclamations des clients, les recours sur les remboursements, le taux de réachat des clients signalés et non signalés, et la conversion sur les pages qui affichent votre politique de retours. Un groupe témoin noté mais sans suite donnée permet d'estimer combien de clients signalés se seraient bien comportés de toute façon. Sans lui, un modèle peut sembler efficace tout en écartant discrètement des clients rentables.

Enfin, traitez les causes que la détection ne peut pas corriger. Des informations de taille insuffisantes et un contenu produit pauvre poussent les clients honnêtes à sur-commander, et une politique qui traite ces clients en suspects aggrave le problème. La détection doit être un volet d'une stratégie de retours plus large, et non un substitut à de bonnes données de coupe.