Comment l'IA prédit-elle les retours avant le paiement ? Le repérage des paniers à risque expliqué
Les modèles de prédiction des retours estiment, alors que le panier est encore ouvert, la probabilité que chaque article soit renvoyé. Leur fonctionnement, les données nécessaires, les interventions acceptables et les limites juridiques.
L'ESSENTIEL Résumé de la rédaction
- La prédiction des retours au moment du paiement s'appuie sur l'apprentissage automatique pour estimer, avant la validation de la commande, la probabilité qu'un article ou un panier soit retourné, afin que le commerçant puisse intervenir tant que le client peut encore modifier sa commande.
- Parmi les variables les plus prédictives figurent la composition du panier, par exemple le même article dans plusieurs tailles ou coloris, ainsi que l'historique de retours du client ; la recherche montre que la précision chute fortement sans données historiques sur le client.
- Une étude de 2024 portant sur un e-commerçant allemand spécialisé dans les tenues de cérémonie a obtenu une précision équilibrée allant jusqu'à 0,86 sur des commandes futures, mais de seulement 0,61 sans données historiques sur les clients.
- Les interventions les plus défendables sont celles qui aident le client, comme un conseil de taille ou un avertissement sur la coupe affiché sur la fiche produit, plutôt que le blocage de commandes ou la pénalisation des clients.
- Dans l'UE, les acheteurs en ligne disposent en général d'un droit de rétractation de 14 jours, et le RGPD donne à chacun le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou l'affectant de manière significative de façon similaire, ce qui limite l'usage possible des prédictions.
Prédire les retours avant le paiement consiste à attribuer un score de risque de retour à chaque article ou panier pendant que le client est encore sur le site. Des modèles d'apprentissage automatique analysent des signaux tels que la présence de plusieurs tailles d'un même article dans le panier, le taux de retour historique du produit et le comportement passé du client, puis déclenchent une intervention, en général une suggestion de taille ou une indication sur la coupe, avant la validation de la commande. L'objectif est d'éviter les retours évitables, et non d'empêcher les clients d'exercer leurs droits légaux.
Pourquoi prédire les retours avant le paiement plutôt qu'après ?
Une fois la commande expédiée, un retour est surtout un coût à gérer : transport, contrôle, reconditionnement et souvent démarque. Avant le paiement, le commerçant peut encore changer l'issue. Un client qui ajoute une robe en deux tailles peut, grâce à un bon conseil de taille, être convaincu de n'en garder qu'une ; un client sur le point d'acheter un article connu pour tailler petit peut en être informé.
L'ampleur des retours explique cet intérêt. La National Retail Federation américaine estimait en octobre 2025 que le total des retours dans le commerce de détail aux États-Unis atteindrait 849,9 milliards de dollars en 2025, que les retours en ligne représenteraient 19,3 % des ventes en ligne et que 9 % des retours étaient frauduleux. La mode compte parmi les catégories en ligne les plus touchées par les retours : même une faible réduction des retours évitables a donc un effet sensible.
Comment fonctionne un modèle de prédiction des retours ?
Un modèle de prédiction des retours est un classificateur : pour chaque article d'une commande, il estime la probabilité qu'il soit retourné. Il est entraîné sur des commandes historiques, étiquetées selon que chaque article a été conservé ou renvoyé, puis appliqué en temps réel aux paniers ouverts.
La recherche s'intéresse à ce sujet depuis plusieurs années. Un article de 2019 intitulé « Early Bird Catches the Worm: Predicting Returns Even Before Purchase in Fashion E-commerce » décrivait un modèle, testé avec une grande plateforme d'e-commerce de mode, qui estimait en temps réel la probabilité de retour sur la page panier afin que le commerçant puisse prendre des mesures préventives avant la validation de la commande. Une étude présentée en 2024 à la conférence ICAART par des chercheurs de l'August-Wilhelm Scheer Institut a testé plusieurs algorithmes, dont XGBoost, sur les données d'un e-commerçant allemand spécialisé dans les tenues de fête et de cérémonie.
| Signal | Exemple | Pourquoi c'est important |
|---|---|---|
| Composition du panier | Même modèle dans deux tailles ou coloris ou plus | Indice fort de « bracketing », où les articles supplémentaires sont des retours prévus |
| Taille de la commande | Nombre d'articles dans la commande | Dans l'étude de 2024, les commandes de plusieurs articles avaient une probabilité de retour bien plus élevée que les commandes d'un seul article |
| Historique du client | Taux de retour passé, jours depuis la dernière commande | La recherche montre que la précision s'effondre sans cette donnée |
| Historique du produit | Taux et motifs de retour du modèle | Identifie les articles qui taillent petit, grand ou diffèrent des visuels |
| Prix et promotion | Niveau de remise, valeur de la commande | Les achats impulsifs en promotion peuvent se comporter différemment |
| Attributs produit | Catégorie, matière, coupe, coloris | Aide à estimer le risque des nouveaux articles sans historique |
Quelle est la précision de la prédiction des retours ?
La précision dépend fortement des données. Dans l'étude de 2024, les modèles ont atteint une précision équilibrée allant jusqu'à 0,86 sur des commandes futures et 0,86 sur de nouveaux produits, à condition de disposer de données historiques sur le comportement des clients. Sans cet historique client, la précision équilibrée ne pouvait pas dépasser 0,61. Le jeu de données montrait aussi à quel point certains segments sont atypiques : la probabilité globale de retour était de 0,73 et montait à 0,94 pour les commandes de plusieurs articles, ce qui reflète la catégorie des tenues de cérémonie plutôt que la mode en général.
Deux enseignements en découlent. D'abord, l'historique propre du client est souvent le signal le plus prédictif, ce qui rend le modèle plus performant pour les clients réguliers et plus faible pour les nouveaux visiteurs. Ensuite, les résultats obtenus chez un commerçant ou dans une catégorie ne se transposent pas automatiquement à d'autres ; chaque entreprise doit valider le modèle sur ses propres données.
Que peut faire un commerçant face à un panier à risque ?
Le choix de l'intervention compte davantage que le modèle. Les interventions utiles réduisent les retours tout en améliorant l'expérience d'achat ; les interventions punitives risquent de faire fuir les clients et d'attirer l'attention des régulateurs.
- Conseil de taille : lorsqu'un panier contient plusieurs tailles d'un même article, afficher une recommandation de taille et demander au client laquelle lui convient le mieux.
- Avertissements sur la coupe : signaler les articles dont l'historique de retours montre qu'ils taillent petit ou grand.
- Meilleure information produit : mettre en avant les mesures, les tailles portées par les mannequins et des vues de détail pour les articles souvent retournés comme « non conformes à la description ».
- Options de livraison : proposer l'essayage ou le retrait en magasin lorsque c'est possible.
- Examiner plutôt que bloquer : orienter les cas extrêmes, évocateurs d'une fraude, vers un examen humain plutôt que de refuser automatiquement les commandes.
Quelles sont les limites juridiques et éthiques ?
Dans l'UE, les consommateurs qui achètent en ligne disposent en général d'un droit de rétractation de 14 jours sans avoir à motiver leur décision, qui court à compter de la livraison pour les biens, selon le guide L'Europe est à vous de la Commission européenne. La prédiction des retours ne peut pas supprimer ce droit. Elle peut seulement aider les clients à faire de meilleurs choix avant l'achat.
Le droit de la protection des données ajoute une seconde limite. L'article 22 du RGPD donne à chacun le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé, y compris le profilage, produisant des effets juridiques le concernant ou l'affectant de manière significative de façon similaire. Afficher un conseil de taille n'atteint probablement pas ce seuil ; refuser automatiquement de vendre à un client, ou modifier ses conditions en raison d'un score de risque, pourrait bien l'atteindre et exige une analyse juridique approfondie, de la transparence et une intervention humaine.
Comment un commerçant doit-il se lancer ?
- Nettoyer les données d'entraînement : relier chaque retour à la ligne de commande, au SKU, à la taille et à un motif structuré.
- Commencer par un modèle simple et explicable et une seule intervention, comme un conseil de taille pour les paniers contenant plusieurs tailles.
- Mener un test contrôlé comparant taux de retour, conversion et satisfaction client avec un groupe témoin.
- Documenter le modèle, ses données et ses effets en vue d'un examen juridique et relatif à la protection des données.
- Réentraîner régulièrement le modèle, car les assortiments, les promotions et le comportement des clients changent à chaque saison.
Questions fréquentes
L'IA peut-elle prédire quelles commandes en ligne seront retournées ?
Oui, avec une précision utile mais imparfaite. La recherche sur des données d'e-commerce de mode montre que des modèles peuvent estimer la probabilité de retour avant l'achat, leur précision dépendant fortement de la disponibilité de données historiques sur le comportement du client.
Qu'est-ce que le « bracketing » dans la mode en ligne ?
Le « bracketing » consiste à commander le même article dans plusieurs tailles ou coloris avec l'intention de renvoyer ceux qui ne vont pas ou ne plaisent pas. C'est l'un des signaux les plus nets qu'utilisent les modèles de prédiction des retours, et le conseil de taille en est la réponse la plus courante.
Est-il légal de refuser les commandes de clients qui retournent beaucoup ?
Les règles varient selon les pays, mais dans l'UE le RGPD encadre les décisions fondées exclusivement sur un traitement automatisé qui affectent les personnes de manière significative. Les commerçants doivent se faire conseiller juridiquement, maintenir une intervention humaine dans ces décisions et faire preuve de transparence, et ils ne peuvent pas supprimer le droit légal de rétractation de 14 jours pour les achats en ligne.
Quelles données faut-il pour prédire les retours ?
Au minimum, des lignes de commande historiques reliées à l'issue du retour, des attributs produit et des motifs de retour structurés. L'historique au niveau du client améliore nettement la précision, ce qui explique pourquoi la prédiction fonctionne mieux pour les clients réguliers que pour les nouveaux acheteurs.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
SOURCES
- arXiv: Early Bird Catches the Worm: Predicting Returns Even Before Purchase in Fashion E-commerce
- SCITEPRESS (ICAART 2024): Garment Returns Prediction for AI-Based Processing and Waste Reduction in E-Commerce
- NRF: 2025 Retail Returns Landscape
- Your Europe (European Commission): Returning goods and the right of withdrawal
- GDPR-Info: Article 22, Automated individual decision-making, including profiling
