Come fa l'IA a prevedere i resi prima del checkout? Carrelli a rischio spiegati

IN SINTESI Sintesi della redazione

1. La previsione dei resi al checkout usa il machine learning per stimare, prima che l'ordine venga effettuato, quanto è probabile che ogni articolo o carrello venga reso, così il retailer può intervenire mentre il cliente può ancora modificare l'ordine.
2. Tra i predittori più forti ci sono la composizione del carrello, ad esempio lo stesso articolo in più taglie o colori, e lo storico dei resi del cliente; la ricerca mostra che l'accuratezza cala nettamente senza dati storici sul cliente.
3. Uno studio del 2024 su un retailer online tedesco di abbigliamento da cerimonia ha riportato un'accuratezza bilanciata fino a 0,86 sugli ordini futuri, ma solo 0,61 senza dati storici sul cliente.
4. Gli interventi più difendibili sono quelli utili, come un consiglio sulla taglia o un avviso di vestibilità sul prodotto, piuttosto che bloccare ordini o penalizzare i clienti.
5. Nell'UE chi acquista online dispone in genere di un diritto di recesso di 14 giorni, e il GDPR riconosce alle persone il diritto di non essere sottoposte a decisioni basate unicamente su un trattamento automatizzato che producano effetti giuridici o incidano in modo analogo significativamente, il che limita l'uso delle previsioni.

Prevedere i resi prima del checkout significa assegnare a ogni articolo o carrello un punteggio di rischio di reso mentre il cliente è ancora sul sito. I modelli di machine learning analizzano segnali come più taglie dello stesso articolo nello stesso carrello, il tasso di reso storico del prodotto e il comportamento passato del cliente, e poi attivano un intervento, di solito un suggerimento sulla taglia o una nota sulla vestibilità, prima che l'ordine venga effettuato. L'obiettivo è evitare i resi evitabili, non impedire ai clienti di esercitare i propri diritti.

Perché prevedere i resi prima del checkout e non dopo?

Una volta spedito l'ordine, il reso è soprattutto un costo da gestire: trasporto, controllo, riconfezionamento e spesso ribasso. Prima del checkout il retailer può ancora cambiare l'esito. Una cliente che aggiunge un abito in due taglie può essere convinta da un buon consiglio sulla taglia a tenerne una sola; a chi sta per acquistare un articolo noto per vestire piccolo lo si può segnalare.

La portata dei resi spiega l'interesse. La National Retail Federation statunitense ha stimato nell'ottobre 2025 che i resi totali del retail USA avrebbero raggiunto 849,9 miliardi di dollari nel 2025, che i resi online sarebbero stati pari al 19,3% delle vendite online e che il 9% dei resi era fraudolento. La moda è tra le categorie online con più resi, quindi anche una piccola riduzione dei resi evitabili ha un peso concreto.

Come funziona un modello di previsione dei resi?

Un modello di previsione dei resi è un classificatore: per ogni articolo di un ordine stima la probabilità che venga reso. Viene addestrato su ordini storici, etichettati in base al fatto che ciascun articolo sia stato tenuto o rispedito, e poi applicato in tempo reale ai carrelli aperti.

La ricerca se ne occupa da diversi anni. Un paper del 2019 intitolato “Early Bird Catches the Worm: Predicting Returns Even Before Purchase in Fashion E-commerce” descriveva un modello, testato con una grande piattaforma e-commerce di moda, che stimava in tempo reale la probabilità di reso nella pagina del carrello, così da permettere al retailer di adottare misure preventive prima dell'ordine. Uno studio del 2024 presentato alla conferenza ICAART da ricercatori dell'August-Wilhelm Scheer Institut ha testato diversi algoritmi, tra cui XGBoost, sui dati di un retailer online tedesco di abbigliamento da festa e da cerimonia.

Leggi anche

Perché i resi sono il problema più costoso dell'e-commerce di moda

Quanto è accurata la previsione dei resi?

L'accuratezza dipende molto dai dati. Nello studio del 2024 i modelli hanno raggiunto un'accuratezza bilanciata fino a 0,86 sugli ordini futuri e 0,86 sui nuovi prodotti, a condizione che fossero disponibili dati storici sul comportamento dei clienti. Senza questo storico, l'accuratezza bilanciata non poteva superare 0,61. Il dataset mostrava anche quanto siano particolari alcuni segmenti: la probabilità complessiva di reso era 0,73 e saliva a 0,94 per gli ordini con più articoli, un dato che riflette la categoria dell'abbigliamento da cerimonia più che la moda in generale.

Ne derivano due lezioni. Primo, lo storico del cliente è spesso il segnale più predittivo, il che rende il modello più forte con i clienti abituali e più debole con chi visita il sito per la prima volta. Secondo, i risultati di un retailer o di una categoria non si trasferiscono automaticamente a un'altra; ogni azienda deve validarli sui propri dati.

Che cosa può fare un retailer con un carrello a rischio?

La scelta dell'intervento conta più del modello. Gli interventi utili riducono i resi migliorando l'esperienza d'acquisto; quelli punitivi rischiano di allontanare i clienti e di attirare l'attenzione delle autorità.

• Consigli sulla taglia: quando un carrello contiene più taglie dello stesso articolo, mostrare una raccomandazione di taglia e chiedere al cliente quale vesta meglio.
• Avvisi di vestibilità: segnalare gli articoli che, secondo lo storico dei resi, vestono piccoli o grandi.
• Informazioni di prodotto migliori: mettere in evidenza misure, taglie indossate dai modelli e immagini ravvicinate per gli articoli spesso resi come “non conformi alla descrizione”.
• Opzioni di consegna: suggerire la prova o il ritiro in negozio, dove disponibili.
• Verificare, non bloccare: inoltrare i casi estremi, simili a frodi, a una verifica umana anziché rifiutare automaticamente gli ordini.

Quali sono i limiti legali ed etici?

Nell'UE i consumatori che acquistano online dispongono in genere di un diritto di recesso di 14 giorni senza dover fornire motivazioni, che per i beni decorre dalla consegna, secondo le indicazioni del portale La tua Europa della Commissione europea. La previsione dei resi non può eliminare questo diritto. Può solo aiutare i clienti a scegliere meglio prima di acquistare.

La normativa sulla protezione dei dati aggiunge un secondo limite. L'articolo 22 del GDPR riconosce alle persone il diritto di non essere sottoposte a una decisione basata unicamente sul trattamento automatizzato, compresa la profilazione, che produca effetti giuridici che le riguardano o che incida in modo analogo significativamente sulla loro persona. Mostrare un consiglio sulla taglia difficilmente raggiunge questa soglia; rifiutare automaticamente di vendere a un cliente, o modificarne le condizioni in base a un punteggio di rischio, potrebbe invece raggiungerla e richiede un'attenta valutazione legale, trasparenza e coinvolgimento umano.

Leggi anche

Come si usa l'IA nel servizio clienti della moda e dove fallisce?

Come dovrebbe iniziare un retailer?

1. Pulire i dati di addestramento: collegare ogni reso alla riga d'ordine, allo SKU, alla taglia e a un motivo strutturato.
2. Partire da un modello semplice e spiegabile e da un unico intervento, ad esempio il consiglio sulla taglia per i carrelli con più taglie.
3. Condurre un test controllato confrontando tassi di reso, conversione e soddisfazione dei clienti con un gruppo di controllo.
4. Documentare il modello, i suoi dati e i suoi effetti per la verifica privacy e legale.
5. Riaddestrare regolarmente, perché assortimenti, promozioni e comportamento dei clienti cambiano ogni stagione.

Domande frequenti

L'IA può prevedere quali ordini online verranno resi?

Sì, con un'accuratezza utile ma non perfetta. La ricerca sui dati dell'e-commerce di moda mostra che i modelli possono stimare la probabilità di reso prima dell'acquisto, con un'accuratezza che dipende molto dalla disponibilità di dati storici sul comportamento del cliente.

Che cos'è il bracketing nella moda online?

Il bracketing consiste nell'ordinare lo stesso articolo in più taglie o colori con l'intenzione di rendere quelli che non vestono o non piacciono. È uno dei segnali più chiari usati dai modelli di previsione dei resi, e il consiglio sulla taglia è la risposta più comune.

È legale rifiutare ordini ai clienti che rendono molto?

Le regole variano da paese a paese, ma nell'UE il GDPR limita le decisioni basate unicamente su un trattamento automatizzato che incidono significativamente sulle persone. I retailer dovrebbero chiedere una consulenza legale, mantenere il coinvolgimento umano in queste decisioni ed essere trasparenti, e non possono eliminare il diritto di recesso legale di 14 giorni per gli acquisti online.

Quali dati servono per prevedere i resi?

Come minimo, righe d'ordine storiche collegate all'esito del reso, attributi di prodotto e motivi di reso strutturati. Lo storico a livello di cliente migliora molto l'accuratezza, ed è per questo che la previsione funziona meglio con i clienti abituali che con chi acquista per la prima volta.

GuidaLa guida completa all’IA nell’e-commerce, nel marketing e nel retail della modaLeggi la guida completa