Ridurre i tassi di reso Amazon FBA attraverso l'analisi sistematica dei dati

I tassi di reso su Amazon FBA variano molto a seconda della categoria e i costi dei resi possono concentrarsi in una piccola parte del catalogo — eppure la maggior parte dei team operativi tratta il tasso di reso come una metrica aggregata, senza scomporla al livello in cui diventa utile per decidere come intervenire. Abbiamo costruito una pipeline che raccoglie i dati dei resi FBA, li raggruppa per codice motivo e SKU, identifica l’andamento dominante e alimenta i calcoli di redditività per unità e di soglia pubblicitaria. L'approccio si applica indipendentemente dalla categoria di prodotto.

La fonte dati: il report sui resi clienti FBA

Amazon fornisce un record strutturato per ogni reso gestito da FBA. Ogni record contiene l'ID ordine, l'ASIN, lo SKU, la data del reso e — elemento cruciale — un codice motivo selezionato dal cliente da un elenco predefinito. I codici motivo disponibili variano per categoria, ma includono tipicamente discrepanze negli attributi del prodotto (taglie, colori, specifiche tecniche), problemi di qualità, accuratezza della descrizione e categorie generiche come «articolo indesiderato».

Questi dati sono disponibili come report scaricabile in Seller Central o tramite pipeline automatizzate di estrazione dati. Il report è accessibile anche attraverso la SP-API di Amazon per l'integrazione programmatica in un data warehouse.

I dati grezzi richiedono una fase di preelaborazione: deduplicazione (le esportazioni con intervalli di date sovrapposti producono record duplicati), normalizzazione dei codici motivo e join con i dati degli ordini per calcolare i tassi di reso a livello di SKU. Nulla di complesso — è un passaggio ETL standard — ma è un passaggio che la maggior parte dei team operativi salta completamente.

Fase 1: distribuzione dei codici motivo

La prima analisi è un'aggregazione: raggruppare tutti i resi per codice motivo e calcolare la distribuzione percentuale. L'obiettivo è determinare se un singolo motivo domina o se i resi si distribuiscono uniformemente su più cause.

Nel nostro dataset la distribuzione era nettamente concentrata: un solo codice motivo rappresentava il 65% di tutti i resi. Il secondo motivo più comune si attestava al 15%. Tutto il resto era nell'ordine di pochi punti percentuali. Nella nostra esperienza, questo tipo di concentrazione è comune: molte categorie di prodotto hanno una o due cause di reso dominanti che spiegano la maggioranza dei casi.

La soglia che utilizziamo: se un singolo codice motivo supera il 40% dei resi, lo consideriamo il principale candidato a causa di fondo e lo verifichiamo nel passaggio 2. Se confermato, intervenire su quel motivo avrà probabilmente un impatto maggiore di qualsiasi altra modifica alla scheda prodotto o al prodotto. Se la distribuzione è piatta (nessun motivo sopra il 25%), il problema è più diffuso e richiede un approccio diverso — tipicamente miglioramenti alla qualità del prodotto o all'accuratezza della scheda prodotto su più dimensioni.

Fase 2: confronto con gli attributi di prodotto

I codici motivo mostrano ciò che i clienti dichiarano. Il confronto con gli attributi di prodotto — taglia, colore, variante, fascia di prezzo — rivela perché accade e se la causa è sistematica o casuale.

Uniamo il dataset dei resi al catalogo prodotti e calcoliamo i tassi di reso per ciascun valore degli attributi. Una causa sistematica produce una distribuzione asimmetrica: certi valori di attributo mostrano tassi di reso significativamente più alti degli altri, dominati dallo stesso codice motivo. Una causa casuale produce una distribuzione piatta.

Questo passaggio di validazione evita diagnosi errate. Una linea di prodotti può mostrare resi elevati per un certo motivo, ma l'intervento dipende dal fatto che il problema riguardi tutte le varianti in egual misura o si concentri su varianti specifiche. Sono i dati a determinare se l'intervento è una modifica a livello di scheda prodotto (che interessa tutte le varianti) o una decisione a livello di SKU (interruzione o aggiustamento di varianti specifiche).

Fase 3: redditività per SKU con probabilità di reso

I calcoli di redditività standard trattano i resi come una voce di costo separata. Un modello più accurato pondera il margine di ogni SKU in base alla sua probabilità di reso. Una versione prudenziale del margine effettivo per SKU, che presuppone che le unità rese non vengano rivendute e che le relative commissioni non vengano recuperate, è:

effective_margin = (1 - return_rate) × revenue_per_unit - cogs - amazon_fees - (return_rate × return_processing_cost)

Questo calcolo rivela spesso SKU con margini effettivi negativi che nelle viste aggregate appaiono redditizi. Nella nostra analisi, tre SKU che contribuivano in modo significativo al fatturato stavano operando con margini negativi una volta incorporata la probabilità di reso — ogni vendita di quei prodotti generava una perdita.

La dashboard Profit Analytics di Amazon (annunciata a settembre 2025) offre viste di redditività a livello di SKU che includono i costi di rimborsi e resi, ma Amazon non descrive alcuna ponderazione per probabilità di reso. Aggiungere questo livello di analisi ai dati standard — in un foglio di calcolo o in una pipeline automatizzata — aggiunge la dimensione che rende difendibili le decisioni su scorte e pubblicità.

Fase 4: ricalcolo delle soglie pubblicitarie

Il tasso di reso si ripercuote direttamente sull'Advertising Cost of Sales (ACoS) di pareggio — la percentuale massima di fatturato che può essere destinata alla pubblicità prima che una vendita diventi non redditizia. La relazione è meccanica:

break_even_acos = effective_margin / revenue_per_unit

Un tasso di reso più basso aumenta il margine effettivo, il che innalza l'ACoS di pareggio e amplia il budget pubblicitario sostenibile. Nel nostro caso, la riduzione attesa del tasso di reso ha aumentato l’ACoS di pareggio di quasi dieci punti percentuali — abbastanza da aumentare significativamente gli investimenti pubblicitari mantenendo invariata la redditività unitaria.

Questo significa che l'ottimizzazione del tasso di reso e la gestione del budget pubblicitario non sono flussi di lavoro indipendenti. Sono collegati attraverso la redditività per unità. Qualsiasi team che definisce i budget pubblicitari senza incorporare il tasso di reso nel calcolo del margine sta rinunciando a una parte del budget disponibile oppure spendendo troppo senza visibilità sulla soglia effettiva.

Fase 5: implementare e misurare la soluzione

Una volta identificata e validata la causa principale, l'intervento è tipicamente una modifica alla scheda prodotto — descrizioni di prodotto aggiornate, specifiche tecniche aggiunte, immagini revisionate o indicazioni esplicite che rispondono al motivo di reso prevalente. La correzione prende di mira il codice motivo specifico, non la scheda prodotto in generale.

Misurare i risultati richiede pazienza. La maggior parte degli ordini Amazon prevede un termine di reso di 30 giorni, con eccezioni per alcune categorie e termini estesi durante le festività, quindi l'impatto reale di una modifica alla scheda prodotto impiega tre o quattro settimane per emergere nei dati. L'approccio: raccogliere dieci giorni di dati sulle prestazioni pubblicitarie dopo la modifica, poi attendere ulteriori due settimane per la conferma del tasso di reso prima di adeguare i budget.

Per le operazioni su più marketplace, questa analisi viene eseguita in modo indipendente per ciascun marketplace. Gli andamenti dei resi variano per area geografica — una soluzione validata in un mercato non deve essere data per scontata anche in un altro senza dati propri.

Rendere operativa l’analisi: dall'analisi una tantum alla pipeline continua

Gli andamenti dei resi non sono statici. Cambiano con la composizione demografica della clientela, le variazioni nelle linee guida di categoria, i cambiamenti dei fornitori e le dinamiche competitive. Un'analisi una tantum produce un'istantanea; una pipeline continua produce un sistema di allerta precoce.

Integriamo l'analisi dei resi nella nostra pipeline del data warehouse, dove i record vengono raccolti automaticamente, deduplicati, aggregati per codice motivo e SKU e confrontati con valori di riferimento mobili. Le anomalie — un picco in un codice motivo precedentemente stabile dopo un cambio di lotto del fornitore, per esempio — attivano una revisione prima che si traducano in un problema rilevante per i margini.

La versione minima utilizzabile è un'esportazione manuale e una tabella pivot. La versione in produzione è una pipeline automatizzata che viene eseguita a cadenza regolare, calcola i margini effettivi con la probabilità di reso, ricalcola le soglie ACoS di pareggio e segnala gli SKU che sono passati da redditizi a non redditizi. La logica analitica è identica — la differenza è la frequenza e la scalabilità.

Punti chiave

Raggruppare i resi per codice motivo prima di apportare modifiche alla scheda prodotto. In molte categorie, un singolo motivo spiega spesso la maggioranza dei resi. Identificarlo prima di investire in modifiche che prendono di mira la variabile sbagliata.
Validare con il confronto degli attributi di prodotto. I soli codici motivo mostrano ciò che i clienti dichiarano. Il join con i dati di prodotto conferma se il problema è sistematico o casuale, e se l'intervento deve essere a livello di scheda prodotto o di SKU.
Calcolare il margine effettivo con la probabilità di reso. I calcoli di margine standard sovrastimano la redditività degli SKU con alto tasso di reso. I margini ponderati per probabilità rivelano quali prodotti stanno effettivamente perdendo denaro.
Collegare il tasso di reso alle soglie pubblicitarie. Tasso di reso e ACoS di pareggio sono collegati attraverso la redditività per unità. Una riduzione del tasso di reso amplia direttamente il budget pubblicitario sostenibile senza modificare nulla nelle campagne.
Automatizzare per la continuità. Gli andamenti dei resi cambiano. Una pipeline continua con rilevamento delle anomalie sostituisce i controlli manuali periodici e intercetta i problemi prima che si accumulino.

Approfondimenti correlati

tva costruisce pipeline di dati automatizzate per le operazioni dei venditori Amazon — dall'estrazione dati da Seller Central all'analisi dei motivi di reso, fino a modelli di redditività per SKU con ponderazione per probabilità di reso. Aiutiamo i team operativi a sostituire le dashboard aggregate con analisi strutturate per singolo SKU, che guidano le decisioni su pubblicità, scorte e prodotto. Contattaci se hai bisogno di un partner tecnico per la tua infrastruttura dati Amazon.