体系的なデータ分析でAmazon FBAの返品率を下げる

カテゴリによって異なりますが、Amazon FBAの売上の最大15%が返品によるものです。業界データによれば、返品コストの80%はカタログ全体の20%に集中しているのが一般的です。しかし多くの販売者の現場では、返品率を細分化せずに集計指標として扱っており、実際のアクションにつながるレベルまで掘り下げられていません。私たちはFBAの返品データを取得し、理由コードとSKUでグループ化して支配的なパターンを特定し、その結果をユニットエコノミクスと広告閾値の計算に反映させるパイプラインを構築しました。このアプローチは商品カテゴリを問わず適用できます。

データソース：FBA顧客返品レポート

AmazonはFBAが処理したすべての返品について、構造化された返品レコードを提供しています。各レコードには注文ID、ASIN、SKU、返品日、そして重要な「理由コード」が含まれています。この理由コードは、顧客が事前定義されたリストから選択するものです。利用可能な理由コードはカテゴリによって異なりますが、一般的にはサイズ・カラー・仕様などの商品属性の不一致、品質の問題、商品説明の正確さ、「不要になった」などの一般的なカテゴリが含まれます。

このデータはSeller Centralのダウンロードレポートとして、または自動データ抽出パイプラインを通じて取得できます。また、Amazon SP-APIを使用してデータウェアハウスにプログラム的に統合することも可能です。

生データには前処理が必要です。重複排除（日付範囲が重複するエクスポートによって重複レコードが発生します）、理由コードの正規化、そしてSKUレベルの返品率を算出するための注文データとの結合が必要です。これらの処理は複雑ではなく、標準的なETLステップです。しかし多くの現場では、このステップ自体が完全に省略されています。

ステップ1：理由コードの分布分析

最初の分析は集計です。すべての返品を理由コードでグループ化し、割合の分布を算出します。目的は、単一の理由が支配的かどうか、または返品が複数の原因に均等に分散しているかを判断することです。

私たちのデータセットでは、分布が鋭く集中していました。ある1つの理由コードが全返品の65%を占めており、2番目に多い理由は15%でした。それ以外はすべて低い一桁台でした。このような集中は一般的であり、業界分析でも、ほとんどの商品カテゴリには1〜2つの支配的な返品要因があり、それがケースの大部分を占めることが確認されています。

私たちが使用する閾値は次の通りです。単一の理由コードが返品の40%を超える場合、それが根本原因です。それに対処することで、他のどのリスティング変更や商品変更よりも大きな効果が得られます。分布が平坦な場合（どの理由も25%を超えない場合）、問題はより拡散しており、別のアプローチ—通常は複数の軸にわたる商品品質やリスティング精度の改善—が必要です。

ステップ2：商品属性とのクロス分析

理由コードは顧客が報告した内容を示します。商品属性—サイズ、カラー、バリエーション、価格帯—とのクロス分析により、なぜそれが起きているのか、そして原因が系統的なものかランダムなものかが明らかになります。

返品データセットと商品カタログを結合し、属性値ごとの返品率を算出します。系統的な根本原因があれば、偏った分布が現れます。特定の属性値が他よりも大幅に高い返品率を示し、同じ理由コードが支配的になります。ランダムな原因であれば、分布は平坦になります。

この検証ステップにより、誤診を防ぎます。ある商品ラインが特定の理由で高い返品率を示していても、修正の方向性は問題がすべてのバリエーションに均等に影響しているか、特定のバリエーションに集中しているかによって異なります。データが、介入がリスティングレベルの変更（すべてのバリエーションに影響）なのか、SKUレベルの判断（特定のバリエーションの廃止または調整）なのかを決定します。

ステップ3：返品確率を組み込んだSKU別収益性

標準的な収益性計算では、返品を別のコスト項目として扱います。より正確なモデルは、各SKUのマージンを返品確率で加重します。SKUごとの実効マージンは次の式で求められます。

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

この計算により、集計ビューでは収益性があるように見えても、実際にはマイナスの実効マージンで動いているSKUが頻繁に浮かび上がります。私たちの分析では、一定の売上を上げていた3つのSKUが、返品確率を加味するとマイナスマージンで動いていることが判明しました。それらの商品は販売するたびに損失が発生していたのです。

AmazonのProfit Analyticsダッシュボード（2025年9月ローンチ）もSKUレベルの収益性ビューを提供していますが、返品確率による加重は組み込まれていません。標準データの上にこれをレイヤーとして構築することで—スプレッドシートでも自動化パイプラインでも—在庫や広告の意思決定を根拠あるものにする次元が加わります。

ステップ4：広告閾値の再計算

返品率は損益分岐点の広告売上高比率（ACoS）に直接影響します。ACoSとは、販売が赤字になる前に広告費として使える売上に対する最大割合です。この関係は機械的なものです。

break_even_acos = effective_margin / revenue_per_unit

返品率が下がると実効マージンが上がり、損益分岐点のACoSが上がり、有効な広告予算が拡大します。私たちのケースでは、想定される返品率の削減により損益分岐点のACoSがほぼ10パーセントポイント拡大しました。これは、同じユニット収益性を維持しながら広告投資を大幅にスケールできるだけの幅です。

つまり、返品率の最適化と広告予算管理は独立したワークストリームではありません。両者はユニットエコノミクスを通じて連動しています。マージン計算に返品率を組み込まずに広告予算を設定しているチームは、使えるはずの予算を使わずにいるか、実際の閾値が見えないまま過剰投資しているかのどちらかです。

ステップ5：修正の実施と効果測定

根本原因を特定・検証したら、次の介入策は通常リスティングの変更です。商品説明の更新、仕様詳細の追加、画像の調整、または支配的な返品理由に対処する明示的なガイダンスの追加などが該当します。修正はリスティング全般ではなく、特定の理由コードをターゲットにします。

効果測定には忍耐が必要です。Amazonの顧客は返品申請に30日間の猶予があるため、リスティング変更の真の効果がデータに現れるまで3〜4週間かかります。推奨するアプローチは、変更後10日間の広告パフォーマンスデータを収集し、その後さらに2週間待って返品率の確認を行ってから予算を調整することです。

複数マーケットプレイスで展開している場合、この分析はマーケットプレイスごとに独立して実施します。返品のパターンは地域によって異なります。あるマーケットで検証された修正策が別のマーケットにも適用できると、自身のデータなしに前提とすべきではありません。

実運用化：スポット分析から継続的パイプラインへ

返品パターンは静的ではありません。顧客層の変化、カテゴリガイドラインの変更、サプライヤーのばらつき、競合の動向によって変化します。スポット分析はスナップショットを生み出しますが、継続的なパイプラインは早期警告システムを生み出します。

私たちは返品分析をデータウェアハウスパイプラインに統合しています。レコードは自動的に取得・重複排除され、理由コードとSKUで集計され、ローリングベースラインと比較されます。異常—例えばサプライヤーのロット変更後に以前は安定していた理由コードが急増するなど—は、マテリアルなマージン問題に発展する前にレビューをトリガーします。

最小限の実現方法は手動エクスポートとピボットテーブルです。本番運用版は、スケジュール実行で自動的にデータを取得し、返品確率を組み込んだ実効マージンを計算し、損益分岐点のACoS閾値を再計算し、収益性があった状態から赤字に転落したSKUにフラグを立てる自動化パイプラインです。分析ロジックは同一—違いは頻度とスケーラビリティです。

重要なポイント

リスティング変更の前に、返品を理由コードでグループ化する。ほとんどのカテゴリでは、単一の理由が返品の大部分を占めています。間違った変数をターゲットにした変更に投資する前に、それを特定してください。
商品属性のクロス分析で検証する。理由コードだけでは顧客が報告した内容しかわかりません。商品データと結合することで、問題が系統的なものかランダムなものか、修正がリスティングレベルかSKUレベルかが確認できます。
返品確率を組み込んだ実効マージンを計算する。標準的なマージン計算は、返品率の高いSKUの収益性を過大評価します。確率加重マージンにより、実際に損失を出している商品が明らかになります。
返品率を広告閾値と結びつける。返品率と損益分岐点のACoSはユニットエコノミクスを通じて連動しています。返品率の削減は、広告キャンペーンに何も変更を加えることなく、有効な広告予算を直接拡大します。
継続性のために自動化する。返品パターンは変化します。異常検知を備えた継続的なパイプラインは、定期的な手動チェックを置き換え、問題が蓄積する前に捉えます。

関連インサイト

tvaはAmazon販売者向けの自動データパイプラインを構築しています。Seller Centralのデータ抽出、返品理由分析から、返品確率加重を組み込んだSKUレベルの収益性モデルまで対応しています。集計ダッシュボードを、広告・在庫・商品の意思決定に役立つ構造化されたSKU別アナリティクスに置き換えるお手伝いをしています。Amazonデータインフラのテクニカルパートナーをお探しの方はお問い合わせください。