AI返品予測：波が来る前に返品エリアを準備する

大セールで最悪なのは、売れないことではない。大量に売れて、それが全部戻ってくることだ。

ブラックフライデー、クリスマス、プライムデーのたびに、セラーのグループは売上スクリーンショットで盛り上がる。誰も、その約10日後に起きることを投稿しない。返品の津波だ。返品エリアに箱があふれ、棚は満杯になり、梱包資材は底をつき、カスタマーサービスは「返金はどこ？」という問い合わせに溺れる。表では金を数えながら、裏では火事になっている。

私は2回痛い目に遭って学んだ。返品は予測できる。高度なモデルは不要だ。スプレッドシート1つで始められる。2週間前に人員を増やし、ビンを空にし、梱包資材を備蓄しておけば、波が来たとき「終わった」ではなく「来たな」とうなずくだけで済む。

去年のブラックフライデー、私の返品エリアは水没した

災害の現場はこうだ。去年のホリデーシーズン、私は米国のサイトでアパレルと小型の家庭用品を売っていた。12月下旬になると返品率が上がり続け、1月の第2週には28%に達した。よく考えてほしい。売れた100個のうち28個が戻ってきたのだ。

私の返品エリアにはビンが4つあった。通常の8%の返品率なら十分だ。返品が3倍になれば無力だ。箱は検品が開封するより速く通路に積み上がった。人員こそ本当の痛手だった。通常は2人がパートタイムで返品を処理していたので、倉庫のスタッフ3人を緊急ヘルプとして引っ張ってきた。滞留を解消するのに丸2週間かかった。

その2週間の数字を計算した。借りてきたスタッフの残業費、急ぎで発注した梱包資材、そして遅い返金が引き起こした購入者からの苦情——マイナスレビューが6件増えた。そのレビューだけでも残業費以上の損失だった。そして長く置かれた返品は包装が湿ってしまい、再販の可能性が消えた。

プライムデーも大して良くなかった。そのときは早めに人員を増やしたのだが、増やし方を間違えた。返品総量で計画したら、大型の家庭用品に襲われた。小型品の検品チームは巨大な箱を前にして無力だった。人数は正しく、構成が間違っていた。何もしなかったのと同じだ。

2つの災害、1つの教訓。返品の波は「来るかどうか」の問題ではない。「いつ、どれだけ、どんな種類か」だ。データが3つすべてに答える。

私のAI返品予測：スプレッドシートで十分

まず現実確認だ。機械学習は不要だ。SaaSツールを買う必要もない。私の方法はスプレッドシート1つで、年に1回調整し、3年続いている。

ステップ1：データはどこから来るか

3つの情報源があり、すべて無料で、セラーアカウントの中にある。

返品レポート——毎週取得する。3つの項目だけだ。返品日、SKU、返品理由。これが中核だ。
注文データ——こちらも毎週。販売単位数。これが分母だ。
FBA返品レポート——FBAを使っているなら飛ばしてはいけない。FBAの返品データは3-5日遅れるので、予測するときはそれを忘れないこと。

3つすべてをエクスポートし、週次テーブルにまとめる。週ごとの販売単位数、週ごとの返品数、週ごとの返品率。数年分の履歴があれば、パターンは一目瞭然だ。

ステップ2：予測の仕組み

返品には自然なタイムラグがある。ほとんどの購入者は購入から7-30日以内に返品する。だから返品量の予測は、実は「X週間前の売上×その週の返品率」にすぎない。

私の計算式は粗いが機能する。

第N週の返品数 ≈ 第N-1週の売上 × 過去の返品率 + 第N-2週の売上 × 調整係数

過去の返品率はどう決めるか。同じイベント後の去年のカーブを見るのだ。ブラックフライデー週の+2週が22%、+3週が28%、+4週が19%だったら、今年の既知のブラックフライデー売上にその率を掛ければ、波の規模とタイミングが分かる。

3つの予測方法を比較するとこうなる。

方法	やること	精度	手間	私の評価
直感	「去年は大変だったから、人手を増やそう」	ランダム	ゼロ	失敗する標準的な方法
過去平均	去年の返品数を今年の予測にする	方向は正しいが、量が大きく外れる	Excelで30 min	初心者には十分
ラグ回帰	売上 × 過去の返品率カーブ、毎週更新	通常10%以内の誤差	構築に2 hrs + 週10 min	今使っている方法。実証済み

AI返品予測データを確認するセラー

ステップ3：本当に機能するのか？

正直に言うと、1年目の誤差は25%だった。それでも直感よりはましだった。少なくとも「おおよそ1月の第2週に爆発する」と分かっており、臨時スタッフを手配済みだったからだ。

2年目に2つの修正を加えた。返品率をカテゴリー別に分けたこと（アパレルとエレクトロニクスではカーブがまったく違う）と、FBAと自社発送を分けたことだ。誤差は約12%まで下がった。

今年のブラックフライデー前には、1月の第2週の返品数を約3,400件と予測した。実際は3,550件。誤差は4%だった。2週間前に臨時スタッフ4人を手配し、返品ビン12個を空にし、返品用封筒5,000枚を備蓄した。波が来た日、私は平穏にコーヒーを飲んでいた。

直感に反する真実：精度は安く、手に入る時間こそ金だ

ほとんどの人は「予測」と聞くと、小数点レベルの精度が必要だと思う。大間違いだ。

2週間前の80%の精度の予測は、1日前の95%の精度の予測に毎回勝つ。 なぜか。返品の人員、ビン、資材はすべて事前に確保しなければならないからだ。臨時スタッフは事前予約が必要だ。ビンは空にしなければならない。梱包資材の到着には7-10日かかる。1日前の通知で完璧に予測しても、人は空から湧いてこない。

私の基準は常にこうだ。誤差15%以内、2週間前。それが満点だ。残りの15%は柔軟な労働力で吸収する。臨時スタッフは「3日保証＋必要に応じて延長」で予約する。多かろうが少なかろうが、バランスが取れる。

もう1つの直感に反する点。返品率が最も低いSKUは、最も利益率の高いSKUではないが、間違いなく最もストレスの少ないSKUだ。 数字を計算した。返品率5%未満のSKUは、高返品率SKUの3分の1のサポートチケットしか生まず、マイナスレビュー率は1段階まるごと低い。返品率を無視して利益率だけで商品を選ぶのは、コストを無視して売上を数えるようなものだ。今では商品を発売するとき、1か月目の返品率を注視する。15%を超えたら？出品を取り下げて修正する。躊躇なしだ。

落とし穴：4つすべて踏んだ

スプレッドシートを作って、二度と触らないこと。 予測テーブルは毎週更新が必要だ。10分で済む。ピークシーズンには3日ごとだ。データは生きているのだから、予測も生きていなければならない。
FBAのデータ遅延を忘れること。 FBAの返品レポートは3-5日遅れる。遅れたデータで「来週」を予測すれば、実際には再来週を予測していることになる。FBAと自社発送は別の列に分けること。混ぜてはいけない。
量だけ予測して構成を予測しないこと。 それがプライムデーの教訓だ。大型の返品と小包の返品では、必要な労働力もビンもまったく違う。私のテーブルは今、大/中/小に分けて、それぞれ別々に予測している。
返品理由を無視すること。 「サイズ違い」と「不良品」はまったく別のものだ。前者は人員増強を意味する。後者は商品が壊れているという意味だ。不良品の返品が8%を超えたら、予測をやめて商品を直しに行くこと。