Waarom terugsturen goedkoper lijkt dan het is: de retourrekening van Belgische fashion-webshops

Het retourcijfer dat Belgische fashion-KMO's liever niet uitrekenen

Online kleding verkopen is voor Belgische KMO's een groeimarkt, maar het is ook de productcategorie met het hoogste retourpercentage van alle e-commerce. Onderzoek in opdracht van de Europese Commissie, terug te vinden via de EU Digital Strategy, plaatst kleding en schoeisel structureel bovenaan wanneer retourpercentages per productcategorie worden vergeleken — ruim hoger dan elektronica of huishoudartikelen. Voor een KMO die net de stap naar een eigen webshop heeft gezet, is dat een onaangename verrassing: de omzetgroei op papier verbergt een tweede operationele stroom die evenveel aandacht vraagt als de eerste verkoop.

Statbel volgt jaarlijks hoeveel Belgische bedrijven online verkopen via de ICT-gebruikserhebing bij ondernemingen, gepubliceerd via Statbel. Die cijfers tonen een gestage stijging van bedrijven met een online verkoopkanaal, maar geen enkele officiële teller houdt bij hoeveel van die omzet nadien weer binnenkomt als retour. Dat gat in de data is zelf veelzeggend: KMO's meten wat er buitengaat, zelden wat er terugkomt en waarom. Voor een kleine speler met beperkte marge is dat een blinde vlek die zich pas toont op de eindejaarsrekening, wanneer de retourkost stilletjes de winst heeft opgegeten.

Het punt is niet dat retourneren an sich een probleem is — klanten hebben daar wettelijk recht op, en een soepel retourbeleid verhoogt zelfs de aankoopbereidheid. Het probleem is dat de meeste KMO's retouren behandelen als een logistiek gegeven in plaats van als een signaal. Elke retour is een datapunt over een vraag die de klant vóór de aankoop had, en niet kreeg beantwoord.

Waarom de twijfel vóór de aankoop zwaarder weegt dan de fout erna

Een contra-intuïtief inzicht: de meeste retouren in fashion e-commerce zijn geen fouten van de verkoper. Het product klopt met de foto, de kleur is correct, de levering was op tijd. Toch gaat het terug, omdat de klant tijdens het bestellen een vraag had die onbeantwoord bleef — past dit ruim of nauw, is de stof doorschijnend, valt deze maat groter dan een ander merk — en die vraag zelf maar oploste na ontvangst, met het kledingstuk als testmateriaal.

Dat verschuift het probleem volledig. Als de oorzaak vóór de aankoop ligt, dan ligt de oplossing daar ook. Een KMO die alleen investeert in een vlottere retourprocedure (snellere terugbetaling, gratis retourlabel) verlaagt de wrijving ná het probleem, maar lost de oorzaak niet op. Een KMO die vóór het afrekenmoment de juiste vraag beantwoordt, voorkomt de retour helemaal — en behoudt de marge op die verkoop.

Dit is precies waar een goed ingerichte webshop het verschil maakt. Toen IoniqAI de webshop van Emily Sanders Lifestyle opbouwde, lag de nadruk op een gestructureerde productcatalogus met consistente maat-, materiaal- en pasvorminformatie per item — de basis die nodig is om vragen vóór de aankoop automatisch te kunnen beantwoorden in plaats van pas na te moeten reageren op een retourverzoek. Een webshop zonder die structuur kan achteraf geen enkele AI-laag bovenop bouwen, hoe goed die AI ook is: het fundament ontbreekt.

De mythe: alleen een verkoper in de winkel kan écht maatadvies geven

De veelgehoorde reden waarom KMO's dit probleem laten liggen: "online kan je niet passen, dus je zal altijd retouren hebben, dat hoort erbij." Dat klopt voor een deel — nul retouren bestaat niet — maar de mythe zit in het woordje "altijd evenveel". Een fysieke winkelbediende geeft maatadvies op basis van ervaring: welke maat andere klanten met een vergelijkbaar postuur namen, hoe een stof reageert op wassen, welk model kleiner uitvalt. Dat is precies het soort patroonherkenning waar een AI chatbot sterk in is, mits ze toegang krijgt tot de juiste data: eerdere bestellingen, retourredenen per productcategorie en de vragen die klanten al stelden via mail of chat.

Het verschil met een generieke chatbot die alleen scripts afspeelt, is cruciaal. Een chatbot die louter "bekijk onze maattabel" herhaalt, lost niets op — de klant heeft die tabel al gezien en twijfelt net daarom. Een chatbot die leert uit historische retourpatronen en concreet antwoordt ("klanten die twijfelen tussen M en L bij dit model nemen meestal M, de stof rekt licht uit") vervangt het gesprek dat vroeger alleen in een fysieke winkel kon plaatsvinden.

Daarmee vervalt ook de aanname dat automatisering de menselijke touch wegneemt. Het omgekeerde gebeurt: de klantendienst van een KMO krijgt minder herhalingsvragen over maatvoering en meer tijd voor de klanten die een écht complex vraagstuk hebben — een maatwerkbestelling, een klacht, een B2B-aanvraag. Voor telefonische vragen kan diezelfde logica trouwens ook via een AI receptionist lopen, zodat een telefoontje over beschikbare maten niet blijft hangen in een wachtrij.

Van retourdata naar een werkende flow: de stappen

Een AI-laag die maatadvies geeft, ontstaat niet vanzelf. De KMO's die dit goed aanpakken, doorlopen doorgaans dezelfde volgorde.

Stap 1 — verzamel de retourredenen van de voorbije zes maanden per productcategorie, niet per bestelling. Een spreadsheet met "te klein", "te groot", "stof anders dan verwacht" per artikelnummer volstaat als startpunt.

Stap 2 — koppel die data aan de productpagina's. Dit vraagt een webshop met een nette datastructuur; een AI website builder die producteigenschappen consistent bijhoudt, maakt deze stap veel lichter dan een verzameling losse pagina's die elk anders zijn opgebouwd.

Stap 3 — richt een chatbot in die deze data als kennisbron gebruikt in plaats van een generiek script. De chatbot moet expliciet kunnen zeggen wanneer ze twijfelt, en moet kunnen doorschakelen naar een medewerker of naar de contactpagina bij een vraag die buiten haar kennis valt.

Stap 4 — meet opnieuw na twee à drie maanden. Vergelijk het retourpercentage van producten waarvoor de chatbot actief maatadvies gaf met producten waarvoor dat nog niet het geval was. Zonder die meting blijft het een aanname in plaats van een vaststelling.

Een KMO die deze stappen zet, hoeft dit niet allemaal zelf te bouwen. Er bestaan intussen kant-en-klare bouwstenen via een marketplace van gespecialiseerde partners, en voor de financiering van een eerste digitaliseringsproject kan een KMO nagaan of een VLAIO-steunmaatregel van toepassing is — de KMO-portefeuille dekt in bepaalde gevallen een deel van advies- en implementatiekosten voor dit type project.

• Retourredenen per productcategorie verzamelen
• Data koppelen aan productpagina's
• Chatbot inrichten met escalatie naar mens
• Retourpercentage opnieuw meten na 2-3 maanden

Wat mag u eigenlijk doen met die klant- en retourdata?

Zodra een KMO klantgedrag gebruikt om advies te personaliseren, komt de GDPR-vraag onvermijdelijk op tafel. Het goede nieuws: gepersonaliseerd maatadvies op basis van eerder aankoopgedrag is perfect toegestaan, zolang een aantal basisregels gerespecteerd worden. De Gegevensbeschermingsautoriteit hanteert daarbij het principe van dataminimalisatie: verzamel niet meer dan nodig, en gebruik retour- en aankoopdata enkel voor het doel waarvoor de klant ze heeft achtergelaten — in dit geval, een betere winkelervaring.

In de praktijk betekent dat drie zaken. Ten eerste moet de privacyverklaring op de webshop expliciet vermelden dat aankoop- en retourgedrag gebruikt wordt om aanbevelingen te verbeteren. Ten tweede moet een klant kunnen vragen om die profilering stop te zetten zonder de volledige account te moeten verwijderen. Ten derde moet de data die de chatbot gebruikt, geaggregeerd blijven waar mogelijk — "klanten met dit postuur kiezen meestal maat M" in plaats van het herleiden tot individuele klantendossiers zonder noodzaak.

Dit is geen reden om de stap niet te zetten. Het is een reden om ze zorgvuldig te zetten, net zoals een KMO dat zou doen bij eender welk klantendatabestand. Voor wie twijfelt of de eigen opzet voldoet, biedt UNIZO praktische GDPR-richtlijnen specifiek gericht op zelfstandige ondernemers en KMO's, los van de vaak te generieke internationale gidsen die de Belgische context missen.