E-commerce
28 juin 2026
« Je veux retourner ma commande. » L'agent répond : « Quel numéro ? » Puis : « Quel produit ? » Puis : « Quelle raison ? » Quatre messages plus tard, le client est agacé et votre FCR s'effondre. La préqualification retour par chatbot IA résout ce problème : collecter commande, motif, éligibilité et intention avant qu'un humain ouvre le ticket.
Le NRF estime le taux de retour en ligne à 19,3 % en 2025, avec des projections autour de 20,8 % en 2026. Chaque retour mal qualifié coûte 10 à 65 $ en traitement (Alhena, retours et IA 2026). Lorikeet rappelle que retours et échanges sont le deuxième intent à automatiser après WISMO (Lorikeet, chatbot e-commerce 2026).
Ce guide #138 se concentre sur la préqualification SAV retours, pas sur la politique retour ni le parcours complet. Distinct de chatbot retours (#10) (guidage échange et remboursement) : ici la collecte structurée avant handoff.
Sommaire
Pourquoi préqualifier les retours avant l'intervention humaine ?
La préqualification retour chatbot structure la demande client en amont pour que le premier message agent soit actionnable, pas interrogatif.
Coût des allers-retours SAV
Messages par ticket : retour non qualifié = 4 à 7 échanges vs 1 à 2 qualifié
FCR : chaque « je reviens » plombe le taux de résolution
CSAT : le client répète sa story, frustration monte
Coût agent : 8 min/ticket vs 3 min avec dossier complet
Erreurs : mauvaise commande, mauvais SKU, policy mal appliquée
Exemple mode DTC
Marque jeans, 680 tickets retour/mois, 5,2 messages médian par ticket. Bot préqualifie : lookup commande, motif (taille/qualité/défaut), éligibilité Loop, préférence échange vs remboursement. Handoff Gorgias avec fiche structurée. Messages médian 2,1, FCR retour +16 points en 10 semaines.
En quoi diffère-t-elle du chatbot retours général (#10) ?
L'article chatbot retours (#10) couvre le parcours conversationnel complet : éligibilité, échange, remboursement, escalade. #138 zoome sur la phase amont qui réduit les rebonds.
Périmètre #138
Arbre décision : questions ordonnées, pas de saut
Fiche handoff : champs obligatoires avant escalade
Routing intent : échange, remboursement, litige, hors délai
Collecte preuves : photos dommage avant agent
KPI allers-retours : messages/ticket, recontact 48 h
Complète analyse raisons retour (diagnostic produit) et policy retour (rédaction), sans les dupliquer.
Quelles informations le bot doit-il collecter systématiquement ?
Une fiche préqualification retour standardise ce que l'agent reçoit dès l'ouverture du ticket.
Champs obligatoires
Identité commande : email + # commande Shopify (lookup auto)
SKU / ligne concernée : si commande multi-produits
Motif retour : liste fermée alignée portail Loop
Éligibilité : dans/hors délai, final sale, hygiène
Intention : échange taille, échange produit, remboursement, avoir
État produit : neuf porté, emballage, étiquettes
Preuves : upload photo si défaut ou mauvais article
Champs optionnels utiles
Variante souhaitée échange, taille habituelle client, numéro tracking retour existant, VIP/LTV pour routing prioritaire. Tag Gorgias auto : `return_prequalified`, `return_exchange_intent`, `return_litige`.
Comment structurer l'arbre de décision préqualification ?
L'arbre décision retour bot évite les branches mortes et les boucles « revenez demain ».
Niveau 1 : type de demande
Lancer retour / statut retour en cours / remboursement en attente / produit endommagé / mauvais article / colis non reçu.
Niveau 2 : éligibilité auto
Bot calcule jours depuis livraison, tags produit final_sale, collection exclue. Éligible → portail Loop ou draft API. Non éligible → proposition escalade exception avec résumé.
Niveau 3 : résolution cible
Échange même SKU : bot vérifie stock variante, lien portail
Échange autre produit : suggestions IA, handoff si panier > seuil
Remboursement : conditions frais port, délai remboursement annoncé
Litige : photos + escalade immédiate file senior
Règle anti-boucle
Maximum 8 questions bot avant action (lien portail, escalade ou clôture). Au-delà, handoff avec transcript complet plutôt que continuer à interroger.
Comment connecter le bot à Loop, ReturnGO ou Shopify ?
La préqualification devient puissante quand le bot lit les vraies données, pas une policy statique.
Loop Returns
Portail self-service pour cas standard. API Draft Returns pour intégrations custom : initialize → add items → finalize → set credit type → submit (Loop, Return Create API). Le bot peut créer le draft retour en conversation avant confirmation client.
Shopify natif
Self-serve returns activé sur compte client. Le bot renvoie lien compte + rappel policy. Échanges natifs limités : le bot doit savoir quand Loop est requis.
Sync policy
Fenêtre retour, exclusions, frais : même source que page policy, macros Gorgias et corpus bot. Une seule vérité, trois surfaces.
Phase de déploiement
Semaine 1-2 : lookup + éligibilité read-only. Semaine 3-4 : lien portail auto. Semaine 5+ : draft API si volume > 200 retours/mois. Astucia recommande read-only d'abord, write access après 2-3 semaines validation (Astucia, chatbot retours 2026).
Comment orienter échange vs remboursement dès la préqualification ?
La préqualification échange protège la marge : un client orienté tôt vers l'échange coûte moins qu'un remboursement complet.
Signaux échange prioritaire
Motif taille : proposer variante adjacente si stock
Motif couleur/shade : suggestion catalogue proche
Commande récente : client chaud, LTV préservé
Panier > 80 € : bonus crédit Loop si configuré
Script bot échange-first
« Votre jean taille M peut être échangé contre L (en stock). L'échange part sous 24 h, remboursement sous 10 j après réception entrepôt. Préférez-vous échanger ou être remboursé ? »
Benchmark
Loop cite 73 % de conversion demandes retour en échange pour brands optimisées vs ~32 % industrie (D2C Times, Loop exchanges 2026). Voir avoir vs remboursement, support taille (#128).
Quels cas escalader immédiatement sans préqualifier longue ?
La préqualification accélère les cas simples ; certains intents exigent escalade humaine rapide.
Escalade immédiate (max 2 questions bot)
Produit dangereux / réaction allergique
Chargeback annoncé
Client VIP LTV > seuil
Colis non reçu + tracking delivered
Fraude suspectée : multi-retours même SKU
Sentiment très négatif : menace avis public
Handoff enrichi obligatoire
Transcript bot + commande Shopify + photos + tags intent + éligibilité calculée. L'agent ne repose aucune question déjà répondue. Voir limites chatbot, escalade VIP, fraude commandes.
Comment rédiger les scripts bot par motif de retour ?
Des scripts préqualification par motif réduisent les unmatched et standardisent le ton.
Motif : taille incorrecte
Bot : confirme SKU, propose 2 variantes stock, lien guide mesures PDP, CTA portail échange. Si hors stock : remboursement ou alerte restock.
Motif : produit défectueux
Bot : demande 2 photos (produit + emballage), confirme éligibilité remplacement gratuit, escalade si valeur > 150 € ou client repeat défaut même SKU.
Motif : ne correspond pas aux attentes
Bot : reformule attente vs description PDP, propose échange catalogue, rappelle frais retour si policy l'exige. Tag `return_expectation_gap` pour merchandising.
Motif : remboursement en attente
Bot : lookup statut Loop/Shopify, annonce date réception entrepôt + délai CB 5-10 j. Pas d'escalade si info disponible. Voir templates support, base réponses (#102).
Comment mesurer la réduction des allers-retours SAV ?
Les KPI préqualification retour prouvent le ROI au-delà du taux de déflexion.
Métriques leading
Messages médian/ticket retour : cible < 2,5 post-bot
% tickets préqualifiés : champs complets à handoff
Recontact 48 h même intent : < 8 %
FCR retour : cible 75-88 % (Bookbag)
Taux échange vs remboursement : trend mensuel
Métriques lagging
CSAT intent retour, temps agent/ticket, coût SAV retour, taux retour abusif bloqué. Astucia cite -40 à -60 % volume tickets retour sous 30 j avec bot bien intégré.
Dashboard mensuel
Volume retour bot vs humain, top 5 motifs, top 3 unmatched, corrélation motif × SKU. Voir FCR (#136), taxonomie tickets (#135), qualité réponses (#116).
Comment former agents et aligner macros sur la préqualification ?
La préqualification bot échoue si les agents ignorent la fiche handoff et reposent les mêmes questions.
Règle équipe
Ticket tag `return_prequalified` : l'agent lit la fiche avant de répondre. Interdit : « Quel est votre numéro de commande ? » si déjà dans le handoff. Autorisé : confirmation en 1 phrase + action (lien, remplacement, exception).
Macros alignées
RET-PREQUAL-EXCHANGE : accuse réception fiche + lien portail personnalisé. RET-PREQUAL-REFUND : rappel délai + numéro RMA si créé. RET-PREQUAL-LITIGE : empathie + SLA 2 h senior.
Boucle feedback
Agent flag « fiche incomplète » → review bot sous 48 h. Agent flag « mauvaise éligibilité bot » → fix corpus policy. Review hebdo 5 tickets escaladés : le bot aurait-il pu résoudre ? Voir choisir questions à automatiser, playbook DTC.
Comment Qstomy préqualifie les retours en conversation ?
Qstomy automatise la préqualification retour avec lookup Shopify, policy sync et handoff structuré Gorgias.
Fonctionnalités
Lookup commande : email ou # sans re-saisie
Arbre motif : aligné raisons Loop/portail
Calcul éligibilité : délai, exclusions, final sale
Routing échange/remboursement : stock temps réel
Fiche handoff : transcript + tags + photos
Rapport unmatched retour : brief corpus mensuel
Scénario DTC chiffré
Marque skincare, 520 tickets retour/mois, 6,1 messages médian, FCR retour 54 %. Qstomy préqualifie 71 % des contacts retour (éligibilité + motif + intention). Après 12 semaines : messages médian 2,3, FCR retour 78 %, taux échange +19 points (Loop Shop Now), temps agent/ticket -42 %, CSAT intent retour 4,6/5.
Explorez support IA, Shopify, demander une démo.
Quels playbooks opérationnels lancer cette semaine ?
Playbook 1 : audit 30 tickets retour non qualifiés
Export Gorgias tag retour, 30 derniers tickets 5+ messages. Listez questions répétées agent. Priorisez top 3 champs manquants. Délai : 2 h.
Playbook 2 : arbre décision Notion
Diagramme 3 niveaux (type demande → éligibilité → résolution). Validez support + ops. Implémentez dans bot semaine suivante.
Playbook 3 : fiche handoff Gorgias
Template note interne : commande, SKU, motif, éligibilité, intention, photos, variante souhaitée. Rule : tag return_prequalified si 6/6 champs remplis.
Playbook 4 : phase read-only 14 j
Bot lookup + éligibilité + lien portail Loop, zero write API. Mesurez messages/ticket et recontact 48 h. Puis activez draft API si KPI OK.
Playbook 5 : formation agents handoff
30 min : lire fiche, ne pas re-questionner, macros RET-PREQUAL-*. Quiz 5 scénarios fictifs. Objectif 90 % bonnes réponses.
Maillage utile
Préqualifier, ce n'est pas repousser le client : c'est lui faire gagner du temps et à votre équipe de trancher dès le premier message humain.
Enzo
28 juin 2026
