首先旗帜鲜明的表明立场，这个数据不靠谱（只能说不靠谱，既不能说是对的，也不能说是错误的）。这是电商退货率计算中一直存在的一个系统问题。待会细说。

先给不了解内情的朋友简单说一下背景，本周网络流传一个“韩都衣舍退货率69.8%，杰克琼斯45%”的消息（当然还有其他品牌，一个10个品牌中枪）。

http://mmbiz.qpic.cn/mmbiz/3FCARfoUAauzsxpvtaxrgJgDvkQiaTgq6CsXFdibglSx5G4LoTXyoKN4OIekm6j2hoe5IhdjhbCwcB7RkAR56l2w/0

从这个图看出韩都衣舍的30天内的退货率为69.8%！于是乎网络惊呼都是双11惹的祸，前十大原来都是刷出来的销售等等。

这个数据如何不靠谱？有新的朋友一定记得我的书【数据化管理：洞悉零售及电子商务运营】有提到离婚率的问题。网上也如十大离婚率的城市数据（其中北京第一，离婚率39%；上海第二，离婚率38%；深圳第三，离婚率36.25%）。离婚率真有这么高吗？当然不会，这里的错误是离婚率公式（离婚率=当期离婚人数/结婚人数），发现问题了吗？分子和分母根本不是一回事儿，没有绝对的包含关系（除非当期结婚又离婚的）。

这里计算韩都衣舍的退货率就是用的这种算法，30天内退货除以30天内的发货，即11月21日到12月20日的这30天内的退货率（退货/发货）。大家仔细想想，双11的退货在分子里面（这个数据会比较大），而发货却不在分母里面（相对双11来说这个数据会非常小），这样问题就来了，这样计算的退货率有意思吗？

没意思。但是却不能说这种方法是错误的，这是目前各大电商通用的计算退货率的方法，虽然不是错误的，但是却不符合业务逻辑。

那电商退货率到底如何处理呢？虽然退货率的公式非常简单，但是退货率和离婚率一样容易出问题。退货率的公式隐含了时间和对象两个关键信息，即什么对象在什么时间周期内的退货率。如果只用公式硬套，还可能算出退货率高于100%的情况。退货率常见问题有两种情况：

1、对象不一致：有的公司为了方便顾客，允许顾客就近退货，这样极端状况下就有可能造成退货批次大于发货批次的现象，因为会有非本店购买的顾客来退货，这些退货批次不在分母中，但却在分子中。这种情况一般线下零售比较多。

2、时间属性不一致：经常出现的情况是上月发的货本月来退，造成本月退货率数据失真。这种情况一般线上零售比较多。

当发货数量巨大，退货比较小时一般问题不大，但是现在电子商务的退货率一直高居不下，影响就比较大了。解决这两种不一致的办法有三种：

1、扩大统计范围：如果公司允许顾客就进退货，那就不要分析店铺的退货率，直接看城市或全公司的退货率就可以了。

2、追根溯源：包括把非本店铺发货的退货单从数据上返还给实际发货的店铺，把非本周期发货的退货单从数据上返还给实际发货的周期。例如本月发货200单，退货40单，其中10单是非本月的发货，则本月实际退货率是15%。这种方法可以做到对象和时间数据的一致了，不过这种方法计算起来比较复杂，因为退货源的归属期查起来往往比较麻烦。所以一般用于中长期，如月退货率的计算。这种方法的退货率需要不断的修正，如2013年10月底计算的当月退货率为12%，但11月又有10月发货的商品退货，则11月底时需要修正10月的退货率数据，如果12月时还有10月发货的商品退回，则12月底时还需修正。

3、实际发生退货率：这种方法就是按当期实际退货数除以当期实际发货数，忽略对象和时间属性不一致的因素。这种方法的好处是简单，就是退货不问出处，可以适用于计算短期退货率使用，如日、周退货率。

不管企业采用何种计算方法，一定要注意标准的统一。只有标准统一了我们才好结合退货率的走势去分析退货背后的原因。数据分析一定要结合业务逻辑才有意义，否则就太“退货率”了。

这是【今日数说】这个栏目我写的第二篇文章，也欢迎大家投稿。投稿成功，可以推荐你的微博号。