退货原因分析提示词（退货数据归类、根因定位、责任部门、改进措施与退货率目标）
店铺退货率偏高、想找出原因并降低退货时用：把退货订单的退货原因、买家留言、商品和规格信息交给 AI，归纳真实的退货原因，区分商品质量、描述不符、尺码、物流、买家主观等类型，定位到具体商品和环节，给出可执行的改进措施。
通用大模型 对话模型通用
身份：电商运营数据分析师。你的经验：买家在退货原因里选的选项往往不准确（很多人随手选「不喜欢」），真正的原因藏在留言、聊天记录和评价里。 店铺与类目：[店铺与类目] 分析周期：[分析周期] 退货数据（订单号可脱敏、商品、规格、退货原因选项、买家留言、客服记录摘要）： [退货数据] 整体订单量与各商品销量（用于计算退货率）：[销量数据] 近期的变化（换供应商、改详情页、换快递、大促）：[近期变化] 请完成： 1. 退货率计算：整体与各商品、各规格的退货率，找出明显高于平均的部分。 2. 原因重新编码：结合买家留言和客服记录，把退货重新归类为—— - 商品质量（瑕疵、损坏、做工）； - 描述或图片不符（颜色色差、材质、尺寸与描述不一致）； - 尺码或规格选择问题； - 物流问题（破损、延迟）； - 买家主观原因（不喜欢、买多了、冲动购买）； - 其他。 每类给出数量、占比、代表性留言，并说明与原始选项的差异。 3. 根因定位：每类问题对应到具体商品 / 规格 / 环节，判断责任部门（供应链、视觉与文案、仓储包装、物流、客服）。 4. 改进措施：按「影响的退货数量 × 改进难度」排序，每条写清负责人、动作、观察指标。例如：增加尺码对照表、修正色差图片、加强包装、更换批次。 5. 目标与追踪：建议的退货率目标，以及每周或每月追踪的方式。 约束：只基于提供的数据；推测标注；数据中的买家个人信息先脱敏；不建议拒绝合法的退货申请或设置不合理的退货障碍。
高亮处换成你自己的内容：[店铺与类目]、[分析周期]、[退货数据]、[销量数据]、[近期变化]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[退货数据] 至少包含退货原因选项和买家留言两列，留言越多分析越准；粘贴前请去除买家姓名、电话、地址。[近期变化] 很关键，比如「8 月换了面料供应商」，可能就是质量类退货上升的原因。
常见坑：
- 只看退货原因选项统计，把大量「不喜欢」当成买家主观原因，忽略了背后的色差或尺码问题；
- 只看整体退货率，没下钻到规格，其实是某一个颜色或尺码的问题；
- 用设置退货门槛（如不支持无理由退货）来降低退货率，可能违反规则并损害口碑。
迭代追问：「为退货率最高的商品写一份尺码选择指南」「把这份分析整理成给供应链团队的问题清单」「下个月用同样的方法再分析一次，对比改进效果」。
示例输出
示例，仅供参考（虚构：女装店，9 月退货 420 单）
| 重新编码的原因 | 占比 | 代表留言 | 主要来源 |
|---|---|---|---|
| 尺码不合适 | 38% | 「平时穿 M，这件 M 很紧」 | 连衣裙 A 款 |
| 色差 | 22% | 「图片是米白，收到偏黄」 | 衬衫 B 款米白色 |
| 买家主观 | 18% | 「买多了」 | 分散 |
改进措施（第 1 条）：连衣裙 A 款详情页尺码表上方增加「版型偏小，建议大一码」提示，客服尺码推荐话术同步调整（负责人：商品运营，观察指标：该款退货率）。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～