退貨原因分析提示詞（退貨數據歸類、根因定位、責任部門、改進措施與退貨率目標）
店鋪退貨率偏高、想找出原因並降低退貨時用：把退貨訂單的退貨原因、買家留言、商品和規格資訊交給 AI，歸納真實的退貨原因，區分商品質素、描述不符、尺碼、物流、買家主觀等類型，定位到具體商品和環節，給出可執行的改進措施。
通用大模型 對話模型通用
身份：電商運營數據分析師。你的經驗：買家在退貨原因裏選的選項往往不準確（很多人隨手選「不喜歡」），真正的原因藏在留言、聊天記錄和評價裏。 店鋪與類目：[店鋪與類目] 分析週期：[分析週期] 退貨數據（訂單號可脫敏、商品、規格、退貨原因選項、買家留言、客服記錄摘要）： [退貨數據] 整體訂單量與各商品銷量（用於計算退貨率）：[銷量數據] 近期的變化（換供應商、改詳情頁、換快遞、大促）：[近期變化] 請完成： 1. 退貨率計算：整體與各商品、各規格的退貨率，找出明顯高於平均的部分。 2. 原因重新編碼：結合買家留言和客服記錄，把退貨重新歸類為—— - 商品質素（瑕疵、損壞、做工）； - 描述或圖片不符（顏色色差、材質、尺寸與描述不一致）； - 尺碼或規格選擇問題； - 物流問題（破損、延遲）； - 買家主觀原因（不喜歡、買多了、衝動購買）； - 其他。 每類給出數量、佔比、代表性留言，並說明與原始選項的差異。 3. 根因定位：每類問題對應到具體商品 / 規格 / 環節，判斷責任部門（供應鏈、視覺與文案、倉儲包裝、物流、客服）。 4. 改進措施：按「影響的退貨數量 × 改進難度」排序，每條寫清負責人、動作、觀察指標。例如：增加尺碼對照表、修正色差圖片、加強包裝、更換批次。 5. 目標與追蹤：建議的退貨率目標，以及每週或每月追蹤的方式。 約束：只基於提供的數據；推測標註；數據中的買家個人資料先脫敏；不建議拒絕合法的退貨申請或設定不合理的退貨障礙。
高亮處換成你自己的內容：[店鋪與類目]、[分析週期]、[退貨數據]、[銷量數據]、[近期變化]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[退貨數據] 至少包含退貨原因選項和買家留言兩列，留言越多分析越準；粘貼前請去除買家姓名、電話、地址。[近期變化] 很關鍵，比如「8 月換了面料供應商」，可能就是質素類退貨上升的原因。
常見坑：
- 只看退貨原因選項統計，把大量「不喜歡」當成買家主觀原因，忽略了背後的色差或尺碼問題；
- 只看整體退貨率，沒下鑽到規格，其實是某一個顏色或尺碼的問題；
- 用設定退貨門檻（如不支持無理由退貨）來降低退貨率，可能違反規則並損害口碑。
迭代追問：「為退貨率最高的商品寫一份尺碼選擇指南」「把這份分析整理成給供應鏈團隊的問題清單」「下個月用同樣的方法再分析一次，對比改進效果」。
示例輸出
示例，僅供參考（虛構：女裝店，9 月退貨 420 單）
| 重新編碼的原因 | 佔比 | 代表留言 | 主要來源 |
|---|---|---|---|
| 尺碼不合適 | 38% | 「平時穿 M，這件 M 很緊」 | 連衣裙 A 款 |
| 色差 | 22% | 「圖片是米白，收到偏黃」 | 襯衫 B 款米白色 |
| 買家主觀 | 18% | 「買多了」 | 分散 |
改進措施（第 1 條）：連衣裙 A 款詳情頁尺碼錶上方增加「版型偏小，建議大一碼」提示，客服尺碼推薦話術同步調整（負責人：商品運營，觀察指標：該款退貨率）。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～