退貨率怎麼算才看得出問題：分母是訂單、件數還是金額，決定了你看到的答案
同一份報告裡的兩個退貨率差了 3.5 個百分點，兩個都對，差別只在分母含不含門市。這篇拆開退貨率的三種算法分別回答客服、倉儲與財務的哪個問題、為什麼跨品類比大小量到的是商品屬性與法律條件、以及退貨率變高其實可能是新客變多的副作用。附台灣消保法七日猶豫期的條件式例外，以及品牌真正該追蹤的切分後退貨率。
同一份報告裡的兩個退貨率，差了 3.5 個百分點
NRF 與 Happy Returns 在 2025 年 10 月發布的《2025 Retail Returns Landscape》裡，美國零售商估計 2025 年被退回的商品價值 8,499 億美元，占全年銷售額 15.8%。翻到同一份報告的另一段，退貨率變成 19.3%。
沒有人算錯。15.8% 的分母是含門市的全年零售銷售額，19.3% 的分母只有線上銷售額。同一份調查、同一年、同一批受訪零售商，換一個分母就差 3.5 個百分點。
台灣品牌的營運會議上，這件事的代價更直接。一份週報寫著「本月退貨率 18%」，這句話沒有提供足夠資訊讓任何人做決定，因為它沒有交代分母；而那個 18% 通常會被直接拿去跟去年比、跟同業比、跟隔壁那個品類比。拿含門市的口徑去比一個純電商同業的線上口徑，得到的落差裡有一大半是算法造成的。
同一份報告還能撐起兩種互相矛盾的說法。要說退貨在收斂可以：報告寫著前一年是 16.9% 與 8,900 億美元，今年的點估計低了 1.1 個百分點。要說退貨很嚴重也可以：線上銷售額有將近兩成會被退回來。報告完整版裡甚至還有第三種單位：受訪的 18 到 30 歲、過去一年至少退過一次線上購買的消費者，平均退了 7.7 次。三種說法都誠實引用同一份報告，讀者卻無法從其中任何一種回推出另外兩種。
這組數字的邊界要先講：NRF 訪的是美國消費者與年營收超過 5 億美元的美國大型零售商，回收 2,006 份與 358 份問卷，適合當口徑差異的示範，不適合當台灣品牌的對標基準；1.1 個百分點也只是兩次獨立調查的點估計。
客服、倉儲、財務各撈一次退貨率，沒有人寫分母
我們最近幾次陪品牌盤退貨看板，遇到的畫面幾乎一樣。報表上有一欄叫退貨率，客服主管、倉儲主管、財務主管各自從自己的系統撈了一次，撈出三個不一樣的數字，三份算式都對。
尷尬的地方不在數字打架，是接下來那句沒人接得住的話：所以我們的退貨到底算高還是算低。那三個數字後來都留著，我們做的第一件事是問它們的分母。
客服、倉儲與財務要的分母不一樣，硬統一就會有兩個部門看錯
退貨率的分母該選哪一個，取決於這個數字要餵給哪個部門做決定。常見的三種組合各自對應一個部門真正想知道的事。
訂單退貨率，用含退貨的訂單數除以期間訂單數，也可以直接叫含退貨訂單率。它回答的是每一百張訂單裡有幾張會走進退貨流程，對應客服與逆物流的工作量。
件數退貨率，用退回件數除以出貨件數。它回答的是倉庫要處理多少件回流商品，對應倉儲動線與二次上架的成本。
金額退貨率，用退貨金額除以銷售金額。它回答的是帳上有多少營收會被沖掉，對應損益與毛利。
| 分母 | 它回答的問題 |
|---|---|
| 期間訂單數 | 客服與逆物流要處理多少案件 |
| 出貨件數 | 倉庫要處理多少件回流商品 |
| 銷售金額 | 帳上有多少營收會被沖掉 |
把三個答案硬統一成一個「公司的退貨率」，等於讓其中兩個部門拿著一個對自己沒有意義的數字做決策。
有兩件事要在這裡講清楚，否則三個口徑一樣會被用錯。
- 三個比率都是工作量的代理指標，不等於工作量本身。一張含退貨的訂單可能產生零次客服接觸（消費者全程走線上自助退貨），也可能產生三次。真的要排人力，得另外看退貨申請件數、客服案件數與檢驗工時，退貨率只負責告訴你量級和趨勢。
- 金額的定義要寫下來。銷售金額指的是折扣後的商品實付金額，退貨金額是實際退還的商品金額，兩邊都要說清楚含不含運費、稅額與補償金。這一行沒寫，兩個月之後同一個欄位就會被算成兩種東西。
只看單一口徑，會漏掉「退了什麼」這件事
只看單一口徑的退貨率，會漏掉「退了什麼」這件事，而退了什麼往往比退了多少更能決定要不要處理。以下用一組示意數字說明三個分母怎麼拉開 11 個百分點。這組數字用來展示算式如何影響結果，不是任何品牌的實際資料。
假設某個品牌在一個月內：訂單 10,000 張，出貨 24,000 件，銷售金額 2,880 萬元（折扣後商品實付、不含運費與稅額），平均單價 1,200 元、平均客單 2,880 元。這個月的退貨情況是：1,800 張訂單裡出現退貨，這 1,800 張原本共買了 7,200 件（平均每張 4 件），其中退回 2,400 件、退貨金額 201.6 萬元。
三個算式跑出來：
- 訂單退貨率：1,800 ÷ 10,000 ＝ 18.0%
- 件數退貨率：2,400 ÷ 24,000 ＝ 10.0%
- 金額退貨率：201.6 萬 ÷ 2,880 萬 ＝ 7.0%
最高的 18% 是最低的 7% 的 2.6 倍，中間橫跨 11 個百分點。同一批貨、同一份原始訂單資料。
拉開的原因有兩個，兩個都跟消費者的實際行為有關。
- 部分退貨把訂單口徑推高。一張訂單買了三件、退了一件，這張訂單在訂單退貨率的分子裡整張被算一次，在件數退貨率的分子裡只增加 1 件，該訂單自己的件數退貨比例是三分之一。這組示意數字裡，出現退貨的那 1,800 張訂單平均每張有 4 件商品，遠高於全體平均的 2.4 件。買多件、退一部分是服飾與鞋類最常見的購買方式，消費者一次買兩三個尺寸再退掉不合的，本來就會把訂單退貨率推高，卻不會等比推高件數退貨率。
- 退回商品的單價偏低把金額口徑壓低。這組數字裡退回件的平均單價是 840 元，只有整體平均單價 1,200 元的 0.7 倍。退掉的是相對便宜的品項，於是金額退貨率落在三個數字的最低點。如果某個月退回的剛好是高單價主力商品，金額退貨率會衝到訂單退貨率之上，即使訂單數完全沒變。
訂單口徑遠高於金額口徑，通常代表退的是便宜品項或部分退貨；金額口徑追上訂單口徑，代表主力商品出了問題。
線上買門市退算給門市，會讓門市檢討一批自己沒賣出去的商品
分母的問題在 OMO 品牌身上會再放大一層，因為同一筆退貨可以被歸到兩個不同的通路。
以退貨資料為主業的分析商 Appriss Retail 把這件事寫成公式。在它的退貨率計算說明裡，實體通路退貨率是實體通路購買的退貨金額除以實體通路銷售金額；線上購買、線上退回是線上退貨金額除以線上銷售金額；而線上購買、門市退回這種行為要單獨列一條，分子是線上訂單產生的退貨金額，分母仍然是線上銷售額。該公司首席資料科學家 Dean Abbott 在同一份說明裡的講法是，好統計的關鍵在分母，分母對了，這個統計就很難錯。
線上買、門市退是台灣消費者的日常。如果這筆退貨被記在門市頭上，門市的退貨率會無端變高、線上的無端變低，兩邊的營運檢討都會走錯方向。
同一份說明還點出兩個容易被忽略的分子問題。
- 換貨。傳統算法把換貨排除在退貨之外，理由是沒有金流進出，但換貨照樣占用客服工時、照樣要收回舊品、照樣要再出一次貨，作業成本一分都沒有少。
- 用金額算還是用筆數算。用筆數算會把一筆 8 萬元的退貨和一筆 800 元的退貨當成同一件事，對損益的影響完全被抹平。
未經校正的跨品類退貨率，量到的是商品屬性與法律條件
跨品類比較退貨率，比出來的往往是商品屬性與消保法七日猶豫期的適用範圍。
消費者保護法第 19 條規定，通訊交易或訪問交易的消費者，可以在收受商品或接受服務後七日內，以退回商品或書面通知的方式解除契約，無須說明理由及負擔任何費用或對價，但通訊交易有合理例外情事者不在此限。這就是實務上俗稱的七日猶豫期，它是法律給消費者的權利，不是店家的服務政策。
例外的範圍由行政院訂在通訊交易解除權合理例外情事適用準則第 2 條，共七款，並且要企業經營者事前告知消費者才會排除七日解除權：
- 易於腐敗、保存期限較短或解約時即將逾期
- 依消費者要求所為之客製化給付
- 報紙、期刊或雜誌
- 經消費者拆封之影音商品或電腦軟體
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供
- 已拆封之個人衛生用品
- 國際航空客運服務
要注意這七款是條件式的例外，不是「整個品類沒有七日解除權」。個人衛生用品要已拆封才適用，數位內容要消費者事先同意始提供才適用，而且企業經營者沒有依法事前告知的話，消費者仍然可以主張解除。所以正確的做法不是按品類二分，而是按「交易型態、商品狀態、有沒有完成事前告知」建立標記。另外還要跟兩件事分開：商品瑕疵或錯寄的退貨不受這七款影響，品牌自己額外提供的十天鑑賞期也是自訂服務、不是法定解除權。
把這層標記放回退貨率的討論就會發現，同一張報表上的商品群適用的退貨條件本來就不同：多數交易落在已拆封個人衛生用品的那一群，和七天內可以無條件退回的服飾，退貨率的可能區間從一開始就不在同一個量級。法規之上還疊了一層行為差異，服飾與鞋類的退貨主要來自尺寸不確定，一次下單兩三個尺寸再退掉不合的買法，會讓退貨率天生高於「買一件就是一件」的品類。
所以要跨群比也可以，前提是把分子與分母定義、通路、價格帶、退貨政策、觀察窗與商品狀態全部對齊；否則只適合跟自己的歷史比。
而這件事還在變重。經濟部統計處在 2026 年 4 月公布，115 年第 1 季零售業網路銷售額為 1,725 億元，年增 10.5%，占整體零售業營業額的 14.1%，比上年同季增加 1.1 個百分點。線上占整體零售的比重持續墊高，代表受七日猶豫期規範的交易量也在墊高，退貨口徑沒定清楚的代價會跟著放大。
換貨算不算退貨、退貨掛在哪個月，同樣會改寫結論
分母只是三個決定裡的一個，另外兩個一樣會讓同一批資料跑出不同答案。
分子的決定是什麼算一次退貨。換貨算不算、出貨前的取消算不算、超商取貨未取算不算、部分退貨算一次還是算比例，每一個都會讓分子上下浮動。把訂單取消併進退貨會讓數字虛高，完全排除又會漏掉一批同樣占用作業量的案件。這裡沒有標準答案，只有有沒有寫下來的差別。
最容易被漏掉的是時間對齊。退貨幾乎不會發生在購買當天，一月賣出去的商品，退貨會落在一月底到二月。用當月退貨金額除以當月銷售金額來算，大檔期當月的退貨率會被系統性低估；檔期結束後的次月，分子承接了上個月的退貨、分母卻縮回平常水位，退貨率會突然跳高。看到跳高就開會檢討，檢討的其實是上個月的檔期。
處理時間錯位要做兩件事。一件是把每一批訂單的退貨追回它自己的購買時點，用訂單世代的方式看；同一份會員資料換一次分母就從 8% 變成 40% 的回購率踩的是同一個坑，只是換成回購這個事件。另一件是設一個成熟觀察窗，例如訂單完成配送後再觀察 30 天，只有走完觀察窗的那幾批訂單才進入正式比較，否則最近一批永遠看起來最乾淨。還要指定哪一個狀態當分子：已申請退貨、已收到退回商品、或退款已完成，三者差幾天到幾週。
退貨率變高，有時候是好消息的副作用
把退貨率當成越低越好的指標，會讓品牌做出短期好看、長期扣分的決定。以下三種上升可能是健康的，但都是需要用自家資料驗證的假說，不是可以直接套用的定律。
新客占比上升可能推高退貨率。第一次買的人不知道這個品牌的版型偏大還是偏小，試錯是必經過程；買過三次的老客知道自己該挑哪個尺寸。一個月的退貨率變高，有可能只是那個月拉進來的新客變多。要驗證這件事，得把新客與舊客分開算退貨率，看上升集中在哪一群；如果兩群同時上升，原因就在別處。
新品或新品類上架可能推高退貨率。新品沒有歷史評價、沒有累積的尺寸回饋，消費者只能買回家試。要驗證得比新品與同期舊品的退貨率，並且看退貨原因分布：如果集中在尺寸不合，那是試水溫的成本；如果集中在瑕疵或與描述不符，那是品檢與商品頁的問題。
放寬退貨條件可能同時推高退貨率與轉換率。NRF 那份調查裡，82% 的美國消費者把免費退貨列為購買時的重要考量，比前一年的 76% 又高了一截；71% 的消費者在一次糟糕的退貨體驗後，較不願意再上門。這是自述偏好，不等於某個品牌放寬政策後轉換率一定會升。要知道自己的答案，只能用政策變更前後的對照，把轉換率、退貨率、毛利與後續回購一起放上桌，只有淨結果改善才算划算。
所以該問的不是退貨率有沒有變高，是這批客人在退貨之後還剩下多少淨貢獻。同一個 18% 的退貨率，背後可能是一批退完就再也不回來的客人，也可能是一批退了不合尺寸、換一件繼續買的長期客。兩者對品牌的價值差距很大，而退貨率這個數字本身分辨不出來。用折扣把人拉進來卻沒有留住的情況也類似，檔期結束會員又消失的忠誠度問題談的就是這種只看單期數字的風險。
量測和預測是兩件事。在退貨發生之前，從瀏覽與加入購物車的行為讀出猶豫、提前用資訊接住不確定，是用 AI 讀懂顧客沉默訊號在處理的題目。這篇處理的是另一半：退貨已經發生了，怎麼把它量對。預測再準，量測口徑錯了一樣會看錯結論。
口徑要能統一，前提是退貨對得回它的來源
難的不是算除法，是讓每一筆退貨都能對回它的來源。不同深度的問題要的資料不一樣，可以分三層做：
- 基本層：退貨單要能對回原始訂單與原始通路。有這一層就算得出三個口徑，也能把線上買門市退歸到正確的通路，因為歸屬看的是原訂單從哪裡來。
- 分析層：再加上商品主檔與訂單時間，就能按品類切、能設成熟觀察窗、能用訂單世代看趨勢。
- 會員層：再加上會員身分與購買序位，才能分新舊客；要按行銷活動切，還要留下這張訂單是哪一檔活動帶進來的。
這是 91APP CDMP 在客戶端最常先處理的一段：把線上與門市的消費紀錄歸到同一個會員 ID，讓同一個人在兩邊是同一個身分。歸戶做完，第三層的新舊客與活動切分才有東西可算，退貨率也才走得出「一個全店平均值」。
再往下走，退貨後淨貢獻才算得出來。這個數字比「營收減退貨金額」複雜得多，要一起算的至少有商品成本回轉、雙向物流、金流手續費、客服處理成本，以及回流商品能不能二次上架、殘值剩多少；如果營收本身已經是退款後的淨額，就不能再扣一次退貨。這跟折價券發越多回購越好嗎裡談的毛利侵蝕是同一種算法紀律：表面指標好看，不代表淨額也好看。
退貨率拆到品類、客群與原因碼，才會變成可以指派負責人的問題
- 三個口徑一起放進報表，每一欄後面標分母：訂單退貨率、件數退貨率、金額退貨率並列，欄位名稱直接寫清楚分母（預期效果：跨部門討論不再花時間對帳；建議週期：下次報表改版就做）。
- 給每個商品群標上適用的退貨條件，再分開算：標的是交易型態、商品狀態與有沒有完成事前告知，而不是粗略的品類名稱；要跨群比就先把口徑、通路、價格帶與退貨政策對齊（預期效果：不再因為商品結構改變而誤判營運品質；建議週期：每月一次，每季比趨勢）。
- 依新舊客分開算：新客與舊客的退貨率各自追蹤，用最近購買、頻率、金額三軸把會員分群的結果套進去看差異（預期效果：分辨得出退貨率上升是新客變多還是體驗變差；建議週期：每月一次）。
- 建一組夠細的退貨原因碼再分開算：尺寸不合、商品瑕疵、與描述不符、錯寄、物流損壞、逾期未取、買錯、退款不退貨，各自對應不同的負責單位；同時盯原因碼的必填率與「其他」占比，這兩個數字一鬆掉整份分析就沒用了（預期效果：退貨率變成可以指派負責人的問題清單；建議週期：每兩週看一次原因分布）。
- 把退貨後淨貢獻設成主指標，退貨率降為輔助指標：先把公式寫死（收入、退款、商品成本回轉、雙向物流、金流與客服處理成本、回收殘值），再拿它評估檔期與商品（預期效果：避免為了壓低退貨率而收緊政策、連帶壓掉轉換；建議週期：每檔活動結算一次）。
一個沒有標註分母的退貨率，是一個還沒完成的數字
回到那張擺著三份算式的桌子。三個數字後來都留在報表上，只是各自加了一個括號，寫上自己的分母。那句「所以到底算高還是算低」也不再卡住，因為問題被換成了：這個分母對應哪個決定。
退貨率是少數只要把定義寫清楚、就能立刻變得有用的指標。三個口徑的計算本身不需要新模型，只需要有人在報表上把分子、分母與時間窗寫下來；需要串資料的是後面那些按品類、按客群、按活動的切分。台灣品牌的線上占比還在往上走，受猶豫期規範的交易量也跟著往上，這一行字的價值會跟著放大。報表上標明了分子、分母與時間窗之後，三個退貨率才具備互相比較的基礎。
品牌最常問的退貨率問題
Q1：退貨率怎麼算？
A1：常見有三種算法：含退貨的訂單數除以期間訂單數（訂單退貨率）、退回件數除以出貨件數（件數退貨率）、退貨金額除以銷售金額（金額退貨率）。同一批資料用三種算法會得到不同結果，所以報表上必須標明分母，否則這個數字無法被解讀。
Q2：訂單退貨率和金額退貨率該用哪一個？
A2：客服排班與逆物流作業量看訂單退貨率，倉儲與二次上架成本看件數退貨率，損益與業績認列看金額退貨率。三個並列放進報表、各自標註分母才是完整做法。要跟外部統計對標時得先確認口徑，例如 NRF 的退貨率以金額為基礎，拿自家的訂單退貨率去比會得到錯誤結論。
Q3：退貨率變高一定是壞消息嗎？
A3：不一定。三種健康原因都可能推高它：當月新客占比上升、新品上架缺少歷史尺寸回饋、放寬退貨條件換取結帳轉換。這三條是假說，要用新舊客分層、新舊品同期比較與政策前後對照去驗證。該追蹤的是退貨之後這批客人剩下多少淨貢獻，而不是退貨率的絕對值。
Q4：不同品類的退貨率可以互相比較嗎？
A4：未經校正的跨品類總退貨率不能拿來比高低。通訊交易解除權合理例外情事適用準則第 2 條列了七款例外（如已拆封的個人衛生用品、客製化商品、易腐敗商品），且需企業經營者事前告知才排除七日解除權，屬條件式例外而非整個品類沒有解除權。加上服飾鞋類有一次買多個尺寸再退的行為，各群商品的退貨率區間本來就不同。要跨群比較，得先對齊分子分母定義、通路、價格帶、退貨政策與觀察窗。
Q5：預算有限的品牌，最少要先做哪一個口徑？
A5：看你現在最痛的是哪一塊：財務與業績認列先做金額退貨率，倉容與二次上架先做件數退貨率，客服人力先做含退貨訂單率或退貨申請件數。三種起點的共同最低要求一樣，每筆退貨都要留下原始訂單、商品、金額與時間。接著補退貨原因碼統計，這一項不需要額外系統，客服受理時選一個原因就能累積。
Q6：要導入什麼系統才能把退貨對回原始訂單？
A6：門檻不在計算而在資料串接，而且分層次。算三個口徑只要退貨單能對回原始訂單與通路，多數訂單系統就做得到；要按品類切得加商品主檔；要按客群或行銷活動切，才需要一個能把線上與門市消費紀錄歸戶到同一個會員身分的顧客數據平台。另外退貨有時間遞延性，評估改善措施要用訂單世代追蹤，不能拿當月退貨除以當月銷售就下結論。 learn more about 1Win