Sur le quai de réception d’un négoce de pièces détachées de Gonesse, quatorze colis attendent depuis vendredi. Aucun bon de retour lisible. Deux cartons portent un numéro de commande griffonné au marqueur, les autres n’ont rien du tout, et le magasinier va passer sa matinée à téléphoner aux commerciaux pour reconstituer l’histoire de chaque colis. C’est sur ce terrain-là que l’intelligence artificielle et la gestion des retours produits se rencontrent vraiment, pas dans les grands schémas de chaîne logistique mais dans la remise en ordre d’un flux que personne n’a jamais pris le temps d’organiser.
Ce qu’un retour coûte avant même d’être ouvert
Reprenons ce négoce, soixante salariés, environ trois mille deux cents retours par an sur un catalogue de gros œuvre et de consommables. Le transport retour tourne autour de onze euros le colis. S’y ajoutent la manutention, le contrôle visuel, la saisie de l’avoir, le temps du commercial qui rassure le client, l’immobilisation d’un produit qui ne se vend plus pendant trois semaines. Personne dans l’entreprise ne connaît le total, et pour une raison simple : ces montants sont éclatés sur cinq ou six comptes comptables différents, aucun ne s’appelant « retours ».
Le coût commercial, lui, ne se compte pas en euros. Un client qui attend son avoir six semaines ne le dit pas toujours, mais il consulte le concurrent à sa prochaine commande.
Trier les demandes dès leur arrivée
La première brique est peu spectaculaire et très rentable. Les demandes de retour arrivent en texte libre, par mail, par téléphone, parfois sur un formulaire du site. Un modèle de langage lit ce texte, en extrait la référence concernée, le numéro de commande quand il est cité, et surtout le motif réel derrière la formulation du client. « Ce n’est pas ce que j’avais commandé » et « la pièce ne rentre pas » se ressemblent dans un mail, mais l’une relève d’une erreur de préparation et l’autre d’une fiche produit ambiguë.
Ce que nous constatons chez nos clients, c’est que sept ou huit motifs couvrent près de neuf demandes sur dix. Une fois cette classification fiable, une règle simple suffit : en dessous d’un certain montant et pour un produit non ouvert, l’accord de retour part automatiquement avec son étiquette de transport. Au-dessus, un humain regarde. Le gain n’est pas dans l’intelligence de la décision, il est dans le fait qu’elle tombe le jour même au lieu du jeudi suivant.
Un détail compte plus qu’il n’y paraît dans ce tri : la génération automatique du document de retour, avec le bon numéro, la bonne adresse d’entrepôt et la bonne référence. Les colis anonymes du quai de Gonesse venaient de là, d’une procédure que les clients ne suivaient pas parce qu’elle leur demandait de retrouver un bon de livraison de trois mois. Quand l’étiquette arrive dans le mail de réponse, le taux de colis identifiables monte d’un coup, et le magasin cesse de jouer aux devinettes.
Remonter à la cause plutôt qu’au symptôme
Un motif classé devient une donnée exploitable. Croisez-la avec le fournisseur, le lot, la fiche produit, le transporteur, le commercial qui a saisi la commande, et des concentrations apparaissent que personne n’aurait vues à l’œil nu. Chez ce négoce, quatre retours sur dix d’une famille de joints venaient d’une fiche catalogue dont le diamètre affiché était faux depuis deux ans. Corriger la fiche a pris vingt minutes. Trouver le problème avait demandé de classer huit mille lignes d’historique, ce qu’aucun être humain n’allait faire un vendredi soir.
L’étape suivante consiste à prendre les devants. Avec un historique suffisant, un modèle repère les commandes qui ressemblent à celles qui reviennent : un client qui commande pour la première fois une référence technique, une quantité inhabituelle, une combinaison de produits incompatibles entre eux. Un appel de trente secondes avant l’expédition évite le colis, le transport, l’avoir et la mauvaise humeur. Cette logique de vérification en amont rejoint d’autres chantiers que nous décrivons dans notre panorama de l’IA appliquée aux métiers.
Décider du sort du produit revenu
Un produit qui revient a quatre destins possibles : la remise en stock immédiate, le reconditionnement, la revente en second choix, la destruction. Le choix se fait aujourd’hui au jugé, par un magasinier qui n’a ni le prix de revient en tête ni l’état du stock de la référence. Des photos prises au déballage, associées à l’historique de la référence, permettent à un outil de proposer la destination la plus rentable et de calculer ce que la décision rapporte réellement.
Disons-le franchement : cette brique-là a une limite sérieuse. Sur une pièce technique, une photo ne dit rien de l’état interne, et un composant électronique remis en stock après un retour peut revenir une seconde fois sous garantie. Nous déconseillons d’automatiser cette décision au-delà des produits standard et des emballages non ouverts. Le reste doit rester entre les mains de quelqu’un qui connaît le produit.
Il reste que la décision, même prise par un humain, gagne à être documentée. Chaque produit revenu porte alors une trace : ce qu’il a coûté à récupérer, ce qu’il a rapporté ensuite, combien de jours il est resté en zone d’attente. Au bout d’un semestre, cette trace vaut de l’or pour négocier avec un fournisseur dont les emballages arrivent systématiquement abîmés.
Par quoi commencer sans se disperser
Le vrai obstacle n’est presque jamais technique. Il est documentaire : dans la plupart des PME que nous rencontrons, l’historique des retours n’existe pas sous forme exploitable, il dort dans les boîtes mail des commerciaux et dans un cahier au magasin. Comptez donc une première étape de reconstitution, six à douze mois d’antériorité suffisent, sur une seule famille de produits, celle qui revient le plus.
- Compter les retours d’une famille sur un an et chiffrer ce qu’ils coûtent, même approximativement.
- Faire classer les motifs par un outil, puis vérifier cent cas à la main pour mesurer la fiabilité.
- Automatiser uniquement les accords de retour simples, laisser le reste en arbitrage.
- Attendre trois mois avant de brancher quoi que ce soit sur l’ERP.
Ce séquencement paraît lent. Il évite l’erreur que nous voyons le plus souvent, celle du projet global lancé sur des données trop pauvres, qui produit des classifications fantaisistes et grille la confiance des équipes pour deux ans. Une entreprise qui a déjà structuré ses flux administratifs partira plus vite, et notre lecture des niveaux de maturité en IA aide à situer son point de départ.
Un flux de retours bien tenu ne fait pas gagner de contrat. Il arrête une fuite, améliore la relation avec des clients agacés et révèle, au passage, des défauts produits que le service qualité cherchait depuis des mois. C’est précisément ce type de chantier discret que nous chiffrons avec les dirigeants, et l’équipe MINOBIA peut examiner avec vous ce que l’intelligence artificielle et la gestion des retours produits valent concrètement dans votre organisation, avant tout engagement.
Questions fréquentes
Faut-il un ERP moderne pour se lancer ?
Non. Les premières briques travaillent sur des mails et des exports de commandes. Le raccordement à l’ERP vient plus tard, une fois les règles stabilisées.
Combien de retours faut-il par mois pour que ce soit rentable ?
En dessous d’une trentaine de dossiers mensuels, l’effort de mise en place se justifie rarement, sauf si chaque retour porte sur des montants élevés.
Le client va-t-il parler à une machine ?
Pas nécessairement, et souvent pas souhaitable en B2B. L’outil peut se contenter de préparer la réponse que le commercial relit et envoie en trente secondes.
Que fait-on des retours abusifs et répétés ?
L’analyse les fait ressortir très vite. La suite relève de la discussion commerciale, pas de l’outil : certains comptes coûtent plus qu’ils ne rapportent, et c’est au dirigeant de trancher.
Quel délai avant les premiers résultats visibles ?
Quelques semaines pour le tri et la classification des motifs. Les effets sur le taux de retour lui-même se mesurent plutôt sur deux trimestres, le temps de corriger les causes identifiées.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
