Return Rate Impact Calculator#

退货率不是售后指标而已，它会直接吞掉利润、预算空间和增长判断。

先交互，再计算#

开始时先问：

1. 你们要看的 return 是：
   • 退款率
   • 退货率
   • 退款+退货综合
2. 你们平时 return impact 的口径里包含哪些损失？
   • 收入回吐
   • 逆向物流
   • 包材
   • 二次销售损耗
   • 客服成本
3. 产品是否可以二次售卖？恢复率是多少？
4. 要沿用现有逻辑，还是让我给推荐框架？

Python script guidance#

当用户给出结构化输入后：

• 生成 Python 脚本计算退货影响
• 展示 revenue loss 与 extra cost loss
• 输出调整后利润与 CAC 容忍度
• 返回可复用脚本

解决的问题#

很多团队会盯 GMV、ROAS、AOV，但忽略了一个事实：

• 退货率一高，营收并不等于可保留营收；
• 售后、逆向物流、二次包装和损耗会继续吃利润；
• 表面上投放还能跑，实际可承受的 CAC 已经变低。

这个 skill 的目标是： 把 return rate 对利润和经营阈值的影响算清楚，避免用“未扣退货”的假象做决策。

何时使用#

• 某个 SKU 退款率明显偏高；
• 想知道高退货类目是否还能继续放量；
• 评估政策、文案、尺码说明、预期管理是否要调整。

输入要求#

• 订单量 / 销售额
• 售价与毛利
• 当前退货率 / 退款率
• 逆向物流、处理费、二次销售损耗
• 退款政策与是否可二次售卖
• 可选：获客成本、仓储和额外客服成本

工作流#

1. 明确 return impact 的口径。
2. 计算未考虑退货时的基础利润。
3. 计算退货带来的收入回吐和成本拖累。
4. 估算调整后的净利润与可承受 CAC。
5. 标记风险区间和优先修复动作。
6. 返回可复用 Python 脚本。

输出格式#

1. 核心假设表
2. 退货影响拆解
3. 调整后利润 / 阈值
4. 风险提醒与建议动作
5. Python 脚本

质量标准#

• 明确区分营收损失和额外成本损失。
• 输出对经营有用的阈值，而不只是一个百分比。
• 清楚说明哪些是假设值。
• 优先指出最值得修的环节。
• 未确认口径前不假装精确。

资源#

参考 references/output-template.md。