Por Diosh — Fundador, AHAeCommerce | Inteligencia de decisiones de eCommerce para operadores con un GMV de $50K–$5M
Una devolución de $49 le cuesta al operador promedio de eCommerce en EE. UU. entre $14 y $24 para procesarla: logística inversa, inspección, reposición o desecho, atención al cliente y reversión del procesamiento de pagos (estimación de la industria, Narvar, 2024). Si el 9% de ese volumen de devoluciones es fraudulento, y los comerciantes de EE. UU. incurren en $4.61 de costo total por cada $1 de fraude (LexisNexis, True Cost of Fraud 2025), la estructura de costos de tu política de devoluciones está corriendo muy por encima de tu línea de devoluciones en el P&L.
El fraude en devoluciones no es un problema de herramientas. No se resuelve con un proveedor de detección, una política más estricta ni un umbral de puntaje de fraude. Es un problema de segmentación y de decisión: cuáles de tus devoluciones llevan una señal real de fraude, cuáles llevan un abuso que técnicamente no es fraude, cuáles son clientes insatisfechos que expresan un error de compra y cuáles son legítimas. Los operadores que tratan las cuatro categorías con el mismo instrumento de política terminan pagando ya sea en pérdidas por fraude o en relaciones perdidas con clientes legítimos, y con frecuencia en ambas.
El supuesto por defecto (y por qué falla)
La respuesta estándar del operador ante el aumento de las tasas de devolución sigue un patrón predecible: ampliar la ventana de devolución cuando la adquisición es la prioridad, ajustarla cuando aumenta la presión sobre el margen. Agregar una tarifa de reposición cuando las devoluciones superan el 20%. Exigir fotos antes de emitir etiquetas. Implementar una herramienta de fraude en devoluciones cuando los casos individuales de fraude se vuelven visibles.
Esta respuesta no es incorrecta de forma aislada. Cada una de estas intervenciones puede ser apropiada. Lo que falla es la secuencia: implementar cambios de política antes de entender la composición de las devoluciones. Una tasa de devolución del 22% que es 18% comportamiento legítimo del cliente y 4% abuso debe gestionarse de manera distinta a una tasa de devolución del 22% que es 10% legítima y 12% abuso. La respuesta de política apropiada para el segundo escenario puede causar un daño significativo a la relación con el cliente cuando se aplica al primero.
El mecanismo del daño es específico: los procesos de devolución demasiado restrictivos aumentan la relación entre la fricción del cliente legítimo y el ahorro por fraude. Exigir fotos del recibo para todas las devoluciones, bloquear a quienes devuelven con frecuencia sin importar su comportamiento de compra o aplicar tarifas de reposición de manera uniforme genera la mayor fricción entre los clientes de alto LTV que compran con frecuencia y ocasionalmente necesitan devolver, mientras hace relativamente poco para detener el fraude organizado en devoluciones, que es lo suficientemente sofisticado como para adaptarse a la mayoría de los cambios de política.
De qué depende realmente la decisión
La división entre fraude, abuso e insatisfacción
El fraude en devoluciones y el abuso de devoluciones no son lo mismo, y confundirlos produce la intervención incorrecta.
El fraude en devoluciones es una tergiversación estructurada: devolver un artículo que nunca se compró, devolver un artículo usado como nuevo, devolver un artículo falsificado o presentar una devolución de un artículo que en realidad nunca enviaste de vuelta. Esta categoría suele estar a cargo de un pequeño porcentaje de clientes —en la mayoría de las categorías, del 1% al 5% del volumen de devoluciones— pero representa un costo desproporcionado porque la pérdida por fraude es el 100% del valor del artículo en lugar del costo de reposición.
El abuso de devoluciones es la explotación de la política sin un fraude flagrante: wardrobing (usar un artículo y devolverlo), bracket buying (pedir varias tallas para probar y devolver el resto) y devoluciones en serie (patrones en los que la tasa de devolución señala un comportamiento de compra, no insatisfacción). Estos son clientes que usan la política tal como fue diseñada, solo que de maneras que erosionan tu margen. No son fraudulentos. A menudo son el comportamiento natural de tu segmento de clientes con mayor frecuencia de pedidos.
Las devoluciones legítimas por errores de compra son sencillamente parte de la matemática de conversión del eCommerce. La incapacidad de la compra en línea para verificar el ajuste, la talla, la precisión del color o el funcionamiento crea una tasa de devolución estructural que, en ausencia de una tienda física, es inevitable. Estas devoluciones te cuestan el procesamiento y la logística inversa, pero son parte del costo de la adquisición: retener al cliente vale más que eliminar la devolución.
La decisión de política que trata las tres categorías con el mismo instrumento genera la mayor mala asignación de los costos de protección contra fraude y de la fricción en la experiencia del cliente.
El tiempo hasta la devolución como señal principal
La señal de comportamiento más confiable para distinguir el fraude de las devoluciones legítimas es la velocidad de devolución: el tiempo entre la entrega y el inicio de la devolución.
Las devoluciones iniciadas dentro de las 24 a 72 horas posteriores a la entrega tienen una mayor señal de fraude que las devoluciones iniciadas después de 14 días. Un artículo devuelto inmediatamente después de la entrega (antes de que razonablemente se hubiera podido probar o usar) a menudo indica o bien un desajuste entre el artículo recibido y el artículo pedido —lo cual es una corrección de error, no un fraude— o bien un esquema de devolución organizado en el que el artículo se devuelve antes de que fuera necesario.
Las devoluciones iniciadas en el borde de la ventana de la política (el día 29 de una ventana de 30 días, por ejemplo) tienen un perfil distinto: se inclinan hacia la insatisfacción y hacia el wardrobing. Ninguno es fraude, pero ambos requieren un manejo distinto al de la devolución iniciada por un cliente leal en la segunda semana de propiedad.
Segmentar tus datos de devoluciones por tiempo hasta la devolución revela patrones que el reporte de tasa de devolución agregada oculta. Una tasa de devolución del 20% se ve igual sin importar si la mayoría de las devoluciones ocurren en la primera o en la cuarta semana de la ventana de devolución, pero la intervención apropiada para cada distribución es diferente.
La variación de la tasa de devolución a nivel de SKU
Las tasas de devolución varían drásticamente por SKU, y el costo operativo de un SKU con alta devolución es frecuentemente invisible en los formatos de P&L que consolidan las devoluciones a nivel de categoría o canal.
Un artículo de ropa con una tasa de devolución del 35% tiene un perfil de economía unitaria fundamentalmente distinto al de un artículo con una tasa de devolución del 10%, incluso si ambos están en la misma categoría de producto. El artículo con una tasa de devolución del 35% requiere modelarse a nivel de costo total puesto: precio de compra + cumplimiento de salida + logística inversa + inspección + reposición o desecho + los contactos de atención al cliente asociados con el flujo de devolución. Si el artículo con una tasa de devolución del 35% está en una categoría donde una gran fracción se inspecciona como "no revendible" (p. ej., ropa interior, skincare abierto), el costo de desecho agrava la erosión del margen.
El análisis de la tasa de devolución a nivel de SKU consistentemente saca a la luz que del 10% al 20% de los artículos del catálogo representan del 60% al 70% del costo total de devolución. Priorizar la investigación de fraude y el ajuste de la política en estos SKU —en lugar de aplicar cambios de política generalizados a todo el catálogo— es a la vez más eficiente y menor en daño colateral a los clientes legítimos.
La realidad del costo
El 2025 Retail Returns Landscape de la NRF reporta $849.9B en devoluciones minoristas totales de EE. UU., con las devoluciones en línea en el 19.3% de las ventas en línea. De esas devoluciones, aproximadamente el 9% son fraudulentas. El estudio True Cost of Fraud 2025 de LexisNexis sitúa el multiplicador de costo del fraude en eCommerce en $4.61 por cada $1 de pérdida por fraude, reflejando los costos operativos en cascada más allá del valor del artículo en sí.
A una escala de mercado medio de $2M de ingresos anuales con una tasa de devolución del 20% y una incidencia de fraude del 9% sobre los artículos devueltos, la matemática es directa: $400K en devoluciones al año, $36K en devoluciones fraudulentas a valor nominal, con un multiplicador de $4.61 que produce $166K en costo operativo total relacionado con el fraude.
El mismo negocio que implementa una prevención de fraude excesivamente agresiva —una que incorrectamente marca el 15% de las devoluciones legítimas como sospechosas y crea fricción en la resolución— pierde un estimado de $25 a $50 por cada transacción legítima afectada en erosión del valor de vida del cliente, reducción de la tasa de recompra y riesgo de reseñas negativas. En $400K de devoluciones, el 15% del volumen legítimo son 68,400 transacciones afectadas si el valor promedio de pedido es de $49. A $25 de erosión de LTV por incidente, la política antifraude cuesta más que el fraude que previene.
Esta es la matemática que está consistentemente ausente de las propuestas de los proveedores de fraude y de la propia toma de decisiones del operador. Una política que ahorra $166K en costo de fraude y daña $1.7M en LTV es una decisión netamente negativa sin importar cómo se reporte la tasa de captura de fraude.
El mapa de compensaciones
Política universal estricta
Una política universal estricta —ventanas de devolución cortas, tarifas de reposición, fotos obligatorias, listas negras de quienes devuelven con frecuencia— maximiza la tasa de prevención de fraude y minimiza el costo operativo de procesar reclamos en el límite. También maximiza la fricción para los clientes legítimos que generan la mayor parte del valor de vida: compradores frecuentes, clientes de alto AOV y clientes cuyo patrón de compra incluye devoluciones ocasionales.
Los operadores que usan políticas universales estrictas de manera efectiva suelen vender productos básicos con baja diferenciación de LTV y baja tasa de recompra: categorías donde perder al cliente marginal cuesta menos que el fraude que previene. Para los operadores en verticales de alto LTV (ropa, artículos para el hogar, consumibles premium), las políticas universales estrictas generan un daño desproporcionado a las relaciones con los clientes de mayor valor.
Política universal permisiva
Las devoluciones gratuitas, sin preguntas y sin costo de etiqueta reducen la fricción en todos los segmentos de clientes, capturan el comportamiento de recompra de los clientes de alto LTV que valoran las políticas de devolución generosas y eliminan el costo de atención al cliente de las disputas por devoluciones. También hacen que el fraude organizado en devoluciones sea de bajo riesgo y alto rendimiento. El multiplicador de costo de fraude de $4.61 hace que las políticas permisivas sean costosas en categorías con una incidencia de fraude significativa.
Los operadores que ejecutan con éxito políticas universales permisivas suelen tener tasas de fraude en devoluciones muy por debajo del promedio de la categoría (a menudo porque su categoría de producto, su posicionamiento de marca o la demografía de compra los convierten en objetivos de bajo fraude), o tienen márgenes que absorben el costo del fraude mientras la ganancia de LTV por la retención justifica la economía general.
Política segmentada
La política segmentada —trato diferenciado basado en el historial del cliente, la tasa de devolución del SKU y las señales de comportamiento— entrega la protección contra fraude de una política estricta en los segmentos donde el fraude se concentra, mientras mantiene la experiencia del cliente de una política permisiva para los segmentos donde el fraude es raro.
La implementación requiere infraestructura de segmentación de devoluciones: historial de devoluciones a nivel de cliente, reporte de tasa de devolución a nivel de SKU y el flujo de trabajo operativo para enrutar las solicitudes de devolución hacia distintas vías de manejo. Esto no es una compra de proveedor, es un diseño de proceso operativo. Un protocolo de segmentación de devoluciones basado en una hoja de cálculo construida sobre datos de cohortes de clientes logra la mayor parte del beneficio económico antes de que se justifique cualquier herramienta de detección.
Cuándo ajustar la política (disparadores específicos)
Señales observables que justifican una revisión de la política de devoluciones, en orden de confiabilidad:
La tasa de devolución por SKU superando el 25% en categorías donde un equivalente de tienda física correría del 10% al 15%. Esta es una señal a nivel de producto, no una señal de fraude, pero saca a la luz los SKU que requieren ya sea mejora del producto, trabajo en la guía de tallas o inversión en calidad de imágenes antes de una intervención de política.
Eventos de devolución sin compra — devoluciones donde el artículo no estaba en el historial de pedidos del cliente, o donde el artículo devuelto es una variante diferente a la pedida. Esta es una señal de fraude inequívoca y justifica un control inmediato del proceso.
Devoluciones consecutivas del mismo cliente en el mismo SKU dentro de 60 días — un patrón repetido de comprar y devolver el mismo artículo es consistente con wardrobing organizado o bracket buying. Esto es abuso de política, no fraude, pero justifica una conversación con el cliente o un cambio de política dirigido, no una marca de fraude.
Solicitudes de devolución iniciadas dentro de las 24 horas posteriores a la entrega sin un reclamo de defecto del producto — esto es o bien un error de entrega (que tiene su propia vía de resolución) o un patrón de fraude que justifica una investigación antes de emitir una etiqueta.
Ninguno de estos disparadores por sí solo justifica un cambio de política generalizado. Combinados, sacan a la luz las poblaciones específicas que necesitan un protocolo de manejo diferente.
Lo que los operadores hacen mal con más frecuencia
El error más común es implementar una herramienta de detección de fraude antes de hacer el trabajo de segmentación. Un puntaje de fraude sobre una población de devoluciones no segmentada produce falsos positivos concentrados en los mismos segmentos de compra de alta frecuencia donde el fraude también es más común: los compradores de alto volumen tienen más probabilidades de ser tanto tus mejores clientes como tus clientes con mayor riesgo de fraude por volumen. La herramienta se optimiza para la precisión de detección de fraude, no para el costo de LTV de los falsos positivos.
El segundo error es medir la efectividad de la prevención de fraude por la tasa de captura de fraude sin medir la tasa de falsos positivos. Una tasa de captura de fraude del 90% con una tasa de falsos positivos del 20% significa que por cada 10 devoluciones fraudulentas que detienes, estás bloqueando 2 devoluciones legítimas de clientes reales. En la mayoría de los modelos de LTV, bloquear 2 devoluciones de clientes de alto LTV cuesta más de lo que ahorran las 10 capturas de fraude.
El tercer error es tratar la política de devoluciones como una palanca de ventas y un control de fraude por separado, cuando son el mismo instrumento. La liberalidad de la política de devoluciones impulsa la conversión de adquisición: los clientes que ven devoluciones gratuitas compran con más disposición. La misma política crea la superficie de fraude. Los operadores que fijan la política en marketing y los controles en operaciones terminan con una política que nunca fue diseñada como una decisión económica integrada.
El fraude en devoluciones es un segmento de tu volumen de devoluciones, no tu volumen de devoluciones. Los operadores que entienden esa distinción ejecutan políticas que protegen el margen sobre el 9% sin dañar las relaciones con los clientes sobre el 91%. Los que no, implementan controles generalizados y lo pagan en erosión de LTV que nunca aparece en la línea de fraude del P&L.
Segmenta tus últimos 90 días de devoluciones por motivo, tiempo hasta la devolución, cohorte de cliente y SKU. Mapea la concentración del costo antes de cambiar la política.
AHAeCommerce es una plataforma independiente de inteligencia de decisiones de eCommerce. Ninguna relación de afiliación influye en este análisis. Redactado con asistencia de IA. Editado y verificado en sus afirmaciones por Diosh.
Fuentes: NRF, "2025 Retail Returns Landscape" — nrf.com/research/2025-retail-returns-landscape; LexisNexis Risk Solutions, "2025 True Cost of Fraud" — risk.lexisnexis.com/global/en/about-us/press-room/press-release/20250402-tcof-ecommerce-and-retail; Narvar, eCommerce Returns Benchmark 2024 — ver también: Free Returns Policy Math, Customer Service Cost Model
