EC市場の拡大に伴い、返品率が上昇し続けています。返品理由の多様化、検品作業の煩雑さ、再販可否判定の属人化が物流現場の負荷を増大させています。OCR・画像検査による自動化で返品処理を効率化し、逆物流コストを削減する方法を元キーエンス画像処理エンジニアが解説します。
返品処理とは、顧客から返送された商品を受け取り、返品理由の確認・商品状態の検品・再販可否判定・在庫データへの反映を行う一連の業務を指します。通常の物流が「メーカー→倉庫→顧客」と流れるのに対し、返品処理は「顧客→倉庫→メーカー（または廃棄）」と逆向きに流れるため、逆物流（リバースロジスティクス）とも呼ばれます。
返品処理の典型的なフローは以下の通りです。
通常の入荷検品と異なり、返品処理は返品理由が多様で、商品状態が一定しないという特徴があります。未開封の美品もあれば、開封済み・使用済み・破損品も混在します。この多様性が、返品処理の自動化を難しくしている最大の要因です。
EC市場の拡大に伴い、返品件数は年々増加しています。実店舗であれば商品を手に取って確認できますが、ECでは写真・説明文だけで購入を判断するため、「届いてみたら想像と違った」という理由での返品が一定割合で発生します。
業種ごとに返品率は大きく異なります。経済産業省の調査およびEC事業者の公開データをもとにした推定値は以下の通りです。
特にアパレルECは返品率が高く、無料返品・試着サービスを提供する事業者では返品率が30%を超えるケースもあります。月間10,000件出荷するアパレルECであれば、月間3,000件の返品処理が発生する計算になります。
返品1件あたりのコストは、以下の要素で構成されます。
合計すると、1件あたり800〜1,500円のコストが発生します。月間3,000件の返品があれば、月240〜450万円のコストです。返品率が高い事業者ほど、返品処理の効率化が収益に直結します。
返品理由は「サイズ違い」「色違い」「イメージ違い」「初期不良」「誤配送」など多岐にわたります。顧客が返品申請時に選択した理由と、実際に返送された商品の状態が一致しないケースも多く、倉庫側で目視確認して正確な理由を記録する作業が発生します。
この記録作業は完全に手作業で、入力ミス・記録漏れが発生しやすく、後から返品傾向を分析しようとしても正確なデータが残っていないという問題があります。
返品商品の状態は一定しません。未開封・開封済み・使用済み・破損品が混在し、それぞれ検品基準が異なります。アパレルであればタグの有無・折りたたみ状態・シワ・汚れ、化粧品であれば開封痕・残量、家電であれば動作確認・付属品の有無などを1点ずつ確認する必要があります。
検品基準が曖昧だと、作業者によって再販可否の判定がばらつき、本来再販できる商品を廃棄してしまう、または再販すべきでない商品を出荷してクレームを招くというリスクがあります。
再販可否の判定は、熟練者の経験則に依存しています。「この程度の傷なら再販可能」「開封済みでもこの状態ならB品扱い」といった判断は、明文化された基準がなく、ベテラン作業者の暗黙知として蓄積されています。
パートタイムスタッフが担当する現場では、熟練度のばらつきが大きく、新人が判断に迷って処理が止まる、または誤った判定をして後で問題が発覚する、といった事態が頻発します。
返品処理の自動化は、OCR（文字認識）・画像検査・WMS連携の3つの技術を組み合わせることで実現します。
返品商品に貼付された返品伝票・送り状をカメラで撮影し、返品番号・商品名・顧客情報・返品理由を自動で読み取ります。手書きメモがある場合でも、VLM OCRであればテキスト化が可能です。
読み取ったデータはWMSの返品データと自動照合され、商品の特定が完了します。バーコードが剥がれている場合でも、伝票の文字情報から商品を特定できるため、照合ミスを防げます。帳票OCR自動化の詳細はこちらをご参照ください。
返品商品の外観をカメラで撮影し、開封痕・傷・汚れ・破損の有無を画像検査AIが自動判定します。判定基準は事前に学習データで定義でき、「未開封」「開封済み・美品」「開封済み・軽微な傷あり」「再販不可」などの分類が可能です。
判定結果は数値スコアで記録されるため、属人化を防ぎ、判定基準の均一化が実現します。画像検査AIの学習データ作成ガイドはこちらをご参照ください。
OCRと画像検査の結果を統合し、再販可否・B品フラグ・返品理由をWMSに自動反映します。再販可能品は在庫に戻り、廃棄品は在庫から除外されます。返品理由の集計データも自動で蓄積され、後から返品傾向を分析できます。
WMS連携の方式は、API連携・CSV出力・DB直接更新など、既存システムの仕様に合わせて選択できます。WMS連携の実装パターンはこちらで詳しく解説しています。
従来、1件あたり5〜10分かかっていた返品検品が、OCR・画像検査の導入で1.5〜3分に短縮されます。月間3,000件の返品があれば、月250〜350時間の人件費削減に相当します。
画像検査AIによる自動判定で、作業者による判定のばらつきが解消されます。再販可能品を誤廃棄するロス、および再販不可品を誤出荷するクレームリスクの両方が低減します。
OCRで返品理由を自動記録することで、入力ミス・記録漏れがなくなります。蓄積されたデータから「どの商品がどの理由で返品されやすいか」を分析でき、商品改善・サイズ表記の見直し・写真の改善といった施策に活用できます。
判定基準が自動化されることで、熟練者でなくても正確な返品処理が可能になります。繁忙期の人員確保が容易になり、処理スピードの安定化が実現します。
PoCから本番導入まで、通常2〜4か月が目安です。Nsight Stock（VLM OCR × WMS連携・在庫管理AI）は返品処理の自動化に対応しており、既存WMSとの連携実績も豊富です。
主にOCR技術（返品伝票・ラベルの自動読み取り）、画像検査（外観状態の自動判定）、WMS連携（在庫データへの自動反映）が使われます。返品理由や商品状態を自動で記録し、再販可否判定を支援します。
アパレル・ファッション（サイズ・色違い）、化粧品（肌に合わない）、家電（初期不良・機能誤認）が返品率の高い業種です。特にアパレルECは返品率20〜30%に達することもあり、返品処理の効率化が収益に直結します。
1件あたりの返品処理コスト（人件費・検品時間・再梱包費）は平均800〜1,500円とされています。自動化により検品時間を50〜70%削減でき、月間1,000件の返品があれば月40〜100万円のコスト削減が見込めます。
外観検査AIを使えば、開封痕・汚れ・傷の有無を自動判定し、再販可否の一次スクリーニングが可能です。ただし最終判断は人が行うことを推奨します。AIは判定基準を均一化し、属人化を防ぐ役割を果たします。
OCR・画像検査による返品処理の効率化について、お気軽にご相談ください。
過去の返品データ分析から、PoC設計、本番導入までをワンストップで支援します。