ECのUX改善というと、多くの場合はCVRの話になりがちだ。
導線を整える、ボタンを目立たせる、入力を簡単にする･･････そうした施策自体は間違っていないが、実務の現場ではそれだけでは解決しない問題に直面することがある。
それが「売れているのに利益が出ない」という状況だ。
原因を追っていくと、そこにあるのは多くの場合、返品率の問題だ。購入数は伸びている、しかし同時に返品も増えている･･････その結果、売上は立っているのに利益が残らない。この状態では、CVR改善はむしろ問題を拡大させる可能性すらある。
では、どうすればいいのだろうか？
本記事では、返品率が高いアパレルECアプリを題材に、実務で実際に行う思考プロセスをケーススタディとして整理する。
- なぜ返品が発生するのか
- どこから改善に着手すべきか
- 限られたリソースの中で何を優先するか
これらを、実例を元に考察していく。
扱うのは理想論ではない。
画像は撮り直せない、機械学習も使えない、開発期間は４週間･･････このような現実的な制約の中で、何を見て、何を捨て、何から手をつけるのか。つまり、「改善案」ではなく「改善の判断の仕方」を主題にする。
この記事はUX改善のハウツーを網羅するものではない。また、この記事をそのまま真似すれば改善できる、という種類のものでもない。むしろ意図しているのは、「この程度の条件ならどう考えて進めるか」を示すことにある。
既に返品率の問題を抱えている人にとっては答えの一例として。そうでない場合でも、制約のある状況でのUX改善の考え方の一例として読める内容にしている。
売れているのに利益が出ないEC
まずは前提を共有する。本記事が対象とするのは「売れていないEC」ではない。むしろ逆で、一定数は売れているにも関わらず、なぜか利益が出ないECだ。
- 月間購入者：12万人
- CVR：2.4%
- 返品率：28%
- 返品理由（ユーザー申告、複数選択）
- サイズが合わない：52%
- 想像していた色、質感と違う：27%
- 着た感じが思ったのと違う：16%
- ストアレビュー：★3.1
- 「写真と違う」
- 「サイズ選びが難しい」
- 「買うときは良いが届いてから萎える」
月間購入者は約12万人、CVRは2.4％と平均〜やや良好な水準にある。少なくとも、「誰も買っていない」という状態ではない。導線や基本的な購買体験は成立していると見てよい数字だ。
しかし一方で、返品率は28％に達している。アパレルECにおいて返品は珍しいものではないが、この水準は明らかに高い。つまりこのプロダクトで起きているのは、「売れない問題」ではなく、「売れているのに成立していない問題」だ。
返品理由の内訳を見ると、その傾向はさらに明確になる。
- 「サイズが合わない」（52％）
- 「想像していた色や質感と違う」（27％）
- 「着た感じが思ったのと違う」（16％）
- 「その他」（５％）
ここで注目すべきなのは、これらがいずれも商品不良ではないという点だ。破損していた、縫製が悪かった、といった品質関係ではなく、問題は「思っていたものと違った」という認知のズレに集中している。
これはストアレビューにも同じ傾向が現れている。「写真と違う」「サイズ選びが難しい」「買うときは良いが届いてから萎える」といった声は、配送やサポートではなく、購入判断の段階に問題があることを示している。
つまり、この状況は物流やオペレーションの問題ではない。より上流、すなわち購入前の体験設計の問題として捉える必要がある。
このケースを実務として難しくしているのは、改善の自由度にも制約がある点だ。条件は以下。
- 返品無料は維持（競争条件）
- 商品画像（撮り直し）、モデル追加撮影は半年できない
- データはあるが機械学習チームは今月は使えない
- 開発リソースは２スプリント（４週間）で実装可能な範囲
こうなると「理想的な改善」を考えるのではなく、この条件の中で何ができるかを考える必要がある。
こうした条件下では、「やれば効く施策」ではなく、「今できて効く施策」を見極めることが重要になる。言い換えれば、知識量よりも優先順位の判断が問われる局面だ。
このケースで整理すべき論点は大きく３つ。
- 返品は本当に「サイズ問題」なのか
- 限られた期間とリソースの中で何から手をつけるべきか
- 返品率だけを改善してしまう「見せかけの成功」をどう避けるか
以降では、この３つを起点として、実際にどのように問題を分解し、改善の優先順位を決めていったのかを順に整理していく。
なぜ返品率は利益を壊すのか
EC改善の文脈では、CVR（購入率）向上が語られることが多い。確かに購入数はわかりやすい成功指標であり、UI改善や導線改善の成果もここに現れやすい。
しかし、アパレルECにおいてはCVRだけを見ていると見落とす問題がある。それが返品率だ。
なぜなら、返品は単なる「購入の取り消し」ではなく、利益構造に直接ダメージを与えるコスト要因だからだ。
返品が発生すると、当然ながら売上は消える。しかし本質はそれだけではない。返品送料、検品コスト、再梱包、在庫戻し、場合によっては再販不可による損失･･････。
つまり、返品は売上がゼロになるだけでなく、追加コストまで発生する「負債」に近い存在なのだ。
この視点に立つと、CVR改善だけを追う危険性が見えてくる。
たとえば、購入しやすくする改善は短期的にCVRを押し上げる。しかし同時に「判断が曖昧なままの購入」も増える可能性がある。その結果、購入は増えたが返品も増え、最終的な利益はむしろ悪化する、という状況は十分に起こり得る。
となると、CVRの改善と返品率の改善は別の問題ではない。むしろ同じ購入体験の精度の問題として捉える必要がある。
ここで重要なのは、返品を物流問題やカスタマーサポート問題として扱わないことだ。
返品の多くは配送後に起きるが、その原因の多くは購入前の判断段階にある。言い換えるなら、返品とは「購入体験のどこかで発生した認知のズレが商品到着後に顕在化したもの」だ。
この視点に立つと、返品率は単なる結果指標ではなく、UXの精度を測る指標としても機能する。購入時にどれだけ正確な判断ができたか（それを補助できたか）。その精度が低ければ、返品という形で後から修正が発生する。
したがって、この問題は「返品を減らす施策」の話ではない。本質的には、「間違った購入をどれだけ減らせるか」という購入体験の設計の話になる。
ECのUX改善はしばしば「買う理由を増やす設計」として語られる。しかし返品率の高い環境では、むしろ逆の視点が必要になる。
重要なのは説得ではなく、納得だ。
ユーザーが「買いたくなる理由」を増やすことではなく、「自分は買って問題ない」と判断できる根拠を提示することが、結果として返品率の低下と利益改善につながる。
このケースでも、最初に見るべきだったのはCVRではなく返品率だった。なぜなら、このプロダクトにおける最大の課題は「買われていないこと」ではなく、「正しく買われていないこと」だったからだ。
返品が発生する原因を考える
改めて確認するが、返品理由の内訳は以下だ。
- 「サイズが合わない」
- 「想像と違う」
- 「着た感じが違う」
この結果だけを見ると、「情報が足りないのではないか」と考えたくなる。しかしここでは単純に情報量の問題として扱わないのが重要だ。
問題は情報が少ないことではなく、ユーザーが確信を持って判断できない状態のまま購入させてしまっていることにある可能性が高い。
例えば、単なる表記と一般的な寸法だけで構成されているサイズ表があったとする。
だが当然、身長や体重、体型の違いによって同じサイズでも着用感は大きく変わる。にも関わらずその判断材料が不足していれば、最終的には「多分大丈夫だろう」という推測で購入することになる。
色や質感についても同様だ。
商品画像は存在していても、光源やディスプレイによって見え方は変わる。素材感も写真だけでは完全には伝わらない。その状態で購入するということは、やはりユーザーが自分なりに補完して判断している状態と言える。
つまり、このケースの問題は「情報がない」ことではない。ユーザーが自分に当てはめて判断するための情報になっていないことが本質的な問題だ。
この状態を言い換えるなら、「情報不足」ではなく「推測強制」だ。
判断に必要な材料が十分に整理されていないため、ユーザーが自分で想像して補うしかない。そして、その推測が外れたときに返品が発生する。
この視点に立つと、返品は配送後に起きる問題ではなく、購入前の判断精度の問題として整理できる。返品率が高いということは、「買ってから失敗に気づいた」のではなく、「判断できないまま買ってしまった」ケースが多い可能性を示している。
したがって、この段階での仮説は明確になる。
改善すべきなのは情報量そのものではない。必要なのは、ユーザーが自分に合うかどうかを判断できる状態を作ること、つまり推測に頼らなくても判断できるUXを設計することだ。
どこから調査を始めるか
そうやって原因仮説を立てたあと、次に考えるべきは「どこから確認するか」だ。ここでやるのは原因としてもっともらしい場所から見ることではない。改善したときに影響が最も大きい場所から見ることだ。
UX改善は問題の正しさだけでなく、改善効果の大きさでも優先順位を決める必要がある。どれだけ正しい改善でも、影響が小さければ優先度は下がる。逆に、原因が完全に確定していなくても、影響が大きい領域から調べることで改善効率は上がる。
このケースで最初に確認したのは次の３点だ。
まずは返品商品ランキング。
どの商品で返品が多いのかを見ることで、問題が特定商品に集中しているのか、それとも全体構造なのかが見えてくる。もし上位数商品に集中しているなら、個別改善で大きな効果が出る可能性がある。逆に広く分散しているなら、商品個別ではなく情報設計全体の問題の可能性が高い。
次は返品単価。
返品率だけを見ると件数の問題に見えるが、ビジネス上重要なのは金額への影響だ。低単価商品の返品が多いのか、高単価商品の返品が多いのかで優先順位は変わる。高単価商品の返品が集中しているなら、件数が同じでも利益への影響は大きくなるため、優先的に見るべき対象になる。
最後は返品理由 × 商品の組み合わせ。
単に返品理由を見るだけでは不十分で、どの商品でどの理由が発生しているのかを見る必要がある。例えば、サイズ問題が特定カテゴリに集中しているなら、そのカテゴリの情報設計に問題がある可能性が高い。色や質感の問題が多いなら、画像や素材説明の設計の問題が疑われる。
この順序で確認する理由は明確だ。返品ランキングで影響範囲を把握し、返品単価でビジネスインパクトを確認し、返品理由 × 商品で改善ポイントを特定する。つまり、影響の大きさ→利益への影響→具体的原因という順序で整理している。
重要な部分として、最初から原因を確定させようとしないという点がある。調査の目的は「正しい原因を見つけること」ではなく、「どこから手をつければ改善効果が最大になるか」を見極めることにあるからだ。
改善は原因から始めるものではない。影響の大きい場所から始める。その視点を持つことで、調査の順番そのものが改善の優先順位設計になる。
なぜサイズ診断から着手したか
調査の初期段階で見えてきたのは、「サイズが合わない」という返品理由が全体の半数以上を占めているという事実だった。
この時点で、最初に着手すべき領域はある程度明確になる。最も大きな割合を占める原因に手を打つのが、改善効率として最も合理的だからだ。
ただし、ここで重要なのは単純に最大原因に飛びつくことではない。実務ではもう１つの軸、つまり実装コストも同時に考える必要がある。
例えば、サイズ問題の理想的な解決策を考えるなら、モデルの追加撮影、着用動画の追加、3D試着、機械学習によるサイズ推薦など、多くの選択肢が存在する。
しかし今回の前提では、画像の撮り直しはできず、MLチームも使えず、開発期間も４週間に限られている。つまり、効果が高くても実現できない施策は選択肢から外れる。
この条件下で、「最大原因に対して」「短期間で」「実装可能」という条件を満たす施策が必要なのだ。
そこで最初の一手として選んだのが、サイズ表を単なる一覧ではなく、簡易的な診断形式にする改善だった。具体的には、身長や体重、普段のサイズなど、数個の情報を入力すると推奨サイズを提示するような仕組みだ。
気をつけたいのが、精度100％を狙わないことだ。
ここで完全な推薦精度を目指すと、精密なデータ整備やアルゴリズム開発が必要になり、短期改善の枠を超えてしまう。そもそもこの施策の目的は完全な最適化ではない。判断の方向性を示し、推測の幅を狭めることだ。
ユーザーを広い選択肢の中に放置するのではなく、「このあたりを選べば大きく外れない」という道標を用意する。これだけでも、完全な推測状態よりは判断精度が上がる可能性がある。
この施策は比較的軽量な実装で成立するのが大きい。高度なアルゴリズムを必要とせず、既存のサイズデータと簡単な条件分岐でも初期版は成立する。つまり、影響が大きく、実装コストが低く、制約条件にも適合している。
最初の改善施策は、「最も高度な解決策」を選ぶものではない。実務では、最大の問題に対して、最小のコストで効果を出せるものから着手することが重要になる。
このケースでサイズ診断を最初に選んだ理由も、施策としての派手さではなく、この優先順位の条件を満たしていたからだ。改善の第一歩は、完成度の高さではなく、影響と現実性のバランスで決まる。
また、検討したが見送った施策としては、画像追加、AIサイズ推定、返品条件変更などがある。今回の条件では実装コストやブランド影響を考えると優先度は低い、ということで除外。
一撃必殺の解決策は存在しない
UX改善というと、何か１つの強い施策で状況が大きく変わるように見えることがある。しかし、実務の現場でそのようなケースはむしろ例外だ。
多くの場合、改善は一手で決まるものではなく、小さな誤差を順番に減らしていく連続補修に近い作業になる。
今回のケースでも、サイズ診断を導入したからといって、それだけで返品率が大きく改善するとは考えていない。サイズ問題の一部は改善できても、「想像と違う」「着た感じが違う」といった他の要因は残るためだ。
そのため、改善は単発ではなく、優先順位をつけた連続的な対応になる。
例えば、最初のサイズ診断の次にはレビューの構造化が候補になる。自由記述だけではなく、身長、体型、購入サイズ、フィット感といった情報を整理して見せることで、購入前の判断材料を増やすことができる。
さらにその次には、素材感や着用感についての説明補強など、情報の解像度を少しずつ上げていく改善が続く。
とにかく、これらを同時に行おうとしない。焦らない。改善は数ではなく順序で決まる。影響が大きく、実装可能で、次の改善にもつながるものから順番に進める。この積み重ねが最終的な改善につながる。
UX改善において重要なのは、最強の一手を探すことではない。優先順位に従って手を打ち続けられる設計を持つことなのだ。
返品率改善をKPIにしない理由
ここではKPIの設定部分について考察する。
返品率の高さが問題である以上、改善の成果指標として返品率を見ること自体は間違っていない。ただし、ここで注意しなければならないのは、「返品率は目的ではなく結果指標」という点だ。
仮に返品率だけをKPIにした場合、UXを改善せずに数字だけ下げることも実は可能だ。
例えば、サイズに不安があるユーザーを慎重にさせれば購入は減る。注意書きを増やせば購買判断は鈍る。導線をめちゃくちゃにして離脱率をあげる。その結果、返品は減るだろう。これでも「返品率を減らす」という目的は達成できていると言える。
しかしもちろん、これを望む企業は存在しない。同時に購入数も減るなら、それは改善とは言えないからだ。
つまり返品率は単体では評価できない指標であり、だからこそ必ず購入関連の指標とセットで見る必要がある。
このケースで見るべき関係はシンプルで、返品率、CVR、購入数の３つのバランスだ。
返品率が下がっても、CVRや購入数が大きく下がっていれば、それは単に「買われなくなった」だけの可能性がある。逆にCVRが上がっても返品率が上がれば、購入の質が下がっている可能性がある。
ポイントは明確で、「返品率を下げながら購入の総量を維持できているかどうか」だ。
したがって、このケースでの成功条件は単純に返品率が下がることではない。返品率が改善しつつ、CVRや購入数に大きな悪影響が出ていない状態を確認することになる。
となると、KPIは返品率がどうなった、だけでなく、CVRが数％以内の変動に収まるなら許容と判断する、といったガードレールも必要になる。
これはUX改善における基本的な考え方だ。改善とは単一指標の最適化ではなく、複数指標のバランス調整。どこか１つの数字だけが良くなる改善は、多くの場合どこかに副作用を生む。
そのため、返品率は「成果を見る指標」として置きつつ、CVRや購入数は「副作用を監視する指標」として並べて見る。この構造を持つことで、数字だけ良くなって実態が悪化するような改善を避けることができる。
返品率だけを見るのではなく、購入全体の構造の中で位置づけて見る。この設計ができているかどうかがUX改善の安全性を大きく左右するのだ。
ECの情報は「買ってもいい根拠」
ECの商品ページはしばしば、「なぜこの商品が良いのか」を伝える方向に作られる。
しかし返品が多い状況において、重要なのはそこではない。あるべきなのは、「この商品を選んでも大きく外れない」と判断できる材料を提示することだ。
この場合におけるUXの役割は、購買を説得することではなく、購入判断の確度を上げることにある。説得によって生まれた購入は、期待とのズレがあれば返品につながる。一方、確証によって生まれた購入は、納得の上での選択となる。
ECの情報設計で重要なのは買わせる理由の提示ではない。買ってよいと判断できる根拠を整えることにある。
このケースの本質はシンプルだ。限られた条件の中でどこを見るか、何からやるか、何をやらないかを決める判断、そして実行と反省。難しいことはなにもない。
正しい選択を正しい順番で行う。
それが本当のカイゼンだ。
ランダム記事（表示できない場合はページを再読み込みしてください）