1. Faro

Nivel 5 · Lo que realmente cuestan las devoluciones

La solicitud

De Angela Rivera, Directora de Atención al Cliente

“Todos dicen que Furniture tiene las peores devoluciones porque los sofás son un lío de devolver. Mi equipo cree que es Textiles. ¿Puedes mostrar la tasa de devolución por categoría, en dólares y en líneas, y cuánto margen nos cuestan las devoluciones? Todo 2023 a 2025.”

Tu objetivo

A partir de costed (construido en el starter: líneas válidas de pedidos confirmados, de 2023 a 2025, con costo unitario conocido, con net, cogs, refund (0 si no se devolvió) y returned (True/False)), asigna a result un DataFrame con una fila por categoría y las columnas category, net_sales, refunds, refund_rate_pct (refunds × 100 / net_sales), line_return_rate_pct (líneas devueltas × 100 / líneas) y margin_lost (la suma de net − cogs en las líneas devueltas), todas redondeadas a 2, ordenado por refund_rate_pct de mayor a menor.

  • Usa el DataFrame productspendiente
  • Usa el DataFrame orderspendiente
  • Muestra exactamente category net_sales refunds refund_rate_pct line_return_rate_pct margin_lostpendiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de products · presiona Ejecutar para ver el tuyo
    Vista previa de products
    product_idnamecategorysubcategoryunit_price
    101Vale Velvet LoveseatFurnitureSofas1659.00
    102Alder Oak Coffee TableFurnitureTables919.00
    103Orchard Rattan Dining ChairFurnitureChairs789.00
    104Upland Oak BookcaseFurnitureStorage429.00

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    Dos tasas de devolución

    “Tasa de devolución” esconde una elección de unidad:

    • Tasa en dólares = reembolsos ÷ ventas netas. Qué parte del dinero volvió.
    • Tasa por líneas = líneas devueltas ÷ todas las líneas. Qué parte de lo vendido volvió.

    Cuando los artículos de una categoría tienen precios parecidos, las dos coinciden. Cuando una categoría mezcla lámparas de $40 con lámparas de pie de $400, pueden diferir, y una diapositiva que dice “tasa de devolución 6,7 %” sin la unidad puede leerse de las dos maneras.

    Un left join conserva todas las líneas

    Las devoluciones viven en su propia tabla, una fila por línea devuelta. Un merge a la izquierda desde las líneas conserva cada venta y agrega refund_amount donde hubo devolución:

    lines.merge(returns[["order_item_id", "refund_amount"]], on="order_item_id", how="left")

    refund_amount es NaN en las líneas que no se devolvieron. notna() lo convierte en un indicador True/False returned, y fillna(0) lo convierte en un reembolso de cero, así que las dos tasas son simples sumas y medias sobre las mismas filas.

    Margen perdido

    Un reembolso devuelve los ingresos, pero el costo de la mercancía ya se pagó. Si el artículo vuelve dañado, la tienda pierde también su costo; si se puede revender, se recupera buena parte. Este nivel usa un indicador aproximado, simple y honesto: el margen bruto de las líneas devueltas, la ganancia que la tienda registró en esas ventas y luego devolvió. Di en la diapositiva que es una aproximación, y que la mercancía dañada cuesta más.

    Tasa frente a dólares

    La categoría con la tasa más alta no siempre es la que más pierde. La tasa de Lighting está en el medio, pero vende tanto que sus devoluciones cuestan más margen que las de cualquier otra categoría. Muestra la tasa al equipo que puede bajarla, y los dólares al equipo que fija las prioridades.

    Errores comunes

    • Una tasa sobre el denominador equivocado. Reembolsos sobre todos los pedidos, incluidos los cancelados, o sobre ventas brutas antes de descuentos, subestiman la tasa.
    • Un join interno con returns. Solo quedan las líneas devueltas, así que cada tasa se vuelve 100 %.
    • Confundir reembolsos con ventas netas de las líneas devueltas. Las tarifas de reposición hacen que los reembolsos sean un poco menores que el valor neto de las líneas.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.