هل تستطيع التكنولوجيا إصلاح مشكلة مقاسات الأزياء؟ المشكلة الحقيقية تكمن في الحوافز، وليس في المقاسات.

/تكنولوجيا/ بواسطة

إن نظام المقاسات في عالم الأزياء يعاني من خللٍ خاص: فالأمر لا يقتصر على كون الملصقات "خاطئة"، بل إنها...غير متسق بطبيعتهقد يُقابل مقاس 10 في علامة تجارية مقاس 14 في علامة أخرى، بل وحتى داخل العلامة التجارية نفسها، قد يختلف المقاس باختلاف المواسم والمصانع. والنتيجة هي حلقة سلوك استهلاكي متوقعة - طلب مقاسات متعددة، الاحتفاظ بواحد، وإعادة الباقي - مما يحوّل عمليات الإرجاع إلى نظام لوجستي روتيني.

السؤال المهم ليس ما إذا كانت التكنولوجيا قادرة على بناء غرفة قياس افتراضية أفضل، بل ما إذا كان بإمكان البيانات والذكاء الاصطناعي دفع صناعة الملابس نحو تعريف أكثر صدقًا وقابلية للقياس لمفهوم "المقاس المناسب"، مع مراعاة الأسلوب والتفضيلات والحقيقة غير المريحة المتمثلة في "المقاسات غير الدقيقة".

محرك الإرجاع: لماذا أصبحت مشكلة تحديد المقاسات مكلفة

حددت هيئة الإذاعة البريطانية (بي بي سي) رقماً للعواقب: تشير التقديرات إلى أن عمليات إرجاع الأزياء تكلف تجار التجزئة190 مليار جنيه إسترليني سنوياًعلى مستوى العالم.

لا تُعدّ العوائد مجرد بند تكلفة، بل هي قوة هيكلية تُشكّل الصناعة.

  • مخاطر المخزونالمقاس الذي لا يناسب يصبح مخزوناً راكداً
  • تعقيد الخدمات اللوجستيةالشحن العكسي، والتفتيش، وإعادة التعبئة
  • الهوامشنادراً ما تكون خدمة "الإرجاع المجاني" مجانية؛ فهي مضمنة في الأسعار.
  • يضيعقد ينتهي المطاف بالبضائع التالفة أو غير القابلة للبيع إلى التخلص منها.

لذا فقد انتقل موضوع تحديد المقاسات من كونه "مشكلة مزعجة في تجربة العملاء" إلى شيء توليه مجالس الإدارة وفرق الاستدامة اهتماماً كبيراً.

لماذا يُعدّ "المقاس" مقياسًا سيئًا

التصنيف عبارة عن رقم واحد، لكن الملاءمة تعتمد على مجموعة من المتغيرات:

  • قياسات الجسم (أبعاد متعددة)
  • شكل الجسم (توزيع القياسات)
  • مرونة النسيج واستعادته
  • افتراضات تصنيف الأنماط
  • النمط المطلوب (ضيق مقابل فضفاض)
  • تفضيل الشخص الذي يرتديه ("الضيق عند الخصر جيد" مقابل "أبداً")

ولهذا السبب فإن بول ألجر من جمعية الأزياء والمنسوجات البريطانية (كما نقلت عنه بي بي سي) محق بشكل أساسي: فالناس ليسوا عارضات أزياء، والملاءمة أمر شخصي.

لكن كلمة "ذاتي" لا تعني "غير قابل للحل". بل تعني أن الصناعة تحاول ضغط واقع متعدد الأبعاد في تسمية بسيطة للغاية.

السرّ الخفي في هذه الصناعة: تحديد حجم العلامة التجارية هو خيار تسويقي

إحدى أهم النقاط التي وردت في تقرير بي بي سي هيمقاسات الملابس(يطلق عليه ألجر اسم "التقييم العاطفي").

يمكن للعلامات التجارية (وتفعل ذلك بالفعل) أن تقرر جعل مقاسات منتجاتها أكثر سخاءً للأسباب التالية:

  • يحب المتسوقون الشعور بالانتماء إلى عدد أقل
  • يزيد من التحويل ويقلل الاحتكاك

بمجرد أن تحدد العلامة التجارية معاييرها الداخلية للمقاسات، فإنها غالباً ما تلتزم بها موسماً بعد موسم. لذا فإن عدم الاتساق ليس عيباً، بل هو جزء من هوية العلامة التجارية.

هذا هو الجزء الذي لا تستطيع التكنولوجيا "إصلاحه" إلا إذا تغيرت الحوافز.

مجالان يمكن للتكنولوجيا أن تتدخل فيهما: نقطة البيع مقابل التصنيع

تصف هيئة الإذاعة البريطانية (BBC) نظامًا بيئيًا متناميًا لتقنيات تحديد المقاسات. ويساعد ذلك في تقسيمه إلى نقطتي تدخل:

1) أدوات مرحلة الدفع (تساعدك في اختيار المقاس)

تشمل الأمثلة المذكورة 3DLook و True Fit و EasySize وأنظمة التجربة الافتراضية.

الوعد:

  • تقليل عدم اليقين عبر الإنترنت
  • قلل من عرض "اشترِ ثلاثة مقاسات، وأرجع اثنين"

كيف تعمل بشكل عام:

  • اطلب من المتسوق المقاسات و/أو صورًا من هاتفه الذكي
  • قم بربط تلك الإشارات ببيانات الملاءمة الخاصة بالعلامة التجارية
  • نوصي بمقاس محدد لهذا النوع من الملابس

المخاطرة:

  • مخاوف تتعلق بالخصوصية (المسح الضوئي للجسم/الصور)
  • المعايرة والتحيز (هل يعمل بنفس الكفاءة مع الأجسام المختلفة؟)
  • أوهام الثقة (التوصية ليست ضماناً)

2) أدوات مرحلة التصنيع (لمنع إنتاج منتجات ذات ملاءمة غير مناسبة)

وهنا تكمن أهمية تقرير بي بي سي عن مجموعة فيت كوليكتيف، لأنه يتناول الموضوع من منظور مختلف.

بدلاً من قول "ساعد المتسوق على التكيف مع المقاسات غير الصحيحة"، فإن الفكرة هي:

  • استخدم أسباب الإرجاع وبيانات المبيعات وتعليقات العملاء لتعديل الأنماط والمواد قبل الإنتاج.

وهذا أقرب إلى الحل الحقيقي: وجود عدد أقل من الملابس غير المناسبة في المقام الأول.

نهج شركة Fit Collective: تحويل المرتجعات إلى ملاحظات تصميمية

بحسب هيئة الإذاعة البريطانية (بي بي سي):

  • تقوم شركة Fit Collective بتحليل المرتجعات وأرقام المبيعات ورسائل البريد الإلكتروني للعملاء.
  • يقدم نصائح لفرق التصميم والإنتاج
  • مثال: تقليل طول الملابس ببضعة سنتيمترات لخفض معدلات الإرجاع

هذا في الأساس عبارة عن حلقة جودة مدعومة بالتعلم الآلي:

  1. يشير العملاء إلى وجود مشكلة (عمليات الإرجاع، الشكاوى)
  2. يقوم النظام بتجميع الإشارات عبر المنتجات والمجموعات
  3. يقوم المصممون بتعديل الأنماط/المواد
  4. تقل عمليات الإرجاع

إذا سبق لك العمل في مجال البرمجيات، فهذا مجرد تحليل للمنتجات. لم يطبق قطاع الأزياء هذا الأسلوب على نطاق واسع لأن البيانات غير منظمة ومُجزأة.

الجزء الصعب: بيانات الإرجاع تكون مشوشة وغير دقيقة في كثير من الأحيان.

هناك سبب يجعل بيانات الإرجاع ليست بالضرورة مصدراً مثالياً للحقيقة:

  • يختار المتسوقون عبارة "لم يناسبني" بينما السبب الحقيقي هو "لم يعجبني".
  • بعض أسباب الإرجاع مقيدة بخيارات تجربة المستخدم
  • قد تعني كلمة "مناسب" الطول، أو الخصر، أو الكتفين، أو مجرد المظهر العام.

لذا، لكي يعمل نظام كهذا، فهو يحتاج إلى أكثر من مجرد التصنيف - إنه يحتاج إلى نموذج يمكنه الاستدلال:

  • أسباب الإرجاع التي ترتبط بمشاكل القياسات والأنماط
  • والتي ترتبط بمشاكل التصميم/العرض

هذا ممكن، لكنه ليس خدعة سحرية باستخدام جداول البيانات.

ما هي نتائج تقنية تحديد المقاسات "الجيدة"؟

يتصور معظم الناس تقنية تحديد المقاسات على أنها: "أخبرني ما إذا كنت مقاس 10 أو 12".

الناتج الأكثر فائدة هو شيء من هذا القبيل:

  • "هذا الثوب ضيق عند منطقة الوركين؛ إذا اخترتِ مقاسًا أكبر فسيكون واسعًا عند الخصر."
  • "النسيج ذو مرونة منخفضة؛ إذا كنت تفضل الراحة، ففكر في الخيار X."
  • "يميل الطول إلى أن يكون طويلاً بالنسبة لنطاق طولك."

لاحظ كيف أن هذه ليست إجابات برقم واحد. إنها مقايضات.

ولهذا السبب، من المرجح أن تبدو أفضل الأنظمة أقل شبهاً بالآلة الحاسبة وأكثر شبهاً بـمحرك شرح الملاءمة.

لماذا تُعتبر تجربة الملابس الافتراضية مغرية (وأين تكمن عيوبها)

تحظى غرف القياس الافتراضية بشعبية كبيرة لأنها تعالج مشكلة مختلفة:

  • الثقة بشأن كيفية سير الأمورينظرليس فقط مناسبًا

لكن لديهم قيدان:

  1. الواقعية البصرية أمر صعب (الإضاءة، والأقمشة، وحركة الجسم)
  2. "يبدو جيداً" و "يشعر المرء بالرضا" يختلفان

المستقبل الواقعي هو مستقبل هجين:

  • توقع المقاس المناسب
  • جربها لتختار منها ما يناسبك
  • مؤشرات عدم اليقين الواضحة ("ثقة عالية" مقابل "ثقة منخفضة")

التحول في الحوافز الذي قد يجعل هذا الأمر حقيقياً

تُصوّر صوفي دي ساليس من اتحاد التجزئة البريطاني (كما نقلت عنها بي بي سي) تقنية تحديد المقاسات كأداة لتقليل المرتجعات ودعم أهداف الاستدامة.

هذا الإطار مهم لأنه يربط اللياقة بالمال:

  • العائدات تكلف مالاً
  • تُنتج عمليات الإرجاع نفايات

عندما تصبح المشكلة قضية مطروحة على طاولة مجلس الإدارة، يتم إدراجها في الميزانية.

إن أفضل دليل على أن تقنية تحديد المقاسات أصبحت حقيقة واقعة ليس زيادة عدد الصور الرمزية، بل هو تعامل تجار التجزئة مع ما يلي:

  • تحليلات الملاءمة
  • تعديل النمط
  • توحيد القياس

كعمليات أساسية.

الخصوصية: العامل الحاسم الصامت

أي نهج يعتمد على مسح الجسم أو الصور الفوتوغرافية يجب أن يواجه مسألة الخصوصية بشكل مباشر.

إذا شعر المستخدمون بما يلي:

  • تم مسحه ضوئيا
  • تم عرضها
  • أو أن صورهم قد تتسرب

لن يختاروا الاشتراك.

لذا ينبغي أن يكون "احترام الخصوصية بالتصميم" ميزة تنافسية:

  • الحد الأدنى من الاحتفاظ بالبيانات
  • المعالجة على الجهاز حيثما أمكن
  • إلغاء الاشتراك والحذف بشكل واضح
  • الشفافية بشأن ما يتم تخزينه

أمام صناعة تحديد المقاسات فرصة للتعلم من أخطاء تكنولوجيا الإعلان.

من الناحية العملية: ما الذي سيقلل العائدات بأسرع وقت؟

إذا كنت تهتم بالتأثير الفوري، فإن الخطوات التي من المحتمل أن تحقق عائدًا مرتفعًا على الاستثمار ستكون مملة:

  • انشر معلومات دقيقةقياسات الملابس(ليس فقط ملصقات المقاسات)
  • توحيد مصطلحات "مقاس الملابس" ("مقاس صغير"، "مريح"، "مطاطي للغاية") بتعريفات متسقة
  • تحسين صور المنتج ومعلومات الثنيات

ثم أضف طبقة من الذكاء الاصطناعي لتحقيق ما يلي:

  • تخصيص التوصيات
  • إغلاق حلقة التغذية الراجعة للتصنيع

تُفيد تقنيات الذكاء الاصطناعي بشكل أكبر عندما تكون الأساسيات سليمة.

خلاصة القول

يمكن للتكنولوجيا بالتأكيد أن تقلل من مشكلة تحديد المقاسات - ولكن فقط إذا استهدفت الطبقة الصحيحة.

يمكن لأدوات تحديد المقاسات في مرحلة الدفع أن تقلل من عدم اليقين والمرتجعات، لكنها لا تُغير الفوضى الكامنة. يكمن التغيير الأهم في المراحل الأولى: استخدام مؤشرات الملاءمة الحقيقية (المرتجعات + التعليقات) لتعديل الأنماط قبل الإنتاج.

وتبقى الحقيقة النهائية ثابتة: إذا استمرت العلامات التجارية في التعامل مع المقاسات كأداة تسويقية ("مقاسات عاطفية")، فسيستمر التباين. أما الفائزون فهم العلامات التجارية التي تجمع بين التواصل الصادق بشأن المقاسات والتصميم القائم على البيانات، وتجعلها تبدو كخدمة لا كأداة مراقبة.

مصادر

Document Title
Fashion sizing crisis explained: returns, vanity sizing, body scans, and data-driven design
Sizing inconsistency drives massive returns. Tech can help at checkout, but the bigger fix is upstream: using returns and feedback to adjust patterns before production.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Liquid cooling is becoming the bottleneck tech for AI data centres
Fire-blocking materials are being reinvented — because the old flame retardants were toxic
Page Content
Fashion sizing crisis explained: returns, vanity sizing, body scans, and data-driven design
Nature
Climate
Can technology fix fashion sizing? The real issue is incentives, not measurements
/
Technology
/ By
Admin
Sizing in fashion is broken in a very particular way: it’s not just that the labels are “wrong”, it’s that they’re
inconsistent by design
. A size 10 in one brand can map to a size 14 in another, and even within the same brand the fit can drift across seasons and factories. The result is a predictable consumer behaviour loop — order multiple sizes, keep one, return the rest — that turns returns into a business-as-usual logistics system.
The interesting question isn’t whether technology can build a better virtual fitting room. It’s whether data and AI can push the industry toward a more honest, measurable definition of “fit” — while still allowing for style, preference, and the uncomfortable truth of “vanity sizing.”
The returns engine: why the sizing problem became expensive
The BBC puts a number on the consequence: fashion returns are estimated to cost retailers
£190bn a year
globally.
Returns aren’t just a cost line. They are a structural force that shapes the industry:
Inventory risk
: a size run that doesn’t fit becomes dead stock
Logistics complexity
: reverse shipping, inspection, repackaging
Margins
: “free returns” are rarely free; they’re baked into prices
Waste
: damaged or unsellable returns can end up discarded
So sizing has moved from “annoying customer experience issue” to something boards and sustainability teams pay attention to.
Why a “size” is a bad measurement
A label is a single number, but fit depends on a stack of variables:
body measurements (multiple dimensions)
body shape (distribution of measurements)
fabric stretch and recovery
pattern grading assumptions
intended style (skinny vs relaxed)
the wearer’s preference (“tight at the waist is fine” vs “never”)
That’s why the UK Fashion and Textile Association’s Paul Alger (quoted by the BBC) is basically right: people aren’t mannequins, and fit is subjective.
But “subjective” doesn’t mean “unsolvable.” It means the industry is trying to compress a multi-dimensional reality into an overly simple label.
The industry’s dirty secret: brand sizing is a marketing choice
One of the most important points in the BBC piece is
vanity sizing
(Alger calls it “emotional sizing”).
Brands can (and do) decide to make their size labels more generous because:
shoppers like the feeling of fitting into a smaller number
it increases conversion and reduces friction
Once a brand establishes its internal sizing norms, it often sticks with them season-to-season. So the inconsistency isn’t a bug. It’s part of brand identity.
This is the part technology can’t “fix” unless the incentives change.
Two places tech can intervene: checkout vs manufacturing
The BBC describes a growing ecosystem of sizing tech. It helps to separate it into two intervention points:
1) Checkout-stage tools (help you choose a size)
Examples mentioned include 3DLook, True Fit, EasySize and virtual try-on systems.
The promise:
reduce uncertainty online
reduce “buy three sizes, return two”
How they generally work:
ask the shopper for measurements and/or smartphone photos
map those signals to brand-specific fit data
recommend a size for that specific garment
The risk:
privacy concerns (body scans/photos)
calibration and bias (does it work equally well for different bodies?)
confidence illusions (a recommendation is not a guarantee)
2) Manufacturing-stage tools (stop bad fit from being produced)
This is where the BBC’s profile of Fit Collective is interesting, because it’s upstream.
Instead of saying “help the shopper adapt to broken sizing,” the idea is:
use return reasons, sales data, and customer feedback to adjust patterns and materials before production
That is arguably closer to a real fix: fewer poorly-fitting garments exist in the first place.
Fit Collective’s approach: turn returns into design feedback
According to the BBC:
Fit Collective analyses returns, sales figures and customer emails
it produces advice for design and production teams
example: reduce garment length by a few centimetres to cut return rates
This is essentially an ML-assisted quality loop:
customers signal pain (returns, complaints)
the system aggregates signals across products and cohorts
designers adjust patterns/materials
fewer returns happen
If you’ve ever worked in software, this is just product analytics. Fashion hasn’t done it at scale because the data is messy and siloed.
The hard part: returns data is noisy and often dishonest
There’s a reason returns data isn’t automatically a perfect truth source:
shoppers choose “didn’t fit” when the real reason is “didn’t like it”
some return reasons are constrained by UX options
“fit” might mean length, waist, shoulders, or just vibe
So for a system like this to work, it needs more than classification — it needs a model that can infer:
which return reasons correlate with measurements and pattern issues
which correlate with styling/presentation issues
That’s doable, but it’s not a magic spreadsheet trick.
What “good” sizing tech would actually output
Most people imagine sizing tech as: “tell me if I’m a 10 or a 12.”
The more useful output is something like:
“This garment runs tight in the hips; if you size up the waist will be loose.”
“The fabric has low stretch; if you prefer comfort, consider X.”
“Length tends to be long for your height range.”
Notice how these are not single-number answers. They are trade-offs.
That’s why the best systems will likely feel less like a calculator and more like a
fit explanation engine
.
Why virtual try-on is seductive (and where it breaks)
Virtual fitting rooms are popular because they address a different problem:
confidence about how something will
look
, not just fit
But they have two limitations:
visual realism is hard (lighting, drape, body movement)
“looks good” and “feels good” diverge
A realistic future is a hybrid:
size prediction for fit
try-on for style
clear uncertainty indicators (“high confidence” vs “low confidence”)
The incentive shift that could make this real
Sophie De Salis at the British Retail Consortium (quoted by the BBC) frames sizing tech as a lever to reduce returns and support sustainability goals.
That framing matters because it links fit to money:
returns cost money
returns create waste
When a problem becomes a boardroom issue, it becomes budgeted.
The best sign that sizing tech is becoming real is not more avatars — it’s retailers treating:
fit analytics
pattern adjustment
measurement standardisation
as core operations.
Privacy: the quiet deal-breaker
Any approach that relies on body scans or photos has to confront privacy head-on.
If users feel:
scanned
profiled
or that their images could leak
they won’t opt in.
So “privacy-respecting by design” should be a competitive advantage:
minimal data retention
on-device processing where possible
clear opt-out and deletion
transparency about what is stored
The sizing industry has a chance to learn from ad tech’s mistakes.
A practical take: what would reduce returns fastest?
If you care about immediate impact, the likely high-ROI steps are boring:
publish accurate
garment measurements
(not just size labels)
standardise “fit notes” (“runs small”, “relaxed”, “high-stretch”) with consistent definitions
improve product photos and drape information
Then layer AI on top to:
personalise recommendations
close the manufacturing feedback loop
AI helps most when the fundamentals are clean.
Bottom line
Technology can absolutely reduce sizing pain — but only if it targets the right layer.
Checkout-stage sizing tools can lower uncertainty and returns, but they don’t change the underlying chaos. The more meaningful shift is upstream: using real fit signals (returns + feedback) to adjust patterns before production.
And the final truth remains: if brands keep treating sizing as marketing (“emotional sizing”), inconsistency will persist. The winners will be the brands that combine honest fit communication with data-driven design — and make it feel like a service, not surveillance.
Sources
BBC News (Technology):
https://www.bbc.com/news/articles/cjekg1pd9j4o?at_medium=RSS&at_campaign=rss
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Liquid cooling is becoming the bottleneck tech for AI data centres
Fire-blocking materials are being reinvented — because the old flame retardants were toxic
Sizing inconsistency drives massive returns. Tech can help at checkout, but the bigger fix is upstream: using returns and feedback to adjust patterns before production.
Document Title
Page not found - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.
It looks like the link pointing here was faulty. Maybe try searching?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.
Florin.blog
Florin.blog » Feed
RSD
Search...
العربية