Může technologie opravit velikostní schéma módy? Skutečným problémem jsou pobídky, nikoli míry.

/Technologie/ Od

Velikostní definice v módě je porušena velmi specifickým způsobem: nejde jen o to, že etikety jsou „špatné“, ale o to, že jsou...nekonzistentní ze své podstatyVelikost 10 u jedné značky se může shodovat s velikostí 14 u jiné a dokonce i v rámci stejné značky se může velikost měnit mezi sezónami a továrnami. Výsledkem je předvídatelná smyčka chování spotřebitelů – objednám více velikostí, jednu si ponechám, zbytek vrátím – která promění vracení zboží v běžný logistický systém.

Zajímavou otázkou není, zda technologie dokáže vytvořit lepší virtuální zkušební kabinku. Jde o to, zda data a umělá inteligence mohou posunout toto odvětví směrem k upřímnější a měřitelnější definici „střihu“ – a zároveň zohlednit styl, preference a nepříjemnou pravdu „martinských velikostí“.

Motor vrácení zboží: proč se problém s velikostí stal drahým

BBC uvádí důsledky v číselné podobě: odhaduje se, že návratnost módních výnosů bude stát maloobchodníky190 miliard liber ročněglobálně.

Výnosy nejsou jen nákladovou linií. Jsou strukturální silou, která utváří toto odvětví:

  • Riziko zásob: velikost, která nesedí, se stává nedostupnou
  • Logistická složitostzpětná přeprava, kontrola, přebalení
  • Okraje„bezplatné vrácení“ je zřídka zdarma; je to zahrnuto v cenách
  • Odpadpoškozené nebo neprodejné vrácené zboží může být vyřazeno

Takže se dimenzování přesunulo z „otravného problému se zákaznickou zkušeností“ na něco, čemu věnují pozornost správní rady a týmy pro udržitelnost.

Proč je „velikost“ špatným měřítkem

Popisek je jedno číslo, ale shoda závisí na zásobníku proměnných:

  • tělesné míry (více dimenzí)
  • tvar těla (rozložení rozměrů)
  • roztažení a zotavení tkaniny
  • předpoklady pro klasifikaci vzorů
  • zamýšlený styl (úzký vs. volný)
  • preference nositele („těsný pas je v pořádku“ vs. „nikdy“)

Proto má Paul Alger z Britské asociace módy a textilu (citovaný BBC) v podstatě pravdu: lidé nejsou figuríny a střih je subjektivní.

Ale „subjektivní“ neznamená „neřešitelné“. Znamená to, že se průmysl snaží vtěsnat vícerozměrnou realitu do příliš jednoduchého označení.

Špinavé tajemství odvětví: velikost značky je marketingovou volbou

Jedním z nejdůležitějších bodů článku BBC jedimenzování toaletního stolku(Alger to nazývá „emoční dimenzování“).

Značky se mohou (a také se rozhodnou) uvést na svých velikostních štítcích štědřejší informace, protože:

  • Nakupující mají rádi pocit, že se vejdou do menšího počtu
  • zvyšuje konverzi a snižuje tření

Jakmile si značka stanoví své interní normy pro velikosti, často se jich sezónu od sezóny drží. Takže tato nekonzistentnost není chyba. Je součástí identity značky.

Tuto část technologie nedokáže „opravit“, pokud se nezmění pobídky.

Dva způsoby, jakými může technologie zasáhnout: pokladna vs. výroba

BBC popisuje rostoucí ekosystém technologií pro dimenzování. Je užitečné jej rozdělit do dvou intervenčních bodů:

1) Nástroje pro fázi pokladny (pomohou vám s výběrem velikosti)

Mezi zmíněné příklady patří 3DLook, True Fit, EasySize a systémy virtuálního zkoušení.

Slib:

  • snížit nejistotu online
  • snížit „koupit tři velikosti, vrátit dvě“

Jak obecně fungují:

  • požádejte nakupujícího o míry a/nebo fotografie z chytrého telefonu
  • mapují tyto signály na data specifická pro danou značku
  • doporučte velikost pro daný oděv

Riziko:

  • obavy o soukromí (skeny těla/fotografie)
  • kalibrace a zkreslení (funguje to stejně dobře pro různá tělesa?)
  • iluze sebevědomí (doporučení není zárukou)

2) Nástroje ve fázi výroby (zabránění výrobě špatně padnoucích součástí)

A právě zde je profil BBC o Fit Collective zajímavý, protože je zaměřený proti proudu.

Místo tvrzení „pomozte nakupujícímu přizpůsobit se nepravidelným velikostem“ je myšlenka tato:

  • využijte důvody vrácení, údaje o prodeji a zpětnou vazbu od zákazníků k úpravě vzorů a materiálů před výrobou

To je pravděpodobně blíže skutečnému řešení: v první řadě existuje méně špatně padnoucích oděvů.

Přístup Fit Collective: proměnit výnosy ve zpětnou vazbu k designu

Podle BBC:

  • Fit Collective analyzuje vrácené zboží, prodejní čísla a e-maily zákazníků
  • poskytuje poradenství pro designové a výrobní týmy
  • příklad: zkraťte délku oděvu o několik centimetrů, abyste snížili míru vrácení

Toto je v podstatě smyčka kvality s asistencí strojového učení:

  1. zákazníci signalizují bolest (vrácení zboží, stížnosti)
  2. Systém agreguje signály napříč produkty a kohortami
  3. návrháři upravují vzory/materiály
  4. dochází k menšímu počtu návratů

Pokud jste někdy pracovali v softwaru, tak se jedná pouze o produktovou analytiku. Móda to ve velkém měřítku nedělá, protože data jsou chaotická a izolovaná.

Nejtěžší část: výnosová data jsou zašumělá a často neférová

Existuje důvod, proč vracená data nejsou automaticky dokonalým zdrojem pravdivých informací:

  • Zákazníci volí možnost „nesedělo jim to“, když skutečným důvodem je „nelíbilo se mi to“
  • Některé důvody pro vrácení jsou omezeny možnostmi UX
  • „Střih“ může znamenat délku, pas, ramena nebo jen vzhled

Aby tedy takový systém fungoval, potřebuje více než jen klasifikaci – potřebuje model, který dokáže odvodit:

  • které důvody vrácení korelují s měřeními a problémy se vzory
  • které korelují s problémy stylingu/prezentace

To je proveditelné, ale není to kouzelný trik s tabulkou.

Co by „dobrá“ technologie dimenzování ve skutečnosti vyprodukovala

Většina lidí si představuje dimenzování technologií jako: „řekněte mi, jestli jsem 10 nebo 12.“

Užitečnější výstup je něco jako:

  • „Tento oděv je v bocích těsný; pokud si zvětšíte velikost, bude pas volný.“
  • „Látka má nízkou pružnost; pokud dáváte přednost pohodlí, zvažte X.“
  • „Délka bývá vzhledem k tvé výšce dlouhá.“

Všimněte si, že se nejedná o jednočíselné odpovědi. Jsou to kompromisy.

Proto se ty nejlepší systémy pravděpodobně budou jevit méně jako kalkulačka a spíše jakonástroj pro vysvětlení přizpůsobení.

Proč je virtuální zkoušení svůdné (a kde se to propadá)

Virtuální zkušební kabinky jsou oblíbené, protože řeší jiný problém:

  • důvěra v to, jak se něco bude dítPodívejte, nejen fit

Mají ale dvě omezení:

  1. vizuální realismus je náročný (osvětlení, drapérie, pohyb těla)
  2. „Vypadá dobře“ a „cítí se dobře“ se liší

Realistická budoucnost je hybrid:

  • předpověď velikosti pro dokonalé padnutí
  • vyzkoušení stylu
  • jasné ukazatele nejistoty („vysoká spolehlivost“ vs. „nízká spolehlivost“)

Posun motivace, který by to mohl uskutečnit

Sophie De Salis z British Retail Consortium (citováno BBC) vnímá technologii dimenzování jako páku ke snížení výnosů a podpoře cílů udržitelnosti.

Toto rámování je důležité, protože propojuje vhodnost s penězi:

  • vrácení peněz
  • výnosy vytvářejí odpad

Když se problém stane záležitostí zasedací místnosti, je zahrnut do rozpočtu.

Nejlepším znamením, že se technologie dimenzování stává skutečností, není více avatarů – jsou to maloobchodníci, kteří se zabývají:

  • analýzy přizpůsobení
  • úprava vzoru
  • standardizace měření

jako klíčové operace.

Soukromí: tichý způsob, jak přerušit obchod

Jakýkoli přístup, který se spoléhá na skenování těla nebo fotografie, se musí čelem postavit soukromí.

Pokud uživatelé cítí:

  • naskenované
  • profilovaný
  • nebo že by jejich obrázky mohly uniknout

se nepřihlásí.

Takže „respektování soukromí již od návrhu“ by mělo být konkurenční výhodou:

  • minimální uchovávání dat
  • zpracování na zařízení, kde je to možné
  • jasné odhlášení a smazání
  • transparentnost ohledně toho, co je uloženo

Odvětví dimenzování má šanci se poučit z chyb reklamních technologií.

Praktický pohled: co by nejrychleji snížilo výnosy?

Pokud vám záleží na okamžitém dopadu, kroky s vysokou návratností investic jsou pravděpodobně nudné:

  • publikovat přesnémíry oděvu(nejen štítky s velikostmi)
  • standardizovat „poznámky k tvaru“ („běží malý“, „uvolněný“, „vysoce elastický“) s jednotnými definicemi
  • vylepšete fotografie produktů a zakryjte informace

Pak navrstvíme umělou inteligenci na:

  • personalizovat doporučení
  • uzavření zpětné vazby ve výrobě

Umělá inteligence pomáhá nejvíce, když jsou základy čisté.

Sečteno a podtrženo

Technologie dokáže absolutně zmírnit potíže s výběrem velikosti – ale pouze pokud se zaměří na správnou vrstvu.

Nástroje pro dimenzování ve fázi pokladny mohou snížit nejistotu a výnosy, ale nemění základní chaos. Smysluplnější posun je v rámci fáze upstream: použití skutečných signálů o shodě (výnosy + zpětná vazba) k úpravě vzorců před zahájením výroby.

A konečná pravda zůstává: pokud značky budou i nadále brát dimenzování jako marketing („emoční dimenzování“), nekonzistentnost bude přetrvávat. Vítězi budou značky, které spojí upřímnou komunikaci ohledně střihu s designem založeným na datech – a vytvoří dojem, že se jedná o službu, nikoli o dohled.

Zdroje

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...
Čeština