Kan teknologi løse modestørrelser? Det virkelige problem er incitamenter, ikke målinger

/Teknologi/ Af

Størrelsesvalg i modebranchen er brudt på en helt særlig måde: det er ikke bare, at etiketterne er "forkerte", det er, at de erinkonsekvent i designEn størrelse 10 i ét mærke kan svare til en størrelse 14 i et andet, og selv inden for det samme mærke kan pasformen variere på tværs af sæsoner og fabrikker. Resultatet er en forudsigelig forbrugeradfærdsløjfe – bestil flere størrelser, behold én, returner resten – der forvandler returneringer til et logistiksystem, der fungerer som normalt.

Det interessante spørgsmål er ikke, om teknologi kan skabe et bedre virtuelt prøverum. Det handler om, om data og kunstig intelligens kan skubbe branchen mod en mere ærlig og målbar definition af "pasform" – samtidig med at der tages højde for stil, præferencer og den ubehagelige sandhed om "forfængelighedsstørrelser".

Returmotoren: hvorfor størrelsesproblemet blev dyrt

BBC sætter et tal på konsekvensen: det anslås, at returnering af modetøj vil koste detailhandlere190 milliarder pund om åretglobalt.

Afkast er ikke bare en omkostningslinje. Det er en strukturel kraft, der former branchen:

  • Lagerrisiko: en størrelsesopgave, der ikke passer, bliver ubrugelig
  • Logistikkompleksitetomvendt forsendelse, inspektion, ompakning
  • Marginer"Gratis returnering" er sjældent gratis; de er indbygget i priserne
  • SpildBeskadigede eller usælgelige returneringer kan ende med at blive kasseret

Så størrelsesvalg er gået fra at være et "irriterende problem med kundeoplevelsen" til noget, som bestyrelser og bæredygtighedsteams er opmærksomme på.

Hvorfor en "størrelse" er en dårlig måling

En etiket er et enkelt tal, men tilpasningen afhænger af en stak af variabler:

  • kropsmål (flere dimensioner)
  • kropsform (fordeling af mål)
  • stoffets stræk og gendannelse
  • antagelser om mønstergradering
  • tilsigtet stil (skinny vs. afslappet)
  • bærerens præference ("stram i taljen er fint" vs. "aldrig")

Derfor har Paul Alger fra UK Fashion and Textile Association (citeret af BBC) grundlæggende ret: mennesker er ikke mannequiner, og pasform er subjektiv.

Men "subjektiv" betyder ikke "uløselig". Det betyder, at branchen forsøger at komprimere en flerdimensionel virkelighed til en alt for simpel etiket.

Branchens beskidte hemmelighed: Brandstørrelse er et marketingvalg

Et af de vigtigste pointer i BBC-artiklen erstørrelser på forfængelighedsskabet(Alger kalder det "følelsesmæssig dimensionering").

Mærker kan (og gør) beslutte at gøre deres størrelsesmærker mere generøse fordi:

  • Kunderne kan lide følelsen af ​​at passe ind i et mindre antal
  • det øger konverteringen og reducerer friktion

Når et brand først har etableret sine interne størrelsesnormer, holder det sig ofte til dem sæson for sæson. Så uoverensstemmelsen er ikke en fejl. Det er en del af brandidentiteten.

Det er den del, teknologien ikke kan "rette", medmindre incitamenterne ændrer sig.

To steder, hvor teknologi kan gribe ind: kassen vs. produktionen

BBC beskriver et voksende økosystem af størrelsesinddeling af teknologi. Det hjælper med at opdele det i to interventionspunkter:

1) Værktøjer til kassen (hjælper dig med at vælge en størrelse)

Eksempler som nævnte omfatter 3DLook, True Fit, EasySize og virtuelle prøvesystemer.

Løftet:

  • mindske usikkerheden online
  • reducer "køb tre størrelser, returner to"

Sådan fungerer de generelt:

  • Bed kunden om mål og/eller smartphone-fotos
  • knytte disse signaler til brandspecifikke tilpasningsdata
  • anbefale en størrelse til det specifikke beklædningsgenstand

Risikoen:

  • bekymringer om privatlivets fred (kropsscanninger/fotos)
  • kalibrering og bias (fungerer det lige godt for forskellige kroppe?)
  • illusioner om selvtillid (en anbefaling er ikke en garanti)

2) Værktøj i fremstillingsfasen (forhindrer produktion af dårlig pasform)

Det er her, BBC's profil af Fit Collective er interessant, fordi den er upstream.

I stedet for at sige "hjælp kunden med at tilpasse sig til de forkerte størrelser", er ideen:

  • Brug returårsager, salgsdata og kundefeedback til at justere mønstre og materialer før produktion

Det er uden tvivl tættere på en reel løsning: der findes færre dårligt passende tøj i første omgang.

Fit Collectives tilgang: Forvandl returneringer til designfeedback

Ifølge BBC:

  • Fit Collective analyserer returneringer, salgstal og kunde-e-mails
  • den producerer rådgivning til design- og produktionsteams
  • eksempel: reducer tøjlængden med et par centimeter for at reducere returprocenterne

Dette er i bund og grund en ML-assisteret kvalitetsløkke:

  1. kunder signalerer smerte (returneringer, klager)
  2. Systemet aggregerer signaler på tværs af produkter og kohorter
  3. designere justerer mønstre/materialer
  4. færre returneringer sker

Hvis du nogensinde har arbejdet med software, er det her blot produktanalyse. Modebranchen har ikke gjort det i stor skala, fordi dataene er rodede og isolerede.

Den svære del: Returdata er støjende og ofte uærlige

Der er en grund til, at returnerede data ikke automatisk er en perfekt sandhedskilde:

  • Kunder vælger "passede ikke", når den virkelige årsag er "kunne ikke lide det"
  • Nogle returårsager er begrænset af UX-muligheder
  • "Pasform" kan betyde længde, talje, skuldre eller bare vibe

Så for at et system som dette kan fungere, kræver det mere end klassificering – det kræver en model, der kan udlede:

  • hvilke returårsager korrelerer med målinger og mønsterproblemer
  • som korrelerer med styling-/præsentationsproblemer

Det er muligt, men det er ikke et magisk regnearks-trick.

Hvilken "god" størrelsesteknologi ville rent faktisk producere

De fleste mennesker forestiller sig størrelsesteknologi som: "Fortæl mig, om jeg er en 10'er eller en 12'er."

Det mere nyttige output er noget i retning af:

  • "Dette tøj sidder stramt om hofterne; hvis du tager en større størrelse, vil taljen være løs."
  • "Stoffet har lav strækbarhed; hvis du foretrækker komfort, så overvej X."
  • "Længde har en tendens til at være lang i forhold til din højde."

Bemærk, at disse ikke er svar med et enkelt tal. De er afvejninger.

Derfor vil de bedste systemer sandsynligvis føles mindre som en lommeregner og mere som enpassende forklaringsmotor.

Hvorfor virtuel prøvetræning er forførende (og hvor den bryder igennem)

Virtuelle prøverum er populære, fordi de adresserer et andet problem:

  • tillid til, hvordan noget vilse, ikke bare i form

Men de har to begrænsninger:

  1. visuel realisme er vanskelig (belysning, drapering, kropsbevægelse)
  2. "Ser godt ud" og "føles godt" adskiller sig

En realistisk fremtid er en hybrid:

  • størrelsesforudsigelse for pasform
  • prøv stilen
  • klare usikkerhedsindikatorer (“høj tillid” vs. “lav tillid”)

Incitamentsskiftet, der kunne gøre dette til virkelighed

Sophie De Salis fra British Retail Consortium (citeret af BBC) fremstiller størrelsesteknologi som en løftestang til at reducere returvarer og understøtte bæredygtighedsmål.

Den indramning er vigtig, fordi den forbinder fit med penge:

  • returnering koster penge
  • Returnering skaber affald

Når et problem bliver et bestyrelsesproblem, bliver det budgetteret.

Det bedste tegn på, at størrelsesteknologi bliver virkelighed, er ikke flere avatarer – det er detailhandlere, der behandler:

  • fitanalyse
  • mønsterjustering
  • målestandardisering

som kerneoperationer.

Privatliv: den stille dealbreaker

Enhver tilgang, der er afhængig af kropsscanninger eller fotos, skal konfronteres med privatlivets fred direkte.

Hvis brugerne føler:

  • scannet
  • profileret
  • eller at deres billeder kunne lække

de vil ikke tilmelde sig.

Så "privatlivsrespekterende design" bør være en konkurrencefordel:

  • minimal datalagring
  • behandling på enheden, hvor det er muligt
  • ryd framelding og sletning
  • gennemsigtighed omkring, hvad der gemmes

Størrelsesbranchen har en chance for at lære af annonceteknologiens fejl.

Et praktisk perspektiv: Hvad ville reducere afkastet hurtigst?

Hvis du er interesseret i øjeblikkelig effekt, er de trin med højt ROI kedelige:

  • offentliggør nøjagtigttøjets mål(ikke kun størrelsesmærker)
  • standardiser "pasformnoter" ("smal i længden", "afslappet", "strækbar") med ensartede definitioner
  • forbedre produktfotos og draperingsinformation

Derefter lægges AI ovenpå for at:

  • personliggøre anbefalinger
  • luk feedback-loop'en i produktionen

AI hjælper mest, når det grundlæggende er rent.

Konklusion

Teknologi kan absolut reducere smerten ved størrelsesjustering – men kun hvis den er rettet mod det rigtige lag.

Værktøjer til størrelsesjustering i kassefasen kan mindske usikkerhed og afkast, men de ændrer ikke det underliggende kaos. Det mere meningsfulde skift er opstrøms: brug af reelle tilpasningssignaler (afkast + feedback) til at justere mønstre før produktion.

Og den endelige sandhed forbliver: Hvis brands fortsætter med at behandle størrelsesinddeling som markedsføring ("følelsesmæssig størrelsesinddeling"), vil inkonsekvensen fortsætte. Vinderne vil være de brands, der kombinerer ærlig kommunikation om pasform med datadrevet design – og får det til at føles som en service, ikke overvågning.

Kilder

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...
a Dansk