¿Puede la tecnología solucionar el problema de las tallas de moda? El verdadero problema son los incentivos, no las medidas.

/Tecnología/ Por

Las tallas en la moda se rompen de una manera muy particular: no es solo que las etiquetas sean “incorrectas”, es que soninconsistente por diseñoUna talla 10 en una marca puede corresponder a una talla 14 en otra, e incluso dentro de la misma marca, el ajuste puede variar según la temporada y la fábrica. El resultado es un ciclo predecible de comportamiento del consumidor: pedir varias tallas, quedarse con una, devolver las demás, lo que convierte las devoluciones en un sistema logístico habitual.

La pregunta interesante no es si la tecnología puede crear un probador virtual mejor. Es si los datos y la IA pueden impulsar a la industria hacia una definición más honesta y medible de "ajuste", que a la vez tenga en cuenta el estilo, las preferencias y la incómoda realidad de las "tallas de vanidad".

El motor de retorno: por qué el problema del dimensionamiento se volvió costoso

La BBC cifra las consecuencias: se estima que las devoluciones de prendas de moda costarán a los minoristas190.000 millones de libras al añoA nivel mundial.

Las devoluciones no son solo un gasto. Son una fuerza estructural que configura la industria:

  • Riesgo de inventario:una talla que no encaja se convierte en stock muerto
  • Complejidad logística: envío inverso, inspección, reembalaje
  • Márgenes:Las “devoluciones gratuitas” rara vez son gratuitas; están incluidas en los precios.
  • Desperdiciar:Las devoluciones dañadas o invendibles pueden terminar desechadas

Así, el tamaño ha pasado de ser un “problema molesto en la experiencia del cliente” a algo a lo que prestan atención las juntas directivas y los equipos de sostenibilidad.

Por qué una “talla” es una mala medida

Una etiqueta es un número único, pero el ajuste depende de una pila de variables:

  • medidas corporales (múltiples dimensiones)
  • forma del cuerpo (distribución de medidas)
  • elasticidad y recuperación de la tela
  • Supuestos de clasificación de patrones
  • estilo deseado (delgado vs relajado)
  • la preferencia del usuario (“ajustado en la cintura está bien” vs. “nunca”)

Es por eso que Paul Alger, de la Asociación de Moda y Textiles del Reino Unido (citado por la BBC), tiene básicamente razón: las personas no son maniquíes y el ajuste es subjetivo.

Pero «subjetivo» no significa «irresoluble». Significa que la industria intenta comprimir una realidad multidimensional en una etiqueta demasiado simple.

El secreto sucio de la industria: el tamaño de la marca es una decisión de marketing

Uno de los puntos más importantes del artículo de la BBC estallas de vanidad(Alger lo llama “dimensionamiento emocional”).

Las marcas pueden (y lo hacen) decidir que sus etiquetas de tallas sean más generosas porque:

  • A los compradores les gusta la sensación de encajar en un número más pequeño
  • Aumenta la conversión y reduce la fricción.

Una vez que una marca establece sus normas internas de tallaje, suele mantenerlas temporada tras temporada. Por lo tanto, la inconsistencia no es un problema. Es parte de la identidad de marca.

Ésta es la parte que la tecnología no puede “solucionar” a menos que cambien los incentivos.

Dos lugares donde la tecnología puede intervenir: caja vs. fabricación

La BBC describe un ecosistema creciente de tecnología de dimensionamiento. Ayuda a dividirlo en dos puntos de intervención:

1) Herramientas de la etapa de pago (le ayudan a elegir un tamaño)

Los ejemplos mencionados incluyen 3DLook, True Fit, EasySize y sistemas de prueba virtual.

La promesa:

  • reducir la incertidumbre en línea
  • Reducir “compra tres tallas, devuelve dos”

Cómo funcionan generalmente:

  • Solicitar al comprador medidas y/o fotos tomadas con el teléfono inteligente
  • Mapee esas señales a datos de ajuste específicos de la marca
  • Recomendar una talla para esa prenda específica

El riesgo:

  • Preocupaciones sobre la privacidad (escaneos corporales/fotografías)
  • Calibración y sesgo (¿Funciona igual de bien para diferentes cuerpos?)
  • ilusiones de confianza (una recomendación no es una garantía)

2) Herramientas de la etapa de fabricación (evitar que se produzcan ajustes incorrectos)

Aquí es donde el perfil de Fit Collective publicado en la BBC resulta interesante, porque se encuentra aguas arriba.

En lugar de decir “ayudar al comprador a adaptarse a los tamaños rotos”, la idea es:

  • Utilice los motivos de devolución, los datos de ventas y los comentarios de los clientes para ajustar los patrones y los materiales antes de la producción.

Se podría decir que esto está más cerca de una solución real: que, para empezar, existan menos prendas que no se ajusten bien.

El enfoque de Fit Collective: convertir las devoluciones en comentarios sobre el diseño

Según la BBC:

  • Fit Collective analiza las devoluciones, las cifras de ventas y los correos electrónicos de los clientes.
  • Produce asesoramiento para equipos de diseño y producción.
  • Ejemplo: reducir la longitud de la prenda unos centímetros para reducir las tasas de devolución.

Se trata esencialmente de un bucle de calidad asistido por ML:

  1. Los clientes manifiestan su dolor (devoluciones, quejas)
  2. El sistema agrega señales entre productos y cohortes.
  3. Los diseñadores ajustan patrones/materiales
  4. se producen menos devoluciones

Si alguna vez has trabajado con software, esto es solo análisis de productos. La moda no lo ha hecho a gran escala porque los datos son confusos y están aislados.

La parte difícil: los datos devueltos son ruidosos y a menudo deshonestos

Hay una razón por la que los datos devueltos no son automáticamente una fuente de verdad perfecta:

  • Los compradores eligen "no me queda bien" cuando la verdadera razón es "no me gusta".
  • Algunas razones de retorno están limitadas por las opciones de UX
  • "Ajuste" puede significar longitud, cintura, hombros o simplemente vibra.

Entonces, para que un sistema como este funcione, se necesita más que una clasificación: necesita un modelo que pueda inferir:

  • ¿Qué motivos de devolución se correlacionan con problemas de medidas y patrones?
  • que se correlacionan con problemas de estilo/presentación

Esto se puede hacer, pero no es un truco mágico de una hoja de cálculo.

¿Qué resultados reales obtendría una tecnología de dimensionamiento “buena”?

La mayoría de la gente imagina la tecnología de medición de tamaño como: "dime si soy un 10 o un 12".

El resultado más útil es algo como:

  • “Esta prenda queda ajustada en las caderas; si eliges una talla más, la cintura quedará suelta”.
  • “La tela tiene poca elasticidad; si prefieres comodidad, considera X”.
  • “La longitud tiende a ser larga para su rango de altura”.

Observe que estas no son respuestas de un solo número. Son compensaciones.

Es por eso que los mejores sistemas probablemente se sentirán menos como una calculadora y más como un...motor de explicación de ajuste.

Por qué la prueba virtual es seductora (y dónde falla)

Los probadores virtuales son populares porque abordan un problema diferente:

  • confianza en cómo algo sucederámirar, no sólo encaja

Pero tienen dos limitaciones:

  1. El realismo visual es difícil (iluminación, cortinas, movimiento corporal).
  2. “Se ve bien” y “Se siente bien” divergen

Un futuro realista es un híbrido:

  • predicción de tamaño para ajuste
  • Pruébate el estilo
  • Indicadores claros de incertidumbre (“alta confianza” vs. “baja confianza”)

El cambio de incentivos que podría hacer que esto sea real

Sophie De Salis, del British Retail Consortium (citada por la BBC), enmarca la tecnología de dimensionamiento como una palanca para reducir las devoluciones y apoyar los objetivos de sostenibilidad.

Ese encuadre es importante porque vincula el ajuste con el dinero:

  • Las devoluciones cuestan dinero
  • Las devoluciones generan residuos

Cuando un problema se convierte en un asunto de sala de juntas, se incluye en el presupuesto.

La mejor señal de que la tecnología de dimensionamiento se está volviendo real no son más avatares, sino los minoristas que tratan:

  • análisis de ajuste
  • ajuste de patrón
  • estandarización de mediciones

como operaciones centrales.

Privacidad: el silencioso factor decisivo

Cualquier enfoque que se base en escaneos corporales o fotografías debe abordar directamente la privacidad.

Si los usuarios sienten:

  • escaneado
  • perfilado
  • o que sus imágenes pudieran filtrarse

No optarán por ello.

Por lo tanto, el “respeto a la privacidad por diseño” debería ser una ventaja competitiva:

  • retención mínima de datos
  • procesamiento en el dispositivo cuando sea posible
  • clara exclusión y eliminación
  • transparencia sobre lo que se almacena

La industria del dimensionamiento tiene la oportunidad de aprender de los errores de la tecnología publicitaria.

Una visión práctica: ¿qué reduciría las rentabilidades más rápidamente?

Si te importa el impacto inmediato, los pasos que probablemente generen un alto retorno de la inversión son aburridos:

  • publicar con precisiónmedidas de la prenda(no sólo etiquetas de tamaño)
  • Estandarizar las “notas de ajuste” (“talla pequeña”, “relajada”, “muy elástica”) con definiciones consistentes
  • Mejorar las fotos de los productos y la información de los drapeados.

Luego, aplique una capa de IA encima para:

  • personalizar recomendaciones
  • cerrar el ciclo de retroalimentación de la fabricación

La IA ayuda más cuando los fundamentos están claros.

En resumen

La tecnología puede reducir absolutamente el dolor que genera el cambio de tamaño, pero sólo si se enfoca en la capa correcta.

Las herramientas de dimensionamiento en la etapa de pago pueden reducir la incertidumbre y las devoluciones, pero no modifican el caos subyacente. El cambio más significativo se produce en etapas anteriores: usar señales de ajuste reales (devoluciones + retroalimentación) para ajustar los patrones antes de la producción.

Y la verdad final permanece: si las marcas siguen tratando las tallas como marketing («tallas emocionales»), la inconsistencia persistirá. Las ganadoras serán las marcas que combinen una comunicación honesta sobre el ajuste con un diseño basado en datos, y que lo hagan sentir como un servicio, no como vigilancia.

Fuentes

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...
s Español