La technologie peut-elle résoudre le problème des tailles dans la mode ? Le vrai problème réside dans les incitations, et non dans les mesures.

/Technologie/ Par

Le système de tailles dans la mode est particulièrement défaillant : ce n’est pas seulement que les étiquettes sont « fausses », c’est qu’elles sont…incohérent par conceptionUne taille 40 chez une marque peut correspondre à une taille 44 chez une autre, et même au sein d'une même marque, la coupe peut varier d'une saison à l'autre et d'une usine à l'autre. Il en résulte un comportement de consommation prévisible : commander plusieurs tailles, en garder une, renvoyer les autres. Ce système transforme les retours en une simple opération logistique courante.

La question intéressante n'est pas de savoir si la technologie peut créer une meilleure cabine d'essayage virtuelle. Il s'agit plutôt de savoir si les données et l'IA peuvent amener l'industrie à adopter une définition plus honnête et mesurable de la « taille », tout en laissant place au style, aux préférences et à la réalité parfois dérangeante du « segment flatteur ».

Le moteur des retours : pourquoi le problème de taille est devenu coûteux

La BBC chiffre les conséquences : les retours de vêtements coûteraient aux détaillants…190 milliards de livres sterling par anà l'échelle mondiale.

Les retours ne constituent pas qu'une simple ligne de coût. Ils représentent une force structurelle qui façonne le secteur :

  • Risque lié aux stocks: une gamme de tailles qui ne convient pas devient un stock mort
  • Complexité logistique: expédition inverse, inspection, reconditionnement
  • MargesLes « retours gratuits » sont rarement gratuits ; ils sont inclus dans les prix.
  • DéchetsLes retours endommagés ou invendables peuvent finir par être jetés.

Le dimensionnement est donc passé du statut de « problème agaçant pour le client » à celui d'un sujet auquel les conseils d'administration et les équipes de développement durable prêtent attention.

Pourquoi une « taille » est une mauvaise mesure

Une étiquette est un nombre unique, mais l'ajustement dépend d'un ensemble de variables :

  • mensurations corporelles (dimensions multiples)
  • forme corporelle (répartition des mesures)
  • élasticité et récupération du tissu
  • hypothèses de classement des modèles
  • style souhaité (slim vs décontracté)
  • la préférence de celui ou celle qui le porte (« serré à la taille, ça va » vs « jamais »)

C’est pourquoi Paul Alger, de l’Association britannique de la mode et du textile (cité par la BBC), a fondamentalement raison : les gens ne sont pas des mannequins, et la coupe est subjective.

Mais « subjectif » ne signifie pas « insoluble ». Cela signifie que l'industrie tente de réduire une réalité multidimensionnelle à une étiquette excessivement simpliste.

Le secret honteux du secteur : le dimensionnement d'une marque est un choix marketing

L'un des points les plus importants du reportage de la BBC estdimensions vaniteuses(Alger appelle cela « l’évaluation émotionnelle »).

Les marques peuvent décider (et le font) de rendre leurs étiquettes de taille plus généreuses parce que :

  • Les acheteurs apprécient la sensation de se sentir plus à l'aise dans un nombre plus restreint.
  • il augmente la conversion et réduit les frottements

Une fois qu'une marque a établi ses normes de tailles internes, elle les conserve généralement d'une saison à l'autre. L'incohérence n'est donc pas un défaut, mais fait partie intégrante de son identité.

C’est un aspect que la technologie ne peut pas « corriger » tant que les incitations restent inchangées.

Deux domaines où la technologie peut intervenir : la caisse et la production

La BBC décrit un écosystème en pleine expansion de technologies de dimensionnement. Il est utile de le diviser en deux points d'intervention :

1) Outils de la phase de paiement (vous aident à choisir une taille)

Parmi les exemples cités figurent 3DLook, True Fit, EasySize et les systèmes d'essayage virtuel.

La promesse :

  • réduire l'incertitude en ligne
  • réduire le principe « achetez trois tailles, retournez-en deux »

Fonctionnement général :

  • Demandez au vendeur les mesures et/ou des photos prises avec son smartphone.
  • Associer ces signaux à des données d'ajustement spécifiques à la marque
  • recommander une taille pour ce vêtement spécifique

Le risque :

  • préoccupations relatives à la protection de la vie privée (scans corporels/photos)
  • étalonnage et biais (cela fonctionne-t-il aussi bien pour différents corps ?)
  • Illusions de confiance (une recommandation ne constitue pas une garantie)

2) Outils de fabrication (empêchent la production d'ajustements défectueux)

C’est en cela que le portrait que la BBC dresse de Fit Collective est intéressant, car il se situe en amont.

Au lieu de dire « aider le client à s'adapter aux tailles défectueuses », l'idée est la suivante :

  • Utiliser les motifs de retour, les données de vente et les commentaires des clients pour ajuster les patrons et les matériaux avant la production

Voilà sans doute une solution plus proche d'une véritable solution : il y aurait moins de vêtements mal ajustés à la base.

L'approche de Fit Collective : transformer les retours en commentaires sur la conception

Selon la BBC :

  • Fit Collective analyse les retours, les chiffres de vente et les courriels des clients.
  • elle fournit des conseils aux équipes de conception et de production
  • Exemple : réduire la longueur d'un vêtement de quelques centimètres pour diminuer le taux de retour.

Il s'agit essentiellement d'une boucle de qualité assistée par l'apprentissage automatique :

  1. Les clients signalent leur insatisfaction (retours, réclamations).
  2. Le système agrège les signaux provenant de différents produits et cohortes.
  3. Les designers adaptent les patrons/matériaux
  4. Il se produit moins de retours

Si vous avez déjà travaillé dans le secteur du logiciel, il s'agit simplement d'analyse de données produits. Le secteur de la mode ne l'a pas encore fait à grande échelle car les données sont désordonnées et cloisonnées.

Le plus difficile : les données de retour sont bruitées et souvent malhonnêtes.

Il y a une raison pour laquelle les données de retour ne constituent pas automatiquement une source de vérité parfaite :

  • Les acheteurs choisissent « ne me convenait pas » alors que la vraie raison est « je n'aimais pas ».
  • Certains motifs de retour sont limités par les options d'expérience utilisateur.
  • Le terme « coupe » peut désigner la longueur, la taille, les épaules, ou simplement l’ambiance.

Pour qu'un système de ce type fonctionne, il lui faut plus qu'une simple classification : il lui faut un modèle capable de déduire :

  • quels motifs de retour sont liés aux mesures et aux problèmes de modèles
  • qui sont liés à des problèmes de style/présentation

C'est faisable, mais ce n'est pas une astuce magique avec un tableur.

Quelles « bonnes » technologies de dimensionnement permettraient réellement d'obtenir

La plupart des gens imaginent les technologies de mesure comme : « Dites-moi si je fais une taille 10 ou 12. »

Le résultat le plus utile ressemble à ceci :

  • « Ce vêtement taille petit aux hanches ; si vous prenez une taille au-dessus, la taille sera ample. »
  • « Le tissu est peu extensible ; si vous privilégiez le confort, optez pour le modèle X. »
  • « La longueur est plutôt importante pour votre taille. »

Remarquez qu'il ne s'agit pas de réponses à un seul chiffre. Ce sont des compromis.

C’est pourquoi les meilleurs systèmes ressembleront probablement moins à une calculatrice et plus à un…moteur d'explication adapté.

Pourquoi l'essayage virtuel est séduisant (et où il pêche)

Les cabines d'essayage virtuelles sont populaires car elles répondent à un problème différent :

  • confiance en la façon dont quelque chose varegarder, pas seulement adapté

Mais elles présentent deux limitations :

  1. Le réalisme visuel est difficile (éclairage, drapés, mouvements des corps).
  2. « Avoir une belle apparence » et « se sentir bien » divergent.

Un avenir réaliste est hybride :

  • prédiction de taille pour l'ajustement
  • essayage de style
  • des indicateurs d'incertitude clairs (« confiance élevée » vs « faible confiance »)

Le changement d'incitation qui pourrait rendre cela réel

Sophie De Salis, du British Retail Consortium (citée par la BBC), présente la technologie de dimensionnement comme un levier pour réduire les retours et soutenir les objectifs de développement durable.

Ce cadrage est important car il associe la compétence à l'argent :

  • Les retours coûtent de l'argent
  • Les retours créent des déchets

Lorsqu'un problème devient un sujet de discussion en salle de réunion, il est budgétisé.

Le meilleur signe que la technologie de dimensionnement devient une réalité n'est pas la multiplication des avatars, mais plutôt le traitement que les détaillants réservent à leurs clients :

  • Analyses d'ajustement
  • ajustement du modèle
  • normalisation des mesures

comme opérations essentielles.

La vie privée : un facteur décisif discret.

Toute approche reposant sur des scans corporels ou des photos doit aborder de front la question de la vie privée.

Si les utilisateurs ressentent :

  • scanné
  • profilé
  • ou que leurs images pourraient fuiter

Ils ne s'inscriront pas.

Ainsi, le « respect de la vie privée dès la conception » devrait constituer un avantage concurrentiel :

  • conservation minimale des données
  • traitement sur l'appareil lorsque cela est possible
  • option de désinscription et de suppression claire
  • transparence sur ce qui est stocké

Le secteur du dimensionnement a l'opportunité de tirer des leçons des erreurs des technologies publicitaires.

Une approche pratique : qu’est-ce qui réduirait le plus rapidement les rendements ?

Si vous vous souciez d'un impact immédiat, les étapes susceptibles d'offrir un retour sur investissement élevé sont ennuyeuses :

  • publier des informations exactesmesures des vêtements(pas seulement les étiquettes de taille)
  • Standardiser les « notes de coupe » (« taille petit », « ample », « très extensible ») avec des définitions cohérentes.
  • améliorer les photos des produits et les informations sur le drapé

Ensuite, superposez l'IA pour :

  • personnaliser les recommandations
  • boucler la boucle de rétroaction de fabrication

L'IA est surtout utile lorsque les bases sont solides.

En résumé

La technologie peut absolument réduire les problèmes de dimensionnement, mais seulement si elle cible la bonne couche.

Les outils de dimensionnement en phase de validation de commande peuvent réduire l'incertitude et les retours, mais ils ne résolvent pas le problème de fond. Le changement le plus significatif se situe en amont : utiliser des signaux d'ajustement réels (retours et retours clients) pour optimiser les patrons avant la production.

En définitive, une vérité demeure : si les marques persistent à considérer les tailles comme un simple argument marketing (« taille émotionnelle »), l’incohérence perdurera. Seules les marques qui sauront allier une communication transparente sur les tailles à une conception basée sur les données, et qui présenteront cela comme un service, et non comme une surveillance, remporteront la mise.

Sources

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...
r Français