La tecnologia può risolvere il problema delle taglie nella moda? Il vero problema sono gli incentivi, non le misure.

/Tecnologia/ Di

Le taglie nella moda sono sbagliate in un modo molto particolare: non è solo che le etichette sono "sbagliate", è che sonoincoerente per progettazioneUna taglia 10 di un marchio può corrispondere a una taglia 14 di un altro, e persino all'interno dello stesso marchio la vestibilità può variare a seconda delle stagioni e dei diversi stabilimenti. Il risultato è un ciclo prevedibile di comportamento dei consumatori – ordina più taglie, tienine una, restituisci le altre – che trasforma i resi in un sistema logistico di routine.

La domanda interessante non è se la tecnologia possa costruire un camerino virtuale migliore. È se i dati e l'intelligenza artificiale possano spingere il settore verso una definizione di "vestibilità" più onesta e misurabile, pur tenendo conto di stile, preferenze e della scomoda verità del "vanity sizing".

Il motore dei resi: perché il problema delle dimensioni è diventato costoso

La BBC quantifica le conseguenze: si stima che i resi dei prodotti di moda costino ai rivenditori190 miliardi di sterline all'annoa livello globale.

I rendimenti non sono solo una voce di costo. Sono una forza strutturale che plasma il settore:

  • Rischio di inventario: una taglia che non va bene diventa una scorta morta
  • Complessità logistica: spedizione inversa, ispezione, riconfezionamento
  • Margini: i “resi gratuiti” raramente sono gratuiti; sono inclusi nei prezzi
  • Sciupare: i resi danneggiati o invendibili possono finire scartati

Quindi il dimensionamento è passato dall'essere un "fastidioso problema di esperienza del cliente" a qualcosa a cui i consigli di amministrazione e i team di sostenibilità prestano attenzione.

Perché la “taglia” è una misura sbagliata

Un'etichetta è un singolo numero, ma l'adattamento dipende da una serie di variabili:

  • misure del corpo (dimensioni multiple)
  • forma del corpo (distribuzione delle misure)
  • elasticità e recupero del tessuto
  • ipotesi di classificazione dei modelli
  • stile previsto (skinny vs relaxed)
  • la preferenza di chi lo indossa ("stretto in vita va bene" vs "mai")

Ecco perché Paul Alger della UK Fashion and Textile Association (citato dalla BBC) ha sostanzialmente ragione: le persone non sono manichini e la vestibilità è soggettiva.

Ma "soggettivo" non significa "irrisolvibile". Significa piuttosto che l'industria sta cercando di comprimere una realtà multidimensionale in un'etichetta eccessivamente semplice.

Il segreto sporco del settore: la dimensione del marchio è una scelta di marketing

Uno dei punti più importanti del pezzo della BBC èdimensioni della vanità(Alger lo chiama “dimensionamento emotivo”).

I marchi possono (e lo fanno) decidere di rendere le loro etichette delle taglie più generose perché:

  • agli acquirenti piace la sensazione di sentirsi a proprio agio in un numero più piccolo
  • aumenta la conversione e riduce l'attrito

Una volta che un marchio stabilisce le sue norme interne sulle taglie, spesso le mantiene costanti stagione dopo stagione. Quindi, l'incoerenza non è un difetto. Fa parte dell'identità del marchio.

Questo è il problema che la tecnologia non può "risolvere" a meno che non cambino gli incentivi.

Due ambiti in cui la tecnologia può intervenire: cassa e produzione

La BBC descrive un ecosistema crescente di tecnologie di dimensionamento. Aiuta a distinguerlo in due punti di intervento:

1) Strumenti per la fase di pagamento (ti aiutano a scegliere una taglia)

Tra gli esempi citati figurano 3DLook, True Fit, EasySize e sistemi di prova virtuale.

La promessa:

  • ridurre l'incertezza online
  • ridurre “acquista tre taglie, restituisci due”

Come funzionano generalmente:

  • chiedere all'acquirente le misure e/o le foto dello smartphone
  • mappare quei segnali sui dati di adattamento specifici del marchio
  • consigliare una taglia per quel capo specifico

Il rischio:

  • problemi di privacy (scansioni/foto del corpo)
  • calibrazione e polarizzazione (funzionano ugualmente bene per corpi diversi?)
  • illusioni di fiducia (una raccomandazione non è una garanzia)

2) Strumenti per la fase di produzione (impediscono la produzione di prodotti non adatti)

È qui che il profilo della BBC su Fit Collective è interessante, perché è a monte.

Invece di dire "aiutare l'acquirente ad adattarsi alle taglie sbagliate", l'idea è:

  • utilizzare i motivi di reso, i dati di vendita e il feedback dei clienti per adattare modelli e materiali prima della produzione

Questa è probabilmente la soluzione più vicina a quella reale: in primo luogo, ci sono meno indumenti che vestono male.

L'approccio di Fit Collective: trasformare i resi in feedback di progettazione

Secondo la BBC:

  • Fit Collective analizza i resi, i dati di vendita e le email dei clienti
  • produce consulenza per i team di progettazione e produzione
  • esempio: ridurre la lunghezza del capo di qualche centimetro per ridurre i tassi di reso

Si tratta essenzialmente di un ciclo di qualità assistito da ML:

  1. i clienti segnalano problemi (resi, reclami)
  2. il sistema aggrega i segnali tra prodotti e coorti
  3. i designer adattano modelli/materiali
  4. si verificano meno resi

Se hai mai lavorato nel settore del software, questa è solo analisi di prodotto. La moda non l'ha fatto su larga scala perché i dati sono disordinati e isolati.

La parte difficile: i dati restituiti sono rumorosi e spesso disonesti

C'è un motivo per cui i dati restituiti non sono automaticamente una fonte di verità perfetta:

  • gli acquirenti scelgono "non andava bene" quando il vero motivo è "non mi piaceva"
  • alcuni motivi di ritorno sono vincolati dalle opzioni UX
  • "vestibilità" potrebbe significare lunghezza, vita, spalle o semplicemente atmosfera

Quindi, affinché un sistema come questo funzioni, ha bisogno di più di una semplice classificazione: ha bisogno di un modello in grado di dedurre:

  • quali motivi di ritorno sono correlati con misurazioni e problemi di modello
  • che sono correlati a problemi di stile/presentazione

È fattibile, ma non è un trucco magico da foglio di calcolo.

Quale tecnologia di dimensionamento "buona" produrrebbe effettivamente

La maggior parte delle persone immagina che le taglie tecnologiche siano: "dimmi se indosso una taglia 10 o una 12".

Un output più utile è qualcosa del tipo:

  • “Questo capo è stretto sui fianchi; se prendi una taglia in più, la vita sarà larga.”
  • “Il tessuto è poco elastico; se preferisci la comodità, prendi in considerazione X.”
  • "La lunghezza tende ad essere elevata per la tua altezza."

Notate come queste non siano risposte a un solo numero. Sono compromessi.

Ecco perché i sistemi migliori probabilmente sembreranno meno una calcolatrice e più unmotore di spiegazione adatto.

Perché la prova virtuale è seducente (e dove non funziona)

I camerini virtuali sono popolari perché affrontano un problema diverso:

  • fiducia su come qualcosa andràAspetto, non solo in forma

Ma hanno due limitazioni:

  1. il realismo visivo è difficile (illuminazione, drappeggio, movimento del corpo)
  2. "sembra buono" e "si sente bene" divergono

Un futuro realistico è un ibrido:

  • previsione delle dimensioni per la vestibilità
  • prova per lo stile
  • chiari indicatori di incertezza (“alta fiducia” vs “bassa fiducia”)

Lo spostamento degli incentivi che potrebbe rendere tutto questo reale

Sophie De Salis del British Retail Consortium (citata dalla BBC) considera la tecnologia delle taglie come una leva per ridurre i resi e supportare gli obiettivi di sostenibilità.

Questa inquadratura è importante perché collega l'idoneità al denaro:

  • i rendimenti costano denaro
  • i resi creano sprechi

Quando un problema diventa una questione di competenza del consiglio di amministrazione, viene inserito nel bilancio.

Il segnale più chiaro che la tecnologia delle taglie sta diventando realtà non è l'aumento degli avatar, ma il fatto che i rivenditori trattano:

  • analisi di adattamento
  • regolazione del modello
  • standardizzazione delle misure

come operazioni principali.

Privacy: il silenzioso fattore decisivo

Qualsiasi approccio che si basi su scansioni corporee o foto deve affrontare la questione della privacy in modo diretto.

Se gli utenti ritengono:

  • scansionato
  • profilato
  • o che le loro immagini potrebbero trapelare

non aderiranno.

Quindi, il “rispetto della privacy fin dalla progettazione” dovrebbe essere un vantaggio competitivo:

  • conservazione minima dei dati
  • elaborazione sul dispositivo ove possibile
  • cancellazione e cancellazione chiara
  • trasparenza su ciò che viene memorizzato

Il settore delle taglie ha la possibilità di imparare dagli errori della tecnologia pubblicitaria.

Un punto di vista pratico: cosa ridurrebbe più rapidamente i rendimenti?

Se ciò che conta è l'impatto immediato, i passaggi che probabilmente generano un ROI elevato sono noiosi:

  • pubblicare in modo accuratomisure dell'indumento(non solo etichette delle taglie)
  • standardizzare le “note di adattamento” (“corse corte”, “rilassate”, “ad alta elasticità”) con definizioni coerenti
  • migliorare le foto dei prodotti e le informazioni sulle tende

Quindi aggiungi l'IA sopra per:

  • personalizzare i consigli
  • chiudere il ciclo di feedback della produzione

L'intelligenza artificiale è più utile quando i fondamentali sono chiari.

In conclusione

La tecnologia può sicuramente ridurre il problema della taglia, ma solo se si concentra sullo strato giusto.

Gli strumenti di dimensionamento in fase di checkout possono ridurre l'incertezza e i resi, ma non cambiano il caos di fondo. Il cambiamento più significativo avviene a monte: utilizzare segnali di adattamento reali (resi + feedback) per correggere i modelli prima della produzione.

E la verità finale rimane: se i marchi continuano a trattare le taglie come un marketing ("taglie emotive"), l'incoerenza persisterà. I vincitori saranno i marchi che uniranno una comunicazione onesta sulla vestibilità a un design basato sui dati, e lo faranno percepire come un servizio, non come una sorveglianza.

Fonti

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...
t Italiano