ファッションのサイズ危機を解説：返品、虚栄心を満たすサイズ、ボディスキャン、データ駆動型デザイン

ファッションにおけるサイズ表記は非常に特殊な形で破綻しています。それは単にラベルが「間違っている」というだけでなく、設計上一貫性がないあるブランドでサイズ10の商品は、別のブランドではサイズ14に相当する場合があり、同じブランドでも季節や工場によってフィット感が異なる場合があります。その結果、複数のサイズを注文し、1つを保管し、残りを返品するという予測可能な消費者行動のループが生じ、返品が通常の物流システムと化します。

興味深いのは、テクノロジーがより良いバーチャル試着室を構築できるかどうかではない。データとAIが、スタイルや好み、そして「虚栄心を満たすサイズ」という不快な現実を考慮しつつ、業界をより誠実で測定可能な「フィット感」の定義へと導くことができるかどうかだ。

返品エンジン：サイズの問題がなぜコスト高になったのか

BBCはその結果を数字で表している。ファッションの返品は小売業者に損失をもたらすと推定されている。年間1900億ポンド世界的に。

リターンは単なるコストラインではありません。業界を形作る構造的な力なのです。

在庫リスク: 合わないサイズはデッドストックになる
物流の複雑さ: 逆発送、検査、再梱包
マージン「無料返品」はめったに無料ではなく、価格に組み込まれている
無駄: 破損または販売できない返品は廃棄される可能性があります

つまり、サイズ設定は「煩わしい顧客体験の問題」から、取締役会やサステナビリティチームが注目する問題へと変化しました。

「サイズ」がなぜ悪い測定単位なのか

ラベルは単一の数字ですが、適合は変数のスタックに依存します。

身体測定（複数の次元）
体型（測定値の分布）
生地の伸縮性と回復力
パターングレーディングの仮定
意図するスタイル（スキニー vs リラックス）
着用者の好み（「ウエストがきつくても大丈夫」vs「絶対にきつくない」）

だからこそ、英国ファッション・テキスタイル協会のポール・アルジャー氏（BBC が引用）の意見は基本的に正しい。つまり、人間はマネキンではないし、フィット感は主観的なものなのだ。

しかし、「主観的」だからといって「解決不可能」というわけではありません。業界が多次元的な現実を過度に単純なラベルに押し込めようとしているということです。

業界の汚い秘密：ブランドサイジングはマーケティング上の選択である

BBCの記事で最も重要な点の一つは化粧台のサイズ（アルジャーはそれを「感情的なサイジング」と呼んでいます）。

ブランドがサイズラベルをより大きめにすることに決められるのは、次のような理由からです。

買い物客はより小さな数字にフィットする感覚を好む
コンバージョン率を高め、摩擦を減らす

ブランドが社内でサイズ基準を確立すると、シーズンが変わってもそれを維持し続けることがよくあります。つまり、サイズの不一致は欠陥ではなく、ブランドアイデンティティの一部なのです。

これは、インセンティブが変わらない限り、テクノロジーで「修正」できない部分です。

テクノロジーが介入できる2つの場所：レジと製造

BBCは、サイジングテクノロジーのエコシステムの成長について解説しています。このエコシステムを2つの介入ポイントに分けると分かりやすいでしょう。

1) チェックアウト段階のツール（サイズの選択に役立ちます）

例としては、3DLook、True Fit、EasySize、バーチャル試着システムなどが挙げられます。

約束：

オンラインでの不確実性を軽減
「3サイズ購入、2サイズ返品」を減らす

一般的にはどのように機能しますか:

買い物客に寸法やスマートフォンの写真を尋ねる
これらの信号をブランド固有の適合データにマッピングする
特定の衣服のサイズを推奨する

リスク:

プライバシーに関する懸念（ボディスキャン/写真）
キャリブレーションとバイアス（異なるボディでも同様に機能しますか？）
自信の錯覚（推奨は保証ではありません）

2) 製造段階のツール（不良フィットの発生を防ぐ）

BBC の Fit Collective のプロフィールが興味深いのは、これが上流である点です。

「買い物客が壊れたサイズに適応できるように支援する」と言う代わりに、アイデアは次のとおりです。

返品理由、販売データ、顧客からのフィードバックを使用して、生産前にパターンと材料を調整します。

それはおそらく本当の解決策に近い。まず第一に、体に合わない衣服が少なくなるのだ。

Fit Collectiveのアプローチ：返品をデザインフィードバックに変える

BBCによると：

Fit Collectiveは返品、売上高、顧客メールを分析します
設計チームと制作チームにアドバイスを提供します
例：返品率を下げるために衣服の長さを数センチ短くする

これは本質的に ML 支援による品質ループです。

顧客が不満を表明する（返品、苦情）
システムは製品とコホート全体のシグナルを集約する
デザイナーはパターンや素材を調整する
返品が少なくなる

ソフトウェア業界で働いたことがある人なら、これは単なる製品分析に過ぎないことがわかるでしょう。ファッション業界では、データが乱雑でサイロ化しているため、大規模な分析は行われていません。

難しいのは、返品データがノイズが多く、不正確であることが多いことです。

戻り値データが自動的に完全な真実のソースにならないのには理由があります。

買い物客は本当の理由は「気に入らなかった」なのに「サイズが合わなかった」と選ぶ
一部の返品理由はUXオプションによって制限される
「フィット」とは、長さ、ウエスト、肩、あるいは単に雰囲気を意味するかもしれない

したがって、このようなシステムが機能するには、分類以上のもの、つまり推論できるモデルが必要です。

返品理由が測定値とパターンの問題と相関しているかどうか
スタイルやプレゼンテーションの問題と相関関係がある

それは実行可能ですが、魔法のスプレッドシートのトリックではありません。

「良い」サイジング技術が実際に出力するものは

ほとんどの人は、テクノロジーのサイズについて「サイズが 10 か 12 か教えてください」と想像します。

より有用な出力は次のようになります。

「この服はヒップがきついです。サイズをあげればウエストがゆるくなります。」
「生地の伸縮性は低いです。快適さを重視するなら、Xをご検討ください。」
「あなたの身長の範囲に対して長さが長くなる傾向があります。」

これらが単一の数字による答えではないことに注目してください。これらはトレードオフなのです。

だからこそ、最高のシステムは電卓というよりは、フィット説明エンジン。

バーチャル試着が魅力的な理由（そして欠点）

バーチャル試着室が人気なのは、次のような異なる問題に対処するためです。

何かがどうなるかという自信見てフィットするだけでなく

しかし、2 つの制限があります。

視覚的なリアリズムは難しい（照明、ドレープ、体の動き）
「見た目が良い」と「気持ちが良い」は乖離している

現実的な未来はハイブリッドです。

フィット感のサイズ予測
スタイルを試着する
明確な不確実性指標（「高い信頼性」と「低い信頼性」）

これを実現できるインセンティブシフト

英国小売協会のソフィー・デ・サリス氏（BBC による引用）は、サイズ調整技術を返品を減らし、持続可能性の目標をサポートするための手段として位置づけている。

この枠組みが重要なのは、適性とお金を結び付けているからです。

返品には費用がかかる
返品は無駄を生み出す

問題が役員会議の議題になると、予算が組まれるようになります。

サイズ測定テクノロジーが現実のものになりつつあることを示す最良の兆候は、アバターの増加ではなく、小売業者の対応である。

フィット分析
パターン調整
測定の標準化

コア業務として。

プライバシー：静かなる取引の決め手

ボディスキャンや写真に頼るアプローチは、プライバシーの問題に正面から取り組まなければなりません。

ユーザーが感じていること:

スキャンした
プロファイル
あるいは画像が漏洩する恐れがある

彼らはオプトインしません。

したがって、「設計段階からプライバシーを尊重する」ことが競争上の優位性となるはずです。

最小限のデータ保持
可能な場合はデバイス上で処理
明確なオプトアウトと削除
何が保存されているかについての透明性

サイジング業界には、広告テクノロジーの失敗から学ぶチャンスがある。

現実的な視点：収益を最も早く減らすものは何でしょうか?

即時の効果を重視する場合、ROI が高くなる可能性のある手順は退屈です。

正確な公開衣服の寸法（サイズラベルだけではありません）
「フィット感に関する注記」（「小さめ」、「ゆったり」、「伸縮性が高い」）を一貫した定義で標準化する
商品写真とドレープ情報を改善する

次に AI を重ねて次の操作を行います。

おすすめをパーソナライズ
製造フィードバックループを閉じる

AI は基礎が明確である場合に最も役立ちます。

結論

テクノロジーによってサイジングの苦労は確実に軽減されますが、それは適切なレイヤーをターゲットにした場合に限られます。

チェックアウト段階のサイジングツールは不確実性とリターンを低減できますが、根本的な混乱は改善しません。より意義深い変化は上流工程にあります。つまり、実際の適合シグナル（リターン＋フィードバック）を用いて、生産前にパターンを調整することです。

そして、最終的な真実はこうです。ブランドがサイズ表記をマーケティング（「感情的なサイズ表記」）として扱い続ける限り、一貫性の欠如は続くでしょう。勝者となるのは、誠実なフィット感のコミュニケーションとデータに基づいたデザインを組み合わせ、監視ではなくサービスのように感じられるブランドです。

出典

BBCニュース（テクノロジー）：https://www.bbc.com/news/articles/cjekg1pd9j4o?at_medium=RSS&at_campaign=rss

Document Title
Fashion sizing crisis explained: returns, vanity sizing, body scans, and data-driven design	ファッションのサイズ危機を解説：返品、虚栄心を満たすサイズ、ボディスキャン、データ駆動型デザイン

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.	サイズの不一致は大量の返品につながります。テクノロジーはチェックアウト時に役立ちますが、より重要な解決策は上流工程にあります。返品とフィードバックを活用して、生産前にパターンを調整することです。
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin	管理者によるすべての投稿を表示
Liquid cooling is becoming the bottleneck tech for AI data centres	液体冷却はAIデータセンターのボトルネック技術になりつつある
Fire-blocking materials are being reinvented — because the old flame retardants were toxic	防火素材が再開発されている。古い難燃剤は有毒だったためだ。
Page Content
Fashion sizing crisis explained: returns, vanity sizing, body scans, and data-driven design	ファッションのサイズ危機を解説：返品、虚栄心を満たすサイズ、ボディスキャン、データ駆動型デザイン
Nature
Climate
Can technology fix fashion sizing? The real issue is incentives, not measurements	テクノロジーはファッションのサイズを解決できるか？真の問題はサイズではなくインセンティブにある
/
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	ファッションにおけるサイズ表記は非常に特殊な形で破綻しています。それは単にラベルが「間違っている」というだけでなく、
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.	あるブランドでサイズ10の商品は、別のブランドではサイズ14に相当する場合があり、同じブランドでも季節や工場によってフィット感が異なる場合があります。その結果、複数のサイズを注文し、1つを保管し、残りを返品するという予測可能な消費者行動のループが生じ、返品が通常の物流システムと化します。
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.”	興味深いのは、テクノロジーがより良いバーチャル試着室を構築できるかどうかではない。データとAIが、スタイルや好み、そして「虚栄心を満たすサイズ」という不快な現実を考慮しつつ、業界をより誠実で測定可能な「フィット感」の定義へと導くことができるかどうかだ。
The returns engine: why the sizing problem became expensive	返品エンジン：サイズの問題がなぜコスト高になったのか
The BBC puts a number on the consequence: fashion returns are estimated to cost retailers	BBCはその結果を数字で表している。ファッションの返品は小売業者に損失をもたらすと推定されている。
£190bn a year
globally.
Returns aren’t just a cost line. They are a structural force that shapes the industry:	リターンは単なるコストラインではありません。業界を形作る構造的な力なのです。
Inventory risk
: a size run that doesn’t fit becomes dead stock	: 合わないサイズはデッドストックになる
Logistics complexity
: reverse shipping, inspection, repackaging	: 逆発送、検査、再梱包
Margins
: “free returns” are rarely free; they’re baked into prices	「無料返品」はめったに無料ではなく、価格に組み込まれている
Waste
: damaged or unsellable returns can end up discarded	: 破損または販売できない返品は廃棄される可能性があります
So sizing has moved from “annoying customer experience issue” to something boards and sustainability teams pay attention to.	つまり、サイズ設定は「煩わしい顧客体験の問題」から、取締役会やサステナビリティチームが注目する問題へと変化しました。
Why a “size” is a bad measurement	「サイズ」がなぜ悪い測定単位なのか
A label is a single number, but fit depends on a stack of variables:	ラベルは単一の数字ですが、適合は変数のスタックに依存します。
body measurements (multiple dimensions)	身体測定（複数の次元）
body shape (distribution of measurements)
fabric stretch and recovery
pattern grading assumptions	パターングレーディングの仮定
intended style (skinny vs relaxed)	意図するスタイル（スキニー vs リラックス）
the wearer’s preference (“tight at the waist is fine” vs “never”)	着用者の好み（「ウエストがきつくても大丈夫」vs「絶対にきつくない」）
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.	だからこそ、英国ファッション・テキスタイル協会のポール・アルジャー氏（BBC が引用）の意見は基本的に正しい。つまり、人間はマネキンではないし、フィット感は主観的なものなのだ。
But “subjective” doesn’t mean “unsolvable.” It means the industry is trying to compress a multi-dimensional reality into an overly simple label.	しかし、「主観的」だからといって「解決不可能」というわけではありません。業界が多次元的な現実を過度に単純なラベルに押し込めようとしているということです。
The industry’s dirty secret: brand sizing is a marketing choice	業界の汚い秘密：ブランドサイジングはマーケティング上の選択である
One of the most important points in the BBC piece is	BBCの記事で最も重要な点の一つは
vanity sizing
(Alger calls it “emotional sizing”).	（アルジャーはそれを「感情的なサイジング」と呼んでいます）。
Brands can (and do) decide to make their size labels more generous because:	ブランドがサイズラベルをより大きめにすることに決められるのは、次のような理由からです。
shoppers like the feeling of fitting into a smaller number	買い物客はより小さな数字にフィットする感覚を好む
it increases conversion and reduces friction	コンバージョン率を高め、摩擦を減らす
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.	ブランドが社内でサイズ基準を確立すると、シーズンが変わってもそれを維持し続けることがよくあります。つまり、サイズの不一致は欠陥ではなく、ブランドアイデンティティの一部なのです。
This is the part technology can’t “fix” unless the incentives change.	これは、インセンティブが変わらない限り、テクノロジーで「修正」できない部分です。
Two places tech can intervene: checkout vs manufacturing	テクノロジーが介入できる2つの場所：レジと製造
The BBC describes a growing ecosystem of sizing tech. It helps to separate it into two intervention points:	BBCは、サイジングテクノロジーのエコシステムの成長について解説しています。このエコシステムを2つの介入ポイントに分けると分かりやすいでしょう。
1) Checkout-stage tools (help you choose a size)	1) チェックアウト段階のツール（サイズの選択に役立ちます）
Examples mentioned include 3DLook, True Fit, EasySize and virtual try-on systems.	例としては、3DLook、True Fit、EasySize、バーチャル試着システムなどが挙げられます。
The promise:
reduce uncertainty online	オンラインでの不確実性を軽減
reduce “buy three sizes, return two”	「3サイズ購入、2サイズ返品」を減らす
How they generally work:	一般的にはどのように機能しますか:
ask the shopper for measurements and/or smartphone photos	買い物客に寸法やスマートフォンの写真を尋ねる
map those signals to brand-specific fit data	これらの信号をブランド固有の適合データにマッピングする
recommend a size for that specific garment	特定の衣服のサイズを推奨する
The risk:
privacy concerns (body scans/photos)	プライバシーに関する懸念（ボディスキャン/写真）
calibration and bias (does it work equally well for different bodies?)	キャリブレーションとバイアス（異なるボディでも同様に機能しますか？）
confidence illusions (a recommendation is not a guarantee)	自信の錯覚（推奨は保証ではありません）
2) Manufacturing-stage tools (stop bad fit from being produced)	2) 製造段階のツール（不良フィットの発生を防ぐ）
This is where the BBC’s profile of Fit Collective is interesting, because it’s upstream.	BBC の Fit Collective のプロフィールが興味深いのは、これが上流である点です。
Instead of saying “help the shopper adapt to broken sizing,” the idea is:	「買い物客が壊れたサイズに適応できるように支援する」と言う代わりに、アイデアは次のとおりです。
use return reasons, sales data, and customer feedback to adjust patterns and materials before production	返品理由、販売データ、顧客からのフィードバックを使用して、生産前にパターンと材料を調整します。
That is arguably closer to a real fix: fewer poorly-fitting garments exist in the first place.	それはおそらく本当の解決策に近い。まず第一に、体に合わない衣服が少なくなるのだ。
Fit Collective’s approach: turn returns into design feedback	Fit Collectiveのアプローチ：返品をデザインフィードバックに変える
According to the BBC:
Fit Collective analyses returns, sales figures and customer emails	Fit Collectiveは返品、売上高、顧客メールを分析します
it produces advice for design and production teams	設計チームと制作チームにアドバイスを提供します
example: reduce garment length by a few centimetres to cut return rates	例：返品率を下げるために衣服の長さを数センチ短くする
This is essentially an ML-assisted quality loop:	これは本質的に ML 支援による品質ループです。
customers signal pain (returns, complaints)	顧客が不満を表明する（返品、苦情）
the system aggregates signals across products and cohorts	システムは製品とコホート全体のシグナルを集約する
designers adjust patterns/materials	デザイナーはパターンや素材を調整する
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.	ソフトウェア業界で働いたことがある人なら、これは単なる製品分析に過ぎないことがわかるでしょう。ファッション業界では、データが乱雑でサイロ化しているため、大規模な分析は行われていません。
The hard part: returns data is noisy and often dishonest	難しいのは、返品データがノイズが多く、不正確であることが多いことです。
There’s a reason returns data isn’t automatically a perfect truth source:	戻り値データが自動的に完全な真実のソースにならないのには理由があります。
shoppers choose “didn’t fit” when the real reason is “didn’t like it”	買い物客は本当の理由は「気に入らなかった」なのに「サイズが合わなかった」と選ぶ
some return reasons are constrained by UX options	一部の返品理由はUXオプションによって制限される
“fit” might mean length, waist, shoulders, or just vibe	「フィット」とは、長さ、ウエスト、肩、あるいは単に雰囲気を意味するかもしれない
So for a system like this to work, it needs more than classification — it needs a model that can infer:	したがって、このようなシステムが機能するには、分類以上のもの、つまり推論できるモデルが必要です。
which return reasons correlate with measurements and pattern issues	返品理由が測定値とパターンの問題と相関しているかどうか
which correlate with styling/presentation issues	スタイルやプレゼンテーションの問題と相関関係がある
That’s doable, but it’s not a magic spreadsheet trick.	それは実行可能ですが、魔法のスプレッドシートのトリックではありません。
What “good” sizing tech would actually output	「良い」サイジング技術が実際に出力するものは
Most people imagine sizing tech as: “tell me if I’m a 10 or a 12.”	ほとんどの人は、テクノロジーのサイズについて「サイズが 10 か 12 か教えてください」と想像します。
The more useful output is something like:	より有用な出力は次のようになります。
“This garment runs tight in the hips; if you size up the waist will be loose.”	「この服はヒップがきついです。サイズをあげればウエストがゆるくなります。」
“The fabric has low stretch; if you prefer comfort, consider X.”	「生地の伸縮性は低いです。快適さを重視するなら、Xをご検討ください。」
“Length tends to be long for your height range.”	「あなたの身長の範囲に対して長さが長くなる傾向があります。」
Notice how these are not single-number answers. They are trade-offs.	これらが単一の数字による答えではないことに注目してください。これらはトレードオフなのです。
That’s why the best systems will likely feel less like a calculator and more like a	だからこそ、最高のシステムは電卓というよりは、
fit explanation engine
.
Why virtual try-on is seductive (and where it breaks)	バーチャル試着が魅力的な理由（そして欠点）
Virtual fitting rooms are popular because they address a different problem:	バーチャル試着室が人気なのは、次のような異なる問題に対処するためです。
confidence about how something will	何かがどうなるかという自信
look
, not just fit	フィットするだけでなく
But they have two limitations:	しかし、2 つの制限があります。
visual realism is hard (lighting, drape, body movement)	視覚的なリアリズムは難しい（照明、ドレープ、体の動き）
“looks good” and “feels good” diverge	「見た目が良い」と「気持ちが良い」は乖離している
A realistic future is a hybrid:	現実的な未来はハイブリッドです。
size prediction for fit	フィット感のサイズ予測
try-on for style
clear uncertainty indicators (“high confidence” vs “low confidence”)	明確な不確実性指標（「高い信頼性」と「低い信頼性」）
The incentive shift that could make this real	これを実現できるインセンティブシフト
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.	英国小売協会のソフィー・デ・サリス氏（BBC による引用）は、サイズ調整技術を返品を減らし、持続可能性の目標をサポートするための手段として位置づけている。
That framing matters because it links fit to money:	この枠組みが重要なのは、適性とお金を結び付けているからです。
returns cost money
returns create waste
When a problem becomes a boardroom issue, it becomes budgeted.	問題が役員会議の議題になると、予算が組まれるようになります。
The best sign that sizing tech is becoming real is not more avatars — it’s retailers treating:	サイズ測定テクノロジーが現実のものになりつつあることを示す最良の兆候は、アバターの増加ではなく、小売業者の対応である。
fit analytics
pattern adjustment
measurement standardisation
as core operations.
Privacy: the quiet deal-breaker	プライバシー：静かなる取引の決め手
Any approach that relies on body scans or photos has to confront privacy head-on.	ボディスキャンや写真に頼るアプローチは、プライバシーの問題に正面から取り組まなければなりません。
If users feel:	ユーザーが感じていること:
scanned
profiled
or that their images could leak	あるいは画像が漏洩する恐れがある
they won’t opt in.	彼らはオプトインしません。
So “privacy-respecting by design” should be a competitive advantage:	したがって、「設計段階からプライバシーを尊重する」ことが競争上の優位性となるはずです。
minimal data retention
on-device processing where possible	可能な場合はデバイス上で処理
clear opt-out and deletion	明確なオプトアウトと削除
transparency about what is stored	何が保存されているかについての透明性
The sizing industry has a chance to learn from ad tech’s mistakes.	サイジング業界には、広告テクノロジーの失敗から学ぶチャンスがある。
A practical take: what would reduce returns fastest?	現実的な視点：収益を最も早く減らすものは何でしょうか?
If you care about immediate impact, the likely high-ROI steps are boring:	即時の効果を重視する場合、ROI が高くなる可能性のある手順は退屈です。
publish accurate
garment measurements
(not just size labels)	（サイズラベルだけではありません）
standardise “fit notes” (“runs small”, “relaxed”, “high-stretch”) with consistent definitions	「フィット感に関する注記」（「小さめ」、「ゆったり」、「伸縮性が高い」）を一貫した定義で標準化する
improve product photos and drape information	商品写真とドレープ情報を改善する
Then layer AI on top to:	次に AI を重ねて次の操作を行います。
personalise recommendations	おすすめをパーソナライズ
close the manufacturing feedback loop	製造フィードバックループを閉じる
AI helps most when the fundamentals are clean.	AI は基礎が明確である場合に最も役立ちます。
Bottom line
Technology can absolutely reduce sizing pain — but only if it targets the right layer.	テクノロジーによってサイジングの苦労は確実に軽減されますが、それは適切なレイヤーをターゲットにした場合に限られます。
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.	チェックアウト段階のサイジングツールは不確実性とリターンを低減できますが、根本的な混乱は改善しません。より意義深い変化は上流工程にあります。つまり、実際の適合シグナル（リターン＋フィードバック）を用いて、生産前にパターンを調整することです。
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.	そして、最終的な真実はこうです。ブランドがサイズ表記をマーケティング（「感情的なサイズ表記」）として扱い続ける限り、一貫性の欠如は続くでしょう。勝者となるのは、誠実なフィット感のコミュニケーションとデータに基づいたデザインを組み合わせ、監視ではなくサービスのように感じられるブランドです。
Sources
BBC News (Technology):	BBCニュース（テクノロジー）：
https://www.bbc.com/news/articles/cjekg1pd9j4o?at_medium=RSS&at_campaign=rss	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	管理者によるすべての投稿を表示
Liquid cooling is becoming the bottleneck tech for AI data centres	液体冷却はAIデータセンターのボトルネック技術になりつつある
Fire-blocking materials are being reinvented — because the old flame retardants were toxic	防火素材が再開発されている。古い難燃剤は有毒だったためだ。
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.	サイズの不一致は大量の返品につながります。テクノロジーはチェックアウト時に役立ちますが、より重要な解決策は上流工程にあります。返品とフィードバックを活用して、生産前にパターンを調整することです。

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

←

→

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	ページが見つかりません - 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	ページが見つかりません - Florin.blog
Skip to content
Home
Blog
Garden Decor	ガーデンデコレーション
Indoor
Main Menu
This page doesn't seem to exist.	このページは存在しないようです。
It looks like the link pointing here was faulty. Maybe try searching?	ここへのリンクに問題があるようです。検索してみてください
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.	Amazonアソシエイトとして、当社は対象となる購入から報酬を得ています。お客様に追加料金はかかりません
Florin.blog
Florin.blog » Feed
RSD
Search...

Document Title

Page not found - Florin.blog

Image Alt

Florin.blog

Title Attribute

Florin.blog » Feed

RSD

Placeholder Attribute

Search...

Page Content

Page not found - Florin.blog

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:

Quick Links

Outdoors

About

Contact

Explore

Bestsellers

Hot deals

Best of The Year

Featured

Gift Cards

Help

Disclaimer

: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.

Florin.blog

Florin.blog » Feed

RSD

Search...