기술이 패션 사이즈 문제를 해결할 수 있을까요? 진짜 문제는 사이즈 자체가 아니라 동기 부여 방식입니다.

/기술/ 에 의해

패션 사이즈 체계는 아주 특정한 방식으로 잘못되어 있습니다. 단순히 라벨이 "틀린" 것이 아니라, 사이즈 자체가 잘못되어 있다는 것입니다.의도적으로 일관성이 없음한 브랜드의 10사이즈가 다른 브랜드에서는 14사이즈에 해당할 수 있으며, 같은 브랜드 내에서도 계절이나 공장에 따라 핏이 달라질 수 있습니다. 그 결과, 소비자는 여러 사이즈를 주문하고, 하나만 남기고 나머지는 반품하는 예측 가능한 행동 패턴을 보이게 되며, 이는 반품을 일상적인 물류 시스템으로 만들어 버립니다.

흥미로운 질문은 기술이 더 나은 가상 피팅룸을 만들 수 있느냐가 아닙니다. 데이터와 인공지능이 업계를 더욱 정직하고 측정 가능한 "핏"의 정의로 이끌 수 있느냐는 것입니다. 그러면서도 스타일, 선호도, 그리고 불편한 진실인 "허영심에서 비롯된 사이즈 표기"는 여전히 고려해야 합니다.

반품 시스템: 사이즈 문제가 왜 비용이 많이 드는 문제로 발전했는가

BBC는 그 결과를 수치로 제시했습니다. 패션 반품으로 인해 소매업체들이 입는 손실액은 상당한 것으로 추산됩니다.연간 1900억 파운드전 세계적으로.

반품은 단순히 비용 항목이 아닙니다. 그것은 산업을 형성하는 구조적인 힘입니다.

  • 재고 위험사이즈가 맞지 않는 제품은 재고로 남게 됩니다.
  • 물류 복잡성: 반송, 검사, 재포장
  • 마진"무료 반품"은 사실상 무료가 아닙니다. 가격에 이미 포함되어 있는 경우가 많습니다.
  • 쓰레기손상되었거나 재판매할 수 없는 반품 상품은 폐기될 수 있습니다.

그래서 사이즈 문제는 더 이상 "성가신 고객 경험 문제"가 아니라 이사회와 지속가능성 팀이 주목하는 사항으로 바뀌었습니다.

"크기"가 부적절한 측정 기준인 이유

레이블은 단일 숫자이지만, 적합도는 여러 변수의 조합에 따라 달라집니다.

  • 신체 측정 (다양한 치수)
  • 체형(측정치 분포)
  • 원단 신축성 및 복원력
  • 패턴 등급 지정 가정
  • 의도한 스타일 (스키니핏 vs 루즈핏)
  • 착용자의 선호도("허리가 꽉 조이는 건 괜찮아" vs "절대 안 돼")

영국 패션 및 섬유 협회의 폴 알저(BBC 인용)의 말이 기본적으로 맞는 이유가 바로 여기에 있습니다. 사람들은 마네킹이 아니며, 옷이 잘 맞는다는 것은 주관적인 문제입니다.

하지만 "주관적"이라는 말이 "해결 불가능"을 의미하는 것은 아닙니다. 이는 업계가 다차원적인 현실을 지나치게 단순한 틀 안에 가두려 한다는 것을 의미합니다.

업계의 불편한 진실: 브랜드 규모는 마케팅 전략의 일환이다

BBC 보도에서 가장 중요한 점 중 하나는 다음과 같습니다.허영심 사이즈(앨저는 이를 "감정적 크기 측정"이라고 부릅니다.)

브랜드는 다음과 같은 이유로 사이즈 표기를 더 넉넉하게 할 수 있으며 실제로 그렇게 합니다.

  • 쇼핑객들은 더 작은 사이즈의 옷을 입었을 때 느껴지는 만족감을 좋아합니다.
  • 변환 효율을 높이고 마찰을 줄입니다.

브랜드가 자체적인 사이즈 기준을 정립하면, 대개 시즌마다 그 기준을 고수합니다. 따라서 사이즈의 불일치는 결함이 아니라 브랜드 정체성의 일부입니다.

이는 인센티브 구조가 바뀌지 않는 한 기술로는 해결할 수 없는 부분입니다.

기술이 개입할 수 있는 두 가지 영역: 결제 vs. 제조

BBC는 점점 확대되는 사이즈 측정 기술 생태계에 대해 설명하며, 이를 두 가지 주요 개입 지점으로 구분합니다.

1) 결제 단계 도구 (사이즈 선택에 도움)

예시로는 3DLook, True Fit, EasySize 및 가상 착용 시스템 등이 언급되었습니다.

약속:

  • 온라인상의 불확실성을 줄이세요
  • "세 가지 사이즈를 구매하고 두 가지 사이즈를 반품하세요" 할인 혜택을 줄이세요

일반적으로 어떻게 작동하는가:

  • 구매자에게 치수나 스마트폰 사진을 요청하세요.
  • 이러한 신호를 브랜드별 적합성 데이터에 매핑합니다.
  • 해당 의류에 맞는 사이즈를 추천해 주세요.

위험 요소:

  • 개인정보 보호 문제 (신체 스캔/사진)
  • 보정 및 편향 (서로 다른 체형에 대해 동일하게 잘 작동하는가?)
  • 자신감에 대한 착각 (추천은 보증이 아닙니다)

2) 제조 단계 도구 (부적합 제품 생산 방지)

BBC가 핏 콜렉티브를 다룬 방식이 흥미로운 이유는 바로 이 부분이 BBC의 보도가 시사하는 바가 크기 때문입니다.

“구매자가 사이즈 표기 오류에 적응하도록 도와주세요”라고 말하는 대신, 핵심은 다음과 같습니다.

  • 반품 사유, 판매 데이터 및 고객 피드백을 활용하여 생산 전에 패턴과 소재를 조정합니다.

그것이야말로 진정한 해결책에 더 가깝다고 할 수 있습니다. 애초에 사이즈가 맞지 않는 옷이 줄어들기 때문입니다.

Fit Collective의 접근 방식: 반품을 디자인 피드백으로 전환

BBC에 따르면:

  • Fit Collective은 반품, 판매량 및 고객 이메일을 분석합니다.
  • 디자인 및 제작 팀에 대한 조언을 제공합니다.
  • 예: 반품률을 낮추기 위해 의류 길이를 몇 센티미터 줄이세요

이는 본질적으로 머신러닝 기반 품질 관리 프로세스입니다.

  1. 고객은 불편함을 호소합니다 (반품, 불만).
  2. 이 시스템은 제품 및 코호트 전반에 걸쳐 신호를 집계합니다.
  3. 디자이너는 패턴/소재를 조정합니다.
  4. 반품 건수가 줄어듭니다.

소프트웨어 개발 분야에서 일해본 경험이 있다면, 이는 제품 분석과 다를 바 없습니다. 패션 업계에서는 데이터가 정리되지 않고 분산되어 있기 때문에 대규모로 이를 활용하지 못하고 있습니다.

어려운 점은 반환 데이터가 잡음이 많고 종종 부정확하다는 것입니다.

반환 데이터가 자동으로 완벽한 진실의 원천이 될 수 없는 데에는 이유가 있습니다.

  • 쇼핑객들이 "사이즈가 맞지 않아서"라고 선택하는 경우가 많은데, 실제 이유는 "마음에 들지 않아서"입니다.
  • 일부 반품 사유는 UX 옵션에 의해 제한됩니다.
  • "잘 맞는다"는 것은 길이, 허리, 어깨 또는 단순히 분위기를 의미할 수도 있습니다.

이러한 시스템이 제대로 작동하려면 분류 기능만으로는 부족합니다. 추론할 수 있는 모델이 필요합니다.

  • 어떤 반품 사유가 측정 및 패턴 문제와 관련이 있습니까?
  • 스타일링/프레젠테이션 문제와 관련이 있습니다.

그건 가능하지만, 마법처럼 스프레드시트를 이용해서 해결할 수 있는 문제는 아닙니다.

"좋은" 사이즈 측정 기술은 실제로 어떤 결과를 내놓을까요?

대부분의 사람들은 사이즈 측정 기술을 생각할 때 "내 사이즈가 10인지 12인지 알려줘"라고 말합니다.

더 유용한 출력 결과는 다음과 같습니다.

  • "이 옷은 엉덩이 부분이 타이트하게 나왔어요. 한 사이즈 크게 주문하시면 허리가 넉넉할 거예요."
  • "이 원단은 신축성이 낮습니다. 편안함을 원하시면 X 제품을 고려해 보세요."
  • "키에 비해 길이가 긴 편입니다."

이것들이 단일 숫자로 된 답이 아니라는 점에 주목하세요. 이것들은 절충안입니다.

그래서 최고의 시스템은 계산기라기보다는 오히려 다른 도구처럼 느껴질 가능성이 높습니다.적합 설명 엔진.

가상 착용이 매력적인 이유(그리고 한계점)

가상 피팅룸이 인기 있는 이유는 다음과 같은 기존과는 다른 문제를 해결하기 때문입니다.

  • 어떤 일이 어떻게 될지에 대한 확신바라보다단순히 잘 맞는 것뿐만이 아닙니다.

하지만 그들에게는 두 가지 한계가 있습니다.

  1. 시각적 사실성을 구현하는 것은 어렵습니다 (조명, 옷 주름, 신체 움직임).
  2. "보기 좋다"와 "느낌이 좋다"는 것은 서로 다릅니다.

현실적인 미래는 혼합형이다:

  • 적합도에 대한 크기 예측
  • 스타일을 위해 시착해 보세요
  • 명확한 불확실성 지표("높은 확신도" vs "낮은 확신도")

이를 현실로 만들 수 있는 인센티브 변화

영국 소매업협회의 소피 드 살리스는 (BBC에 인용된 바와 같이) 사이즈 기술을 반품률을 줄이고 지속가능성 목표를 지원하는 수단으로 보고 있습니다.

그러한 관점이 중요한 이유는 적합성과 금전적 가치를 연결시키기 때문입니다.

  • 반품에는 비용이 듭니다.
  • 반품은 낭비를 초래합니다.

문제가 이사회에서 논의되면 예산에 반영됩니다.

사이즈 기술이 현실화되고 있다는 가장 확실한 신호는 아바타의 증가가 아니라, 소매업체들이 다음과 같은 방식으로 접근하는 것입니다.

  • 적합성 분석
  • 패턴 조정
  • 측정 표준화

핵심 운영 사항으로서.

개인 정보 보호: 조용한 결격 요인

신체 스캔이나 사진에 의존하는 모든 접근 방식은 사생활 보호 문제를 정면으로 다뤄야 합니다.

사용자가 다음과 같이 느낀다면:

  • 스캔됨
  • 프로필
  • 또는 그들의 이미지가 유출될 수 있다는 것입니다.

그들은 참여하지 않을 겁니다.

따라서 "설계 단계부터 개인정보 보호를 고려하는 것"은 경쟁 우위 요소가 되어야 합니다.

  • 최소 데이터 보존
  • 가능한 경우 기기 내 처리
  • 명확한 거부 및 삭제
  • 저장된 내용에 대한 투명성

사이즈 측정 업계는 광고 기술 업계의 실수를 통해 배울 기회를 갖고 있다.

실질적인 관점에서 보면, 어떤 요인이 수익률을 가장 빠르게 감소시킬까요?

즉각적인 효과를 원한다면, 투자 대비 효과가 높을 것으로 예상되는 단계들은 지루하게 느껴질 수 있습니다.

  • 정확한 내용을 게시하세요의류 치수(단순히 사이즈 표시만이 아닙니다)
  • "사이즈 표기"("작게 나왔어요", "편안한 핏", "신축성이 좋아요")를 일관된 정의로 표준화합니다.
  • 제품 사진 및 드레이핑 정보 개선

그 위에 AI를 적용하면 다음과 같습니다.

  • 개인 맞춤형 추천
  • 제조 피드백 루프를 닫습니다.

인공지능은 기본기가 탄탄할 때 가장 큰 도움을 줍니다.

결론적으로

기술은 사이즈 관련 어려움을 확실히 줄여줄 수 있지만, 올바른 분야를 대상으로 할 때만 가능합니다.

결제 단계에서 사이즈를 선택하는 도구는 불확실성과 반품률을 줄일 수 있지만, 근본적인 혼란을 해결하지는 못합니다. 더 의미 있는 변화는 그 이전 단계, 즉 실제 사이즈 적합성 신호(반품 데이터 + 피드백)를 활용하여 생산 전에 패턴을 조정하는 데서 시작됩니다.

그리고 마지막으로 분명한 사실은, 브랜드들이 사이즈를 마케팅 수단(‘감성적 사이즈’)으로 계속 취급한다면 일관성 없는 판매 행태가 지속될 것이라는 점입니다. 결국 성공하는 브랜드는 정직한 사이즈 정보 제공과 데이터 기반 디자인을 결합하여, 마치 감시가 아닌 서비스처럼 느껴지도록 만드는 브랜드가 될 것입니다.

출처

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...
한국어