Ar technologijos gali išspręsti mados dydžių klausimą? Tikroji problema yra paskatos, o ne matavimai

/Technologijos/ Autorius

Dydžių keitimas madoje yra ydingas labai specifiniu būdu: ne tik etiketės yra „neteisingos“, bet ir jos yra...nenuoseklus dėl savo konstrukcijosVieno prekės ženklo 10 dydis gali atitikti kito prekės ženklo 14 dydį, ir net to paties prekės ženklo drabužiai gali skirtis priklausomai nuo sezono ir gamyklos. Rezultatas – nuspėjamas vartotojų elgesio ciklas – užsisakai kelis dydžius, vieną pasilieki, kitus grąžini – kuris grąžinimus paverčia įprasta logistikos sistema.

Įdomus klausimas ne tas, ar technologijos gali sukurti geresnę virtualią matavimosi kabiną. Ar duomenys ir dirbtinis intelektas gali paskatinti pramonę kurti sąžiningesnį ir išmatuojamą „tinkamumo“ apibrėžimą, kartu atsižvelgiant į stilių, pageidavimus ir nepatogią „tuštybės dydžių“ tiesą.

Grąžinimo variklis: kodėl dydžio problema tapo brangi

BBC pateikia skaičių apie pasekmes: mados grąžinimas, kaip manoma, kainuos mažmenininkams190 milijardų svarų sterlingų per metuspasauliniu mastu.

Grąža nėra tik sąnaudų eilutė. Tai struktūrinė jėga, formuojanti pramonę:

  • Atsargų rizikaNetinkamas dydis tampa nebenaudojama atsarga
  • Logistikos sudėtingumas: atvirkštinis siuntimas, patikrinimas, perpakavimas
  • Paraštės„Nemokamas grąžinimas“ retai kada būna nemokamas; jis įskaičiuotas į kainas
  • Atliekos: pažeisti arba neparduodami grąžinimai gali būti išmesti

Taigi, dydžio nustatymas iš „erzinančios klientų patirties problemos“ tapo tuo, į ką atkreipia dėmesį valdybos ir tvarumo komandos.

Kodėl „dydis“ yra blogas matavimo vienetas

Etiketė yra vienas skaičius, bet atitikimas priklauso nuo kintamųjų krūvos:

  • kūno matmenys (keli matmenys)
  • kūno forma (matmenų pasiskirstymas)
  • audinio tempimas ir atsigavimas
  • modelio vertinimo prielaidos
  • numatytas stilius (aptemptas ar laisvas)
  • dėvėtojo pasirinkimas („aptemptas ties juosmeniu yra gerai“, o ne „niekada“)

Štai kodėl JK mados ir tekstilės asociacijos atstovas Paulas Algeris (cituojamas BBC) iš esmės yra teisus: žmonės nėra manekenai, o tinkamumas yra subjektyvus dalykas.

Tačiau „subjektyvus“ nereiškia „neišsprendžiamas“. Tai reiškia, kad pramonė bando suspausti daugiamatę realybę į pernelyg paprastą etiketę.

Nešvari pramonės paslaptis: prekės ženklo dydis yra rinkodaros pasirinkimas

Vienas svarbiausių BBC straipsnio punktų yrakosmetinio staliuko dydžių(Algeris tai vadina „emociniu dydžio nustatymu“).

Prekių ženklai gali (ir tai daro) nuspręsti, kad jų dydžių etiketėse būtų daugiau laisvumo, nes:

  • pirkėjams patinka jausmas, kad telpa į mažesnį skaičių
  • Tai padidina konversiją ir sumažina trintį

Kai prekės ženklas nustato savo vidines dydžių normas, jis dažnai jų laikosi sezoną po sezono. Taigi nenuoseklumas nėra klaida. Tai prekės ženklo tapatybės dalis.

Šios dalies technologijos negali „ištaisyti“, nebent pasikeistų paskatos.

Dviejose srityse, kur technologijos gali įsikišti: kasos ir gamybos

BBC aprašo augančią dydžio nustatymo technologijų ekosistemą. Tai padeda ją suskirstyti į du intervencijos taškus:

1) Atsiskaitymo etapo įrankiai (padeda pasirinkti dydį)

Paminėti pavyzdžiai: „3DLook“, „True Fit“, „EasySize“ ir virtualios matavimosi sistemos.

Pažadas:

  • sumažinti netikrumą internete
  • sumažinti „pirk tris dydžius, grąžink du“

Kaip jie paprastai veikia:

  • paprašykite pirkėjo pateikti išmatavimus ir (arba) nuotraukas išmaniajame telefone
  • susieti šiuos signalus su prekės ženklui būdingais tinkamumo duomenimis
  • rekomenduoti konkretaus drabužio dydį

Rizika:

  • privatumo problemos (kūno skenavimas / nuotraukos)
  • kalibravimas ir šališkumas (ar jis vienodai gerai veikia skirtingiems kūnams?)
  • pasitikėjimo iliuzijos (rekomendacija nėra garantija)

2) Gamybos etapo įrankiai (sustabdo netinkamo pritaikymo gamybą)

Būtent čia įdomus BBC „Fit Collective“ profilis, nes jis yra priešakinėje rinkos dalyje.

Užuot sakius „padėkite pirkėjui prisitaikyti prie netinkamų dydžių“, idėja yra tokia:

  • naudoti grąžinimo priežastis, pardavimo duomenis ir klientų atsiliepimus, kad prieš gamybą pakoreguotumėte modelius ir medžiagas

Tai, ko gero, yra artimesnis tikram sprendimui: iš pradžių egzistuoja mažiau prastai priglundančių drabužių.

„Fit Collective“ požiūris: grąžą paverskite dizaino atsiliepimais

Pasak BBC:

  • „Fit Collective“ analizuoja grąžinimus, pardavimų skaičius ir klientų el. laiškus
  • teikia konsultacijas projektavimo ir gamybos komandoms
  • pavyzdys: sutrumpinkite drabužio ilgį keliais centimetrais, kad sumažintumėte grąžinamų drabužių skaičių

Tai iš esmės yra ML pagalba veikiantis kokybės ciklas:

  1. klientai signalizuoja apie problemas (grąžinimai, skundai)
  2. sistema apibendrina signalus tarp produktų ir kohortų
  3. dizaineriai koreguoja raštus / medžiagas
  4. grąžinimų įvyksta mažiau

Jei kada nors dirbote programinės įrangos srityje, tai tėra produktų analizė. Mada to nepadarė dideliu mastu, nes duomenys yra netvarkingi ir izoliuoti.

Sunkiausia dalis: grąžinamų duomenų kokybė yra triukšminga ir dažnai nesąžininga

Yra priežastis, kodėl grąžinami duomenys automatiškai nėra tobulas tiesos šaltinis:

  • Pirkėjai pasirenka „netinka“, kai tikroji priežastis yra „nepatiko“
  • kai kurias grąžinimo priežastis riboja UX parinktys
  • „Tinkamai“ gali reikšti ilgį, juosmenį, pečius ar tiesiog įvaizdį.

Taigi, kad tokia sistema veiktų, jai reikia daugiau nei klasifikacijos – jai reikia modelio, kuris galėtų daryti išvadą:

  • kurios grąžinimo priežastys koreliuoja su matavimais ir modelio problemomis
  • kurie susiję su stiliaus / pateikimo problemomis

Tai įmanoma, bet tai ne stebuklinga skaičiuoklės gudrybė.

Kokį „gerą“ dydžių nustatymo technologiją iš tikrųjų būtų galima gauti?

Dauguma žmonių įsivaizduoja dydžių nustatymo technologijas kaip: „pasakykite man, ar aš esu 10, ar 12 dydžio.“

Naudingesnė išvestis yra kažkas panašaus į:

  • „Šis drabužis aptemptas ties klubais; jei pasirinksite didesnį dydį, juosmuo bus laisvesnis.“
  • „Audinys mažai tempiasi; jei teikiate pirmenybę patogumui, rinkitės X.“
  • „Ilgis paprastai būna ilgas jūsų ūgio diapazonui.“

Atkreipkite dėmesį, kad tai ne vieno skaičiaus atsakymai. Tai kompromisai.

Štai kodėl geriausios sistemos greičiausiai bus mažiau panašios į skaičiuotuvą, o labiau įtinka paaiškinimų variklis.

Kodėl virtualus matavimasis yra viliojantis (ir kur jis neveikia)

Virtualios matavimosi kabinos yra populiarios, nes jos sprendžia kitą problemą:

  • pasitikėjimas tuo, kaip kažkas busžvilgsnisne tik tinka

Tačiau jie turi du apribojimus:

  1. vizualinis realizmas yra sudėtingas (apšvietimas, draperija, kūno judesiai)
  2. „Atrodo gerai“ ir „jaučiasi gerai“ skiriasi

Reali ateitis yra hibridas:

  • dydžio prognozė pagal tinkamumą
  • išbandykite stilių
  • aiškūs neapibrėžtumo rodikliai („didelis pasitikėjimas“ ir „mažas pasitikėjimas“)

Paskatų pokytis, kuris galėtų tai paversti realybe

Sophie De Salis iš Britų mažmeninės prekybos konsorciumo (cituoja BBC) technologijų dydžio keitimą įvardija kaip svertą grąžai mažinti ir tvarumo tikslams palaikyti.

Toks įrėminimas svarbus, nes jis susieja tinkamumą su pinigais:

  • grąžinimas kainuoja pinigus
  • grąžinimai sukuria atliekas

Kai problema tampa posėdžių salės klausimu, ji įtraukiama į biudžetą.

Geriausias ženklas, kad dydžių keitimo technologijos tampa realybe, yra ne daugiau avatarų – tai mažmenininkai, su kuriais elgiasi:

  • tinkamumo analizė
  • rašto reguliavimas
  • matavimo standartizavimas

kaip pagrindinės operacijos.

Privatumas: tylus sandorio laužytojas

Bet koks požiūris, pagrįstas kūno skenavimu ar nuotraukomis, turi tiesiogiai paisyti privatumo.

Jei vartotojai jaučia:

  • nuskaitytas
  • profiliuotas
  • arba kad jų vaizdai gali nutekėti

jie nepasirinks.

Taigi „privatumo paisymas projektuojant“ turėtų būti konkurencinis pranašumas:

  • minimalus duomenų saugojimas
  • apdorojimas įrenginyje, kai įmanoma
  • aiškus atsisakymas ir ištrynimas
  • skaidrumas apie tai, kas saugoma

Dydžių pramonė turi galimybę pasimokyti iš reklamos technologijų klaidų.

Praktinis požiūris: kas greičiausiai sumažintų grąžą?

Jei jums rūpi tiesioginis poveikis, tikėtina, kad didelės investicijų grąžos žingsniai yra nuobodūs:

  • skelbti tiksliusdrabužių išmatavimai(ne tik dydžių etiketės)
  • standartizuoti „tinkamumo užrašus“ („trumpas“, „atsipalaidavęs“, „labai tamprus“) su nuosekliais apibrėžimais
  • patobulinti produktų nuotraukas ir informaciją apie užuolaidas

Tada uždėkite dirbtinio intelekto sluoksnį, kad:

  • suasmeninti rekomendacijas
  • uždaryti gamybos grįžtamojo ryšio ciklą

Dirbtinis intelektas labiausiai padeda, kai pagrindiniai principai yra švarūs.

Esmė

Technologijos gali neabejotinai sumažinti dydžio nustatymo skausmą – bet tik tuo atveju, jei jos nukreiptos į tinkamą sluoksnį.

Kasos etapo dydžio nustatymo įrankiai gali sumažinti neapibrėžtumą ir grąžą, tačiau jie nekeičia pagrindinio chaoso. Reikšmingesnis pokytis vyksta prieš pradedant gamybą: naudojant realius atitikties signalus (grąžą + grįžtamąjį ryšį), siekiant pakoreguoti modelius prieš gamybą.

Ir galutinė tiesa lieka nepakitusi: jei prekių ženklai ir toliau laikys dydžių nustatymą rinkodara („emociniu dydžių nustatymu“), nenuoseklumas išliks. Laimės tie prekių ženklai, kurie derins sąžiningą tinkamumo komunikaciją su duomenimis pagrįstu dizainu ir sukurs įspūdį, kad tai yra paslauga, o ne stebėjimas.

Šaltiniai

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...
i Lietuvių kalba