Vai tehnoloģijas var noteikt modes izmērus? Īstā problēma ir stimuli, nevis mērījumi

/Tehnoloģija/ Autors

Izmēru noteikšana modē ir ļoti specifisks traucēklis: ne tikai etiķetes ir “nepareizas”, bet arī tās ir…pretrunīgs pēc konstrukcijasViena zīmola 10. izmērs var atbilst 14. izmēram citam, un pat viena zīmola ietvaros izmēru atšķirības var atšķirties dažādās sezonās un rūpnīcās. Rezultātā rodas paredzama patērētāju uzvedības cilpa — pasūtiet vairākus izmērus, paturiet vienu, atgrieziet pārējos —, kas preču atgriešanu pārvērš ierastā loģistikas sistēmā.

Interesants jautājums nav par to, vai tehnoloģijas var uzlabot virtuālo pielaikošanas kabīni. Tas ir par to, vai dati un mākslīgais intelekts var virzīt nozari uz godīgāku, izmērāmāku “piemērotības” definīciju, vienlaikus ņemot vērā stilu, vēlmes un neērto “iedomīgo izmēru” patiesību.

Atgriešanas dzinējspēks: kāpēc izmēru problēma kļuva dārga

BBC min skaitļus par sekām: tiek lēsts, ka modes preču atgriešana mazumtirgotājiem izmaksās dārgi.190 miljardi mārciņu gadāglobāli.

Ienesīgums nav tikai izmaksu sērija. Tā ir strukturāls spēks, kas veido nozari:

  • Krājumu risks: izmēra partija, kas neder, kļūst par noliktavā neesošu preču krājumu
  • Loģistikas sarežģītība: atpakaļsūtīšana, pārbaude, pārpakošana
  • Piemales“Bezmaksas atgriešana” reti kad ir bezmaksas; tā ir iekļauta cenās
  • AtkritumiBojātas vai nepārdodamas preces var tikt izmestas

Tātad izmēru noteikšana ir mainījusies no “kaitinošas klientu pieredzes problēmas” uz kaut ko tādu, kam valdes un ilgtspējības komandas pievērš uzmanību.

Kāpēc "izmērs" ir slikts mērījums

Etiķete ir viens skaitlis, bet atbilstība ir atkarīga no mainīgo lieluma:

  • ķermeņa mērījumi (vairāki izmēri)
  • ķermeņa forma (izmēru sadalījums)
  • auduma stiepšanās un atjaunošanās
  • modeļa klasificēšanas pieņēmumi
  • paredzētais stils (pieguļošs vai brīvs)
  • valkātāja izvēle (“ciešs jostasvietā ir labi” pret “nekad”)

Tāpēc Apvienotās Karalistes Modes un tekstila asociācijas pārstāvim Polam Aldžeram (citēts BBC) būtībā ir taisnība: cilvēki nav manekeni, un piemērotība ir subjektīva.

Taču “subjektīvs” nenozīmē “neatrisināms”. Tas nozīmē, ka nozare cenšas saspiest daudzdimensionālu realitāti pārāk vienkāršā apzīmējumā.

Nozares netīrais noslēpums: zīmola lieluma noteikšana ir mārketinga izvēle

Viens no svarīgākajiem punktiem BBC rakstā irtualetes galdiņa izmēru noteikšana(Alžīrs to sauc par “emocionālu izmēru noteikšanu”).

Zīmoli var (un arī dara) lēmumu padarīt izmēru etiķetes dāsnākas, jo:

  • pircējiem patīk sajūta, ka viņi iekļaujas mazākā skaitā
  • tas palielina konversiju un samazina berzi

Kad zīmols ir noteicis savas iekšējās izmēru normas, tas bieži vien pie tām pieturas no sezonas uz sezonu. Tāpēc neatbilstība nav kļūda. Tā ir daļa no zīmola identitātes.

Šo daļu tehnoloģijas nevar “labot”, ja vien nemainās stimuli.

Divas jomas, kurās tehnoloģijas var iejaukties: norēķināšanās vai ražošana

BBC apraksta augošu izmēru noteikšanas tehnoloģiju ekosistēmu. Tas palīdz to iedalīt divos intervences punktos:

1) Norēķināšanās posma rīki (palīdz izvēlēties izmēru)

Minētie piemēri ir 3DLook, True Fit, EasySize un virtuālās pielaikošanas sistēmas.

Solījums:

  • mazināt nenoteiktību tiešsaistē
  • samazināt “pērc trīs izmērus, atgriez divus”

Kā tie parasti darbojas:

  • palūdziet pircējam mērījumus un/vai viedtālruņa fotoattēlus
  • sasaistīt šos signālus ar zīmolam specifiskiem piemērotības datiem
  • ieteikt izmēru konkrētajam apģērba gabalam

Risks:

  • bažas par privātumu (ķermeņa skenēšana/fotoattēli)
  • kalibrēšana un neobjektivitāte (vai tā darbojas vienlīdz labi dažādiem ķermeņiem?)
  • pārliecības ilūzijas (ieteikums nav garantija)

2) Ražošanas posma instrumenti (novērš nepiemērotu izstrādājumu ražošanu)

Šeit interesants ir BBC profils par Fit Collective, jo tas atrodas augšupējā virzienā.

Tā vietā, lai teiktu “palīdzēt pircējam pielāgoties bojātiem izmēriem”, ideja ir šāda:

  • izmantot atgriešanas iemeslus, pārdošanas datus un klientu atsauksmes, lai pielāgotu modeļus un materiālus pirms ražošanas

Tas, iespējams, ir tuvāk īstam risinājumam: vispār pastāv mazāk slikti pieguļošu apģērbu.

Fit Collective pieeja: pārvērst atdevi dizaina atsauksmēs

Saskaņā ar BBC:

  • Fit Collective analizē preču atgriešanu, pārdošanas rādītājus un klientu e-pastus.
  • tas sniedz padomus dizaina un ražošanas komandām
  • piemērs: samaziniet apģērba garumu par dažiem centimetriem, lai samazinātu atgriešanas rādītājus

Šī būtībā ir ML atbalstīta kvalitātes cilpa:

  1. klienti signalizē par problēmām (atgriešana, sūdzības)
  2. sistēma apkopo signālus dažādos produktos un kohortās
  3. dizaineri pielāgo rakstus/materiālus
  4. notiek mazāk atgriešanas gadījumu

Ja kādreiz esat strādājis programmatūras jomā, tad zināt, ka tā ir tikai produktu analītika. Mode to nav paveikusi plašā mērogā, jo dati ir haotiski un izolēti.

Grūtākais: atgriešanas dati ir trokšņaini un bieži vien negodīgi

Ir iemesls, kāpēc atgriešanas dati automātiski nav ideāls patiesības avots:

  • Pircēji izvēlas “nederēja”, lai gan patiesais iemesls ir “nepatika”.
  • dažus atgriešanas iemeslus ierobežo lietotāja pieredzes opcijas
  • “Piemērotība” var nozīmēt garumu, vidukli, plecus vai vienkārši izskatu.

Tātad, lai šāda sistēma darbotos, tai ir nepieciešams vairāk nekā tikai klasifikācija — tai ir nepieciešams modelis, kas var secināt:

  • kuri atgriešanas iemesli korelē ar mērījumiem un modeļu problēmām
  • kas korelē ar stila/prezentācijas problēmām

Tas ir izdarāms, bet tas nav burvju izklājlapu triks.

Kādu “labu” izmēru noteikšanas tehnoloģiju faktiski varētu iegūt?

Lielākā daļa cilvēku iztēlojas izmēru noteikšanas tehnoloģiju kā: “sakiet man, vai man ir 10 vai 12.”

Noderīgāka izvade ir kaut kas līdzīgs šim:

  • “Šis apģērba gabals ir cieši pieguļošs gurniem; ja izvēlēsieties lielāku izmēru, viduklis būs brīvs.”
  • “Audumam ir maza elastība; ja vēlaties komfortu, apsveriet X.”
  • "Garums parasti ir garš jūsu auguma diapazonam."

Ievērojiet, ka šīs nav atbildes ar vienu skaitli. Tie ir kompromisi.

Tāpēc labākās sistēmas, visticamāk, šķitīs mazāk kā kalkulators un vairāk kāpiemērotības skaidrojuma dzinējs.

Kāpēc virtuālā pielaikošana ir vilinoša (un kur tā pietrūkst)

Virtuālās pielaikošanas kabīnes ir populāras, jo tās risina citu problēmu:

  • pārliecība par to, kā kaut kas notiksizskats, ne tikai piemērots

Bet tiem ir divi ierobežojumi:

  1. vizuālais reālisms ir sarežģīts (apgaismojums, drapējums, ķermeņa kustība)
  2. “Izskatās labi” un “jūtas labi” atšķiras

Reālistiska nākotne ir hibrīds:

  • izmēra prognoze piemērotībai
  • pielaikot stilu
  • skaidri nenoteiktības rādītāji (“augsta pārliecība” pret “zemu pārliecību”)

Stimulācijas maiņa, kas varētu to padarīt reālu

Sofija De Salisa no Britu Mazumtirdzniecības konsorcija (citēts BBC) uzskata, ka tehnoloģiju izmēru maiņa ir līdzeklis, lai samazinātu atdevi un atbalstītu ilgtspējības mērķus.

Šis ietvars ir svarīgs, jo tas saista atbilstību naudai:

  • atgriešana maksā naudu
  • atgriešana rada atkritumus

Kad problēma kļūst par valdes sēdes jautājumu, tā tiek iekļauta budžetā.

Vislabākā pazīme, ka izmēru noteikšanas tehnoloģijas kļūst reālas, nav vairāk avatāru — tie ir mazumtirgotāji, ar kuriem saskaras:

  • piemērotības analītika
  • raksta pielāgošana
  • mērījumu standartizācija

kā pamatdarbības.

Privātums: klusais šķērslis darījumam

Jebkurai pieejai, kas balstās uz ķermeņa skenēšanu vai fotogrāfijām, ir tieši jācīnās ar privātumu.

Ja lietotāji jūt:

  • skenēts
  • profilēts
  • vai ka viņu attēli varētu noplūst

viņi nepiedalīsies.

Tātad “privātuma ievērošana pēc konstrukcijas” ir jāsniedz konkurences priekšrocība:

  • minimāla datu saglabāšana
  • apstrāde ierīcē, ja iespējams
  • skaidra atteikšanās un dzēšana
  • pārredzamība par to, kas tiek glabāts

Izmēru nozarei ir iespēja mācīties no reklāmas tehnoloģiju kļūdām.

Praktisks ieskats: kas visātrāk samazinātu ienesīgumu?

Ja jums rūp tūlītēja ietekme, visticamāk, augstas ieguldījumu atdeves (ROI) soļi ir garlaicīgi:

  • publicēt precīzuapģērba mērījumi(ne tikai izmēru etiķetes)
  • standartizēt “piemērotības piezīmes” (“mazs garums”, “atvieglots”, “ļoti stiepjams”) ar konsekventām definīcijām
  • uzlabot produktu fotoattēlus un informāciju par aizkariem

Pēc tam virsū uzklājiet mākslīgo intelektu, lai:

  • personalizēt ieteikumus
  • noslēgt ražošanas atgriezeniskās saites cilpu

Mākslīgais intelekts visvairāk palīdz tad, kad pamati ir tīri.

Apakšējā līnija

Tehnoloģija var absolūti mazināt izmēru noteikšanas grūtības, bet tikai tad, ja tā ir vērsta uz pareizo slāni.

Izmēru noteikšanas rīki norēķinu stadijā var mazināt nenoteiktību un atdevi, taču tie nemaina pamatā esošo haosu. Nozīmīgāka pāreja notiek augšupējā posmā: izmantojot reālus atbilstības signālus (atdevi + atgriezenisko saiti), lai pielāgotu modeļus pirms ražošanas.

Un galīgā patiesība paliek nemainīga: ja zīmoli turpinās izturēties pret izmēru noteikšanu kā pret mārketingu (“emocionālu izmēru noteikšanu”), nekonsekvence saglabāsies. Uzvarētāji būs tie zīmoli, kas apvienos godīgu atbilstības komunikāciju ar uz datiem balstītu dizainu — un radīs iespaidu par pakalpojumu, nevis uzraudzību.

Avoti

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...
a Latviešu valoda