Kan technologie de maatvoering in de mode verbeteren? Het echte probleem zit hem in de prikkels, niet in de afmetingen.

/Technologie/ Door

Maatvoering in de mode is op een heel specifieke manier gebrekkig: het is niet alleen dat de labels "verkeerd" zijn, het is dat ze...Inconsistentie is opzettelijk.Een maat 10 van het ene merk kan overeenkomen met een maat 14 van een ander merk, en zelfs binnen hetzelfde merk kan de pasvorm per seizoen en fabriek verschillen. Het resultaat is een voorspelbare cyclus in het consumentengedrag – meerdere maten bestellen, er één houden, de rest retourneren – waardoor retourzendingen een routineonderdeel van het logistieke systeem worden.

De interessante vraag is niet of technologie een betere virtuele paskamer kan creëren. Het gaat erom of data en AI de industrie kunnen aanzetten tot een eerlijkere, meetbare definitie van 'pasvorm' – met behoud van ruimte voor stijl, persoonlijke voorkeur en de ongemakkelijke waarheid van 'ijdelheidsmaten'.

De retourengine: waarom het dimensioneringsprobleem duur is geworden

De BBC geeft een cijfer aan de gevolgen: de kosten voor winkeliers worden geschat op het bedrag dat wordt geretourneerd door modebedrijven.190 miljard pond per jaarwereldwijd.

Rendementen zijn niet zomaar een kostenpost. Ze vormen een structurele kracht die de sector vormgeeft:

  • VoorraadrisicoEen maat die niet past, wordt onverkochte voorraad.
  • Logistieke complexiteit: retourzending, inspectie, herverpakking
  • Marges"Gratis retourneren" is zelden echt gratis; de kosten zijn al in de prijs verwerkt.
  • AfvalBeschadigde of onverkoopbare retourzendingen kunnen uiteindelijk worden weggegooid.

Het bepalen van de juiste maat is dus verschoven van een "vervelend probleem voor de klantervaring" naar iets waar besturen en duurzaamheidsteams aandacht aan besteden.

Waarom "maat" een slechte meeteenheid is

Een label is een enkel getal, maar de pasvorm hangt af van een reeks variabelen:

  • lichaamsmaten (meerdere dimensies)
  • lichaamsvorm (verdeling van de afmetingen)
  • elasticiteit en herstelvermogen van de stof
  • aannames bij patroongradering
  • beoogde stijl (slank versus relaxed)
  • de voorkeur van de drager ("strak in de taille is prima" versus "nooit")

Daarom heeft Paul Alger van de UK Fashion and Textile Association (geciteerd door de BBC) in principe gelijk: mensen zijn geen paspoppen en pasvorm is subjectief.

Maar "subjectief" betekent niet "onoplosbaar". Het betekent dat de industrie probeert een multidimensionale realiteit samen te persen in een te simplistisch label.

Het vuile geheim van de branche: merkgrootte is een marketingkeuze.

Een van de belangrijkste punten in het BBC-artikel ismaatvoering naar wens(Alger noemt het "emotionele inschatting").

Merken kunnen (en doen) ervoor kiezen om hun maatlabels ruimer te maken, omdat:

  • Winkelend publiek vindt het prettig om zich in een kleinere maat te voelen.
  • Het verhoogt de conversie en vermindert de wrijving.

Zodra een merk zijn interne maatnormen heeft vastgesteld, houdt het zich daar vaak seizoen na seizoen aan. De inconsistentie is dus geen fout, maar onderdeel van de merkidentiteit.

Dit is het deel dat technologie niet kan "oplossen", tenzij de prikkels veranderen.

Twee gebieden waar technologie kan ingrijpen: de kassa versus de productie.

De BBC beschrijft een groeiend ecosysteem van technologieën voor het bepalen van afmetingen. Het is nuttig om dit ecosysteem te verdelen in twee interventiepunten:

1) Hulpmiddelen voor het afrekenproces (helpen je bij het kiezen van een maat)

Voorbeelden die genoemd worden, zijn 3DLook, True Fit, EasySize en virtuele pas-systemen.

De belofte:

  • Verminder onzekerheid online
  • "Koop drie maten, retourneer er twee"

Hoe ze over het algemeen werken:

  • vraag de klant om afmetingen en/of foto's gemaakt met een smartphone.
  • koppel die signalen aan merkspecifieke pasvormgegevens.
  • Een maat aanbevelen voor dat specifieke kledingstuk

Het risico:

  • privacybezwaren (lichaamsscans/foto's)
  • kalibratie en bias (werkt het even goed voor verschillende objecten?)
  • illusies van vertrouwen (een aanbeveling is geen garantie)

2) Gereedschap voor de productiefase (om te voorkomen dat er producten met een slechte pasvorm worden geproduceerd)

Dit is waar het profiel van Fit Collective door de BBC interessant wordt, omdat het een voorloper is.

In plaats van te zeggen "help de klant zich aan te passen aan afwijkende maten", is het idee:

  • Gebruik retourredenen, verkoopgegevens en feedback van klanten om patronen en materialen aan te passen vóór de productie.

Dat komt wellicht dichter in de buurt van een echte oplossing: er zijn immers sowieso minder slecht passende kledingstukken op de markt.

De aanpak van Fit Collective: retouren omzetten in feedback voor het ontwerp.

Volgens de BBC:

  • Fit Collective analyseert retouren, verkoopcijfers en e-mails van klanten.
  • Het biedt advies aan ontwerp- en productieteams.
  • voorbeeld: verkort de lengte van een kledingstuk met een paar centimeter om het retourpercentage te verlagen

Dit is in feite een door machine learning ondersteunde kwaliteitsloop:

  1. Klanten geven aan dat ze problemen ondervinden (retourzendingen, klachten).
  2. Het systeem aggregeert signalen van verschillende producten en cohorten.
  3. ontwerpers passen patronen/materialen aan
  4. minder retouren komen voor

Als je ooit in de softwarebranche hebt gewerkt, is dit gewoon productanalyse. De mode-industrie heeft dit nog niet op grote schaal toegepast, omdat de data rommelig en gefragmenteerd is.

Het lastige is: de geretourneerde gegevens zijn onnauwkeurig en vaak onbetrouwbaar.

Er is een reden waarom geretourneerde data niet automatisch een perfecte bron van waarheid is:

  • Klanten kiezen vaak voor "paste niet" terwijl de werkelijke reden "vond het niet mooi" is.
  • Sommige retourredenen worden beperkt door UX-opties.
  • "Passend" kan verwijzen naar lengte, taille, schouders, of gewoon de uitstraling.

Om een ​​dergelijk systeem te laten werken, is er meer nodig dan alleen classificatie; er is een model nodig dat conclusies kan trekken.

  • welke retourredenen samenhangen met metingen en patroonproblemen
  • die samenhangen met stijl-/presentatieproblemen

Dat is mogelijk, maar het is geen magische spreadsheet-truc.

Wat zou een "goede" maatbepalingstechnologie daadwerkelijk opleveren?

De meeste mensen stellen zich bij maatbepalingstechnologie voor: "Vertel me of ik maat 10 of 12 heb."

Een nuttigere output is bijvoorbeeld zoiets als:

  • "Dit kledingstuk zit strak rond de heupen; als je een maat groter neemt, zal de taille losser zitten."
  • “De stof rekt nauwelijks; als comfort belangrijker voor je is, kies dan voor X.”
  • "De lengte is doorgaans aan de lange kant voor jouw lichaamslengte."

Merk op dat dit geen antwoorden zijn die uit één getal bestaan. Het zijn afwegingen.

Daarom zullen de beste systemen waarschijnlijk minder aanvoelen als een rekenmachine en meer als eenfit uitleg engine.

Waarom virtueel passen zo verleidelijk is (en waar het misgaat)

Virtuele paskamers zijn populair omdat ze een ander probleem aanpakken:

  • vertrouwen in hoe iets zalLookniet alleen passend

Maar ze hebben twee beperkingen:

  1. Visueel realisme is moeilijk (belichting, draperie, lichaamsbeweging).
  2. “Ziet er goed uit” en “voelt goed” verschillen van elkaar.

Een realistische toekomst is een combinatie van beide:

  • maatvoorspelling voor pasvorm
  • pas de stijl
  • duidelijke onzekerheidsindicatoren (“hoge mate van vertrouwen” versus “lage mate van vertrouwen”)

De verschuiving in prikkels die dit mogelijk zou kunnen maken

Sophie De Salis van het British Retail Consortium (geciteerd door de BBC) beschouwt technologie voor maatbepaling als een middel om retourzendingen te verminderen en duurzaamheidsdoelen te ondersteunen.

Die invalshoek is belangrijk omdat die de koppeling tussen geschiktheid en geld bepaalt:

  • Retourneren kost geld.
  • Retourzendingen creëren afval.

Wanneer een probleem een ​​kwestie wordt die op directieniveau wordt besproken, wordt er budget voor vrijgemaakt.

Het beste teken dat technologie voor maatbepaling werkelijkheid wordt, is niet de toename van avatars, maar de manier waarop retailers het volgende toepassen:

  • fit analytics
  • patroonaanpassing
  • meetstandaardisatie

als kernactiviteiten.

Privacy: de stille dealbreaker

Elke aanpak die gebruikmaakt van lichaamsscans of foto's, moet de privacykwestie rechtstreeks aanpakken.

Als gebruikers het volgende ervaren:

  • gescand
  • geprofileerd
  • of dat hun afbeeldingen zouden kunnen uitlekken

Ze zullen zich niet aanmelden.

"Privacyrespect door ontwerp" zou dus een concurrentievoordeel moeten zijn:

  • minimale gegevensbewaring
  • verwerking op het apparaat waar mogelijk
  • Duidelijke afmelding en verwijdering
  • transparantie over wat er wordt opgeslagen

De maatvoeringindustrie heeft de kans om te leren van de fouten van de advertentietechnologie.

Een praktische benadering: wat zou het rendement het snelst verlagen?

Als je waarde hecht aan onmiddellijke impact, zijn de stappen met de hoogste ROI waarschijnlijk saai:

  • publiceer nauwkeurigekledingmaten(niet alleen maatlabels)
  • Standaardiseer de pasvormomschrijvingen ("valt klein", "relaxte pasvorm", "veel stretch") met consistente definities.
  • Verbeter de productfoto's en de informatie over de drapering.

Voeg daar vervolgens AI aan toe om:

  • aanbevelingen personaliseren
  • Sluit de feedbacklus van het productieproces

AI is het meest nuttig wanneer de basisprincipes goed zijn.

Kortom

Technologie kan de pijn bij het opmeten van kleding absoluut verminderen, maar alleen als de juiste laag wordt aangepakt.

Maatbepalingstools in de checkoutfase kunnen de onzekerheid en het retourpercentage verlagen, maar ze veranderen niets aan de onderliggende chaos. De meest betekenisvolle verandering vindt stroomopwaarts plaats: het gebruiken van echte pasvormsignalen (retouren + feedback) om patronen aan te passen vóór de productie.

En de uiteindelijke waarheid blijft: als merken maatvoering blijven gebruiken als marketinginstrument ("emotionele maatvoering"), zal de inconsistentie aanhouden. De winnaars zullen de merken zijn die eerlijke communicatie over de pasvorm combineren met datagestuurd ontwerp – en het laten aanvoelen als een service, niet als een vorm van surveillance.

Bronnen

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...
e Nederlands