Kan teknologi fikse størrelsesforskjeller på mote? Det virkelige problemet er insentiver, ikke målinger

/Teknologi/ Av

Størrelsesvalg i motebransjen er brutt på en helt spesiell måte: det er ikke bare at etikettene er «feil», det er at de erinkonsekvent i designEn størrelse 10 i ett merke kan tilsvare en størrelse 14 i et annet, og selv innenfor samme merke kan passformen variere på tvers av sesonger og fabrikker. Resultatet er en forutsigbar forbrukeratferdsløkke – bestill flere størrelser, behold én, returner resten – som gjør returer til et logistikksystem der det vanlige fungerer.

Det interessante spørsmålet er ikke om teknologi kan bygge et bedre virtuelt prøverom. Det er om data og AI kan presse bransjen mot en mer ærlig og målbar definisjon av «passform» – samtidig som de gir rom for stil, preferanser og den ubehagelige sannheten om «forfengelighetsstørrelser».

Returmotoren: hvorfor størrelsesproblemet ble dyrt

BBC setter et tall på konsekvensen: det er anslått at retur av mote vil koste forhandlere190 milliarder pund i åretglobalt.

Avkastning er ikke bare en kostnadslinje. Det er en strukturell kraft som former bransjen:

  • Lagerrisiko: en størrelsesserie som ikke passer blir ubrukt
  • Logistikkkompleksitetomvendt frakt, inspeksjon, ompakking
  • Marginer«Gratis retur» er sjelden gratis; det er innebygd i prisene.
  • SløseriSkadede eller usalgbare returer kan ende opp med å bli kastet

Så størrelsesvalg har gått fra å være et «irriterende kundeopplevelsesproblem» til noe styrer og bærekraftsteam er oppmerksomme på.

Hvorfor en «størrelse» er en dårlig måling

En etikett er et enkelt tall, men tilpasningen avhenger av en stabel med variabler:

  • kroppsmål (flere dimensjoner)
  • kroppsfasong (fordeling av mål)
  • stoffets strekk og gjenoppretting
  • forutsetninger om mønstergradering
  • tiltenkt stil (slank vs. avslappet)
  • brukerens preferanse («stram i midjen er greit» vs. «aldri»)

Derfor har Paul Alger fra UK Fashion and Textile Association (sitert av BBC) i bunn og grunn rett: folk er ikke utstillingsdukker, og passform er subjektiv.

Men «subjektiv» betyr ikke «uløselig». Det betyr at bransjen prøver å komprimere en flerdimensjonal virkelighet til en altfor enkel etikett.

Bransjens skitne hemmelighet: merkevarestørrelse er et markedsføringsvalg

Et av de viktigste poengene i BBC-artikkelen erstørrelser på servantskap(Alger kaller det «emosjonell størrelsesvurdering»).

Merker kan (og gjør) bestemme seg for å gjøre størrelsesetikettene sine mer generøse fordi:

  • kundene liker følelsen av å passe inn i et mindre antall
  • det øker konverteringen og reduserer friksjon

Når et merke først har etablert sine interne størrelsesnormer, holder det seg ofte til dem sesong etter sesong. Så inkonsekvensen er ikke en feil. Det er en del av merkeidentiteten.

Dette er delen teknologien ikke kan «fikse» med mindre insentivene endres.

To steder teknologi kan gripe inn: kassen kontra produksjonen

BBC beskriver et voksende økosystem for størrelsessetting av teknologi. Det hjelper å dele det inn i to intervensjonspunkter:

1) Verktøy i kassen (hjelper deg med å velge størrelse)

Eksempler som nevnes inkluderer 3DLook, True Fit, EasySize og virtuelle prøvesystemer.

Løftet:

  • redusere usikkerhet på nett
  • reduser «kjøp tre størrelser, returner to»

Hvordan de generelt fungerer:

  • spør kunden om mål og/eller smarttelefonbilder
  • tilordne disse signalene til merkevarespesifikke tilpasningsdata
  • anbefale en størrelse for det spesifikke plagget

Risikoen:

  • personvernhensyn (kroppsskanninger/bilder)
  • kalibrering og bias (fungerer det like bra for forskjellige kropper?)
  • illusjoner om selvtillit (en anbefaling er ikke en garanti)

2) Verktøy i produksjonsfasen (hindre at det produseres dårlig passform)

Det er her BBCs profil av Fit Collective er interessant, fordi den er oppstrøms.

I stedet for å si «hjelp kunden med å tilpasse seg feil størrelse», er ideen:

  • bruk returårsaker, salgsdata og tilbakemeldinger fra kunder for å justere mønstre og materialer før produksjon

Det er uten tvil nærmere en reell løsning: færre dårlig tilpassede plagg finnes i utgangspunktet.

Fit Collectives tilnærming: Gjør returer om til designtilbakemeldinger

Ifølge BBC:

  • Fit Collective analyserer returer, salgstall og kunde-e-poster
  • den produserer råd for design- og produksjonsteam
  • eksempel: reduser plagglengden med noen få centimeter for å redusere returratene

Dette er i hovedsak en ML-assistert kvalitetsløkke:

  1. kunder signaliserer smerte (returer, klager)
  2. systemet samler signaler på tvers av produkter og kohorter
  3. designere justerer mønstre/materialer
  4. færre returer skjer

Hvis du noen gang har jobbet med programvare, er dette bare produktanalyse. Motebransjen har ikke gjort det i stor skala fordi dataene er rotete og isolerte.

Den vanskelige delen: returdata er støyende og ofte uærlige

Det er en grunn til at returdata ikke automatisk er en perfekt sannhetskilde:

  • Kunder velger «passet ikke» når den virkelige grunnen er «likte det ikke»
  • Noen returårsaker er begrenset av UX-alternativer
  • «passform» kan bety lengde, midje, skuldre eller bare stemning

Så for at et system som dette skal fungere, trenger det mer enn klassifisering – det trenger en modell som kan utlede:

  • hvilke returårsaker korrelerer med målinger og mønsterproblemer
  • som korrelerer med styling-/presentasjonsproblemer

Det er gjennomførbart, men det er ikke et magisk regneark-triks.

Hvilken «god» størrelsesteknologi ville faktisk produsere

De fleste forestiller seg størrelsesteknologi som: «Fortell meg om jeg er en 10 eller en 12.»

Det mer nyttige resultatet er noe sånt som:

  • «Dette plagget sitter stramt over hoftene; hvis du tar en større størrelse, vil midjen være løs.»
  • «Stoffet har lav elastisitet; hvis du foretrekker komfort, bør du vurdere X.»
  • «Lengde har en tendens til å være lang for høyden din.»

Legg merke til at dette ikke er svar med ett tall. De er avveininger.

Derfor vil de beste systemene sannsynligvis føles mindre som en kalkulator og mer som entilpasset forklaringsmotor.

Hvorfor virtuell prøving er forførende (og hvor det bryter)

Virtuelle prøverom er populære fordi de tar for seg et annet problem:

  • tillit til hvordan noe vilse, ikke bare i form

Men de har to begrensninger:

  1. visuell realisme er vanskelig (belysning, drapering, kroppsbevegelse)
  2. «Ser bra ut» og «føles bra» er forskjellige fra hverandre

En realistisk fremtid er en hybrid:

  • størrelsesforutsigelse for passform
  • prøv på stilen
  • tydelige usikkerhetsindikatorer («høy tillit» vs. «lav tillit»)

Incentivendringen som kan gjøre dette virkelig

Sophie De Salis fra British Retail Consortium (sitert av BBC) beskriver størrelsesteknologi som en mekanisme for å redusere returer og støtte bærekraftsmål.

Den innrammingen er viktig fordi den kobler passform til penger:

  • retur koster penger
  • returer skaper avfall

Når et problem blir et styreromsproblem, blir det budsjettert.

Det beste tegnet på at størrelsesteknologi blir virkelighet er ikke flere avatarer – det er forhandlere som behandler:

  • tilpasningsanalyse
  • mønsterjustering
  • målestandardisering

som kjernevirksomhet.

Personvern: den stille avtalebryteren

Enhver tilnærming som er avhengig av kroppsskanninger eller bilder må konfrontere personvernet direkte.

Hvis brukerne føler:

  • skannet
  • profilert
  • eller at bildene deres kunne lekke

de vil ikke velge å delta.

Så «personvernrespekterende design» bør være et konkurransefortrinn:

  • minimal datalagring
  • behandling på enheten der det er mulig
  • klar avmelding og sletting
  • åpenhet om hva som lagres

Dimensjoneringsbransjen har en mulighet til å lære av annonseteknologiens feil.

Et praktisk perspektiv: hva ville redusere avkastningen raskest?

Hvis du bryr deg om umiddelbar effekt, er trinnene med sannsynlig høy avkastning kjedelige:

  • publiser nøyaktigmål på plagget(ikke bare størrelsesetiketter)
  • standardisere «passformnotater» («smal i passformen», «avslappet», «stretch») med konsistente definisjoner
  • forbedre produktbilder og draperingsinformasjon

Legg deretter AI oppå for å:

  • personlig tilpasse anbefalinger
  • lukk tilbakemeldingssløyfen for produksjonen

AI hjelper mest når det grunnleggende er rent.

Konklusjon

Teknologi kan absolutt redusere smerten ved liming – men bare hvis den retter seg mot riktig lag.

Verktøy for størrelsesjustering i kassefasen kan redusere usikkerhet og avkastning, men de endrer ikke det underliggende kaoset. Det mer meningsfulle skiftet er oppstrøms: bruk av reelle tilpasningssignaler (avkastning + tilbakemelding) for å justere mønstre før produksjon.

Og den endelige sannheten gjenstår: hvis merkevarer fortsetter å behandle størrelsesvurdering som markedsføring («emosjonell størrelsesvurdering»), vil inkonsekvensen vedvare. Vinnerne vil være merkevarene som kombinerer ærlig, tilpasset kommunikasjon med datadrevet design – og får det til å føles som en tjeneste, ikke overvåking.

Kilder

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...
o Norsk bokmål