Será que a tecnologia pode resolver o problema dos tamanhos na moda? A verdadeira questão são os incentivos, não as medidas.

/Tecnologia/ Por

A questão dos tamanhos na moda é muito peculiar: não se trata apenas de as etiquetas estarem "erradas", mas sim de serem...inconsistente por concepçãoUm tamanho 10 de uma marca pode corresponder a um tamanho 14 de outra, e mesmo dentro da mesma marca, o caimento pode variar entre temporadas e fábricas. O resultado é um ciclo previsível de comportamento do consumidor — encomendar vários tamanhos, ficar com um, devolver o resto — que transforma as devoluções em um sistema logístico rotineiro.

A questão interessante não é se a tecnologia pode construir um provador virtual melhor. É se os dados e a IA podem impulsionar a indústria em direção a uma definição mais honesta e mensurável de "caimento" — sem deixar de lado o estilo, a preferência e a incômoda verdade sobre a "numeração enganosa".

O mecanismo de devoluções: por que o problema de dimensionamento se tornou caro

A BBC quantifica as consequências: estima-se que as devoluções de roupas da moda custem caro aos varejistas.£190 bilhões por anoglobalmente.

Os retornos não são apenas uma linha de custo. Eles são uma força estrutural que molda o setor:

  • Risco de estoqueUma peça com tamanho inadequado torna-se estoque morto.
  • Complexidade logística: envio reverso, inspeção, reembalagem
  • MargensDevoluções "gratuitas" raramente são gratuitas; elas já estão embutidas nos preços.
  • DesperdícioProdutos devolvidos danificados ou invendáveis ​​podem acabar descartados.

Assim, o dimensionamento deixou de ser um "problema irritante na experiência do cliente" para se tornar algo a que os conselhos de administração e as equipes de sustentabilidade prestam atenção.

Por que um "tamanho" é uma medida inadequada.

Um rótulo é um único número, mas o ajuste depende de uma série de variáveis:

  • Medidas corporais (múltiplas dimensões)
  • formato do corpo (distribuição de medidas)
  • elasticidade e recuperação do tecido
  • pressupostos de classificação de padrões
  • Estilo pretendido (magro vs. folgado)
  • A preferência de quem veste (“apertado na cintura está bom” versus “nunca”)

É por isso que Paul Alger, da Associação Britânica de Moda e Têxteis (citado pela BBC), está basicamente certo: as pessoas não são manequins e o caimento é subjetivo.

Mas “subjetivo” não significa “insolúvel”. Significa que a indústria está tentando comprimir uma realidade multidimensional em um rótulo excessivamente simplista.

O segredo sujo da indústria: o dimensionamento da marca é uma escolha de marketing.

Um dos pontos mais importantes da reportagem da BBC étamanhos de vaidade(Alger chama isso de “dimensionamento emocional”).

As marcas podem (e costumam) optar por tornar suas etiquetas de tamanho mais generosas porque:

  • Os compradores gostam da sensação de pertencer a um grupo menor.
  • Isso aumenta a conversão e reduz o atrito.

Uma vez que uma marca estabelece suas normas internas de tamanhos, ela geralmente as mantém de uma temporada para outra. Portanto, a inconsistência não é um defeito. Faz parte da identidade da marca.

Essa é a parte que a tecnologia não consegue "resolver" a menos que os incentivos mudem.

Dois pontos em que a tecnologia pode intervir: no caixa de supermercado versus na produção.

A BBC descreve um ecossistema crescente de tecnologia de dimensionamento. É útil dividi-lo em dois pontos de intervenção:

1) Ferramentas na etapa de finalização da compra (ajudam você a escolher o tamanho)

Os exemplos mencionados incluem 3DLook, True Fit, EasySize e sistemas de experimentação virtual.

A promessa:

  • reduzir a incerteza online
  • reduzir “compre três tamanhos, devolva dois”

Como geralmente funcionam:

  • Peça ao comprador as medidas e/ou fotos tiradas com o smartphone.
  • mapear esses sinais para dados de adequação específicos da marca
  • Recomendar um tamanho para essa peça de roupa específica.

O risco:

  • preocupações com a privacidade (escaneamento/fotos corporais)
  • Calibração e viés (funciona igualmente bem para diferentes corpos?)
  • ilusões de confiança (uma recomendação não é uma garantia)

2) Ferramentas de fabricação (para evitar a produção de peças com encaixe inadequado)

É aqui que o perfil da Fit Collective feito pela BBC se torna interessante, porque aborda a questão de forma construtiva e estratégica.

Em vez de dizer "ajude o comprador a se adaptar aos tamanhos problemáticos", a ideia é:

  • Utilizar os motivos de devolução, dados de vendas e feedback dos clientes para ajustar padrões e materiais antes da produção.

Isso provavelmente se aproxima mais de uma solução real: diminuir a quantidade de roupas que não servem bem.

A abordagem da Fit Collective: transformar devoluções em feedback de design.

Segundo a BBC:

  • A Fit Collective analisa devoluções, números de vendas e e-mails de clientes.
  • Ela fornece orientações para equipes de design e produção.
  • Exemplo: reduzir o comprimento da peça em alguns centímetros para diminuir as taxas de devolução.

Trata-se essencialmente de um ciclo de qualidade assistido por aprendizado de máquina:

  1. Os clientes demonstram insatisfação (devoluções, reclamações)
  2. O sistema agrega sinais de diferentes produtos e grupos.
  3. designers ajustam padrões/materiais
  4. ocorrem menos devoluções

Se você já trabalhou com software, isso nada mais é do que análise de produto. A indústria da moda não conseguiu implementar isso em larga escala porque os dados são desorganizados e isolados.

A parte difícil: os dados de retorno são ruidosos e frequentemente desonestos.

Existe um motivo pelo qual os dados retornados não são automaticamente uma fonte de verdade absoluta:

  • Os compradores escolhem "não serviu" quando o verdadeiro motivo é "não gostei".
  • Algumas razões para devolução são limitadas pelas opções de experiência do usuário.
  • "Cabe bem" pode significar comprimento, cintura, ombros, ou simplesmente estilo.

Para que um sistema como esse funcione, ele precisa de mais do que classificação — precisa de um modelo que possa inferir:

  • Quais razões de retorno se correlacionam com problemas de medição e padrão?
  • que se correlacionam com problemas de estilo/apresentação

Isso é possível, mas não é um truque de mágica com planilha.

Que tipo de tecnologia de dimensionamento "boa" realmente produziria?

A maioria das pessoas imagina a tecnologia de dimensionamento como: "diga-me se sou tamanho 10 ou 12".

O resultado mais útil seria algo como:

  • “Esta peça é justa nos quadris; se você comprar um tamanho maior, a cintura ficará folgada.”
  • “O tecido tem pouca elasticidade; se você prefere conforto, considere a opção X.”
  • “O comprimento tende a ser longo para a sua faixa de altura.”

Note que essas não são respostas de um único número. São compensações.

É por isso que os melhores sistemas provavelmente se parecerão menos com uma calculadora e mais com um...motor de explicação de ajuste.

Por que a experimentação virtual é sedutora (e onde ela falha)

Os provadores virtuais são populares porque resolvem um problema diferente:

  • confiança sobre como algo iráolhar, não apenas adequado

Mas elas têm duas limitações:

  1. O realismo visual é difícil (iluminação, tecido, movimento corporal).
  2. “Ter boa aparência” e “sentir-se bem” divergem.

Um futuro realista é um híbrido:

  • previsão de tamanho para ajuste
  • Experimente para ver o estilo
  • indicadores claros de incerteza (“alta confiança” vs “baixa confiança”)

A mudança de incentivos que poderia tornar isso realidade

Sophie De Salis, do British Retail Consortium (citada pela BBC), apresenta a tecnologia de dimensionamento como uma alavanca para reduzir devoluções e apoiar metas de sustentabilidade.

Essa abordagem é importante porque relaciona adequação ao dinheiro:

  • Devoluções custam dinheiro
  • devoluções geram desperdício

Quando um problema se torna uma questão de diretoria, ele passa a ser incluído no orçamento.

O melhor sinal de que a tecnologia de dimensionamento está se tornando realidade não é o aumento no número de avatares — é o fato de os varejistas estarem oferecendo:

  • análise de adequação
  • ajuste de padrão
  • padronização de medições

como operações principais.

Privacidade: o fator decisivo silencioso

Qualquer abordagem que dependa de escaneamentos corporais ou fotos precisa enfrentar a questão da privacidade de frente.

Se os usuários sentirem:

  • digitalizado
  • perfilado
  • ou que suas imagens poderiam vazar

Eles não vão optar por participar.

Portanto, "respeitar a privacidade desde a concepção" deveria ser uma vantagem competitiva:

  • retenção mínima de dados
  • processamento no dispositivo sempre que possível
  • limpar opção de desativação e exclusão
  • transparência sobre o que está armazenado

O setor de dimensionamento tem a oportunidade de aprender com os erros da tecnologia publicitária.

Uma abordagem prática: o que reduziria os retornos mais rapidamente?

Se você se preocupa com o impacto imediato, as etapas com alto potencial de retorno sobre o investimento são tediosas:

  • publicar informações precisasmedidas da peça de roupa(não apenas etiquetas de tamanho)
  • Padronizar as “notas de ajuste” (“tamanho pequeno”, “modelagem relaxada”, “alta elasticidade”) com definições consistentes.
  • Melhorar as fotos dos produtos e as informações sobre o tecido.

Em seguida, adicione IA por cima para:

  • personalizar recomendações
  • fechar o ciclo de feedback da produção

A IA é mais útil quando os fundamentos estão bem definidos.

Resumindo

A tecnologia pode, sem dúvida, reduzir a dificuldade de dimensionamento — mas apenas se atingir a camada correta.

Ferramentas de dimensionamento na fase de finalização da compra podem reduzir a incerteza e as devoluções, mas não alteram o caos subjacente. A mudança mais significativa está no início do processo: usar sinais reais de ajuste (devoluções + feedback) para ajustar os moldes antes da produção.

E a verdade final permanece: se as marcas continuarem tratando o dimensionamento como marketing (“dimensionamento emocional”), a inconsistência persistirá. As vencedoras serão as marcas que combinarem comunicação honesta sobre o caimento das roupas com design baseado em dados — e fizerem com que pareça um serviço, não vigilância.

Fontes

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 Português