Poate tehnologia să rezolve mărimile în materie de modă? Adevărata problemă o reprezintă stimulentele, nu măsurătorile.

/Tehnologie/ De

Mărimile în modă sunt defalcate într-un mod foarte particular: nu este vorba doar de faptul că etichetele sunt „greșite”, ci de faptul că suntinconsistent prin designO mărime 10 la o marcă poate fi egală cu o mărime 14 la alta și chiar și în cadrul aceleiași mărci, potrivirea poate varia de la un sezon la altul și de la o fabrică la alta. Rezultatul este o buclă comportamentală previzibilă a consumatorului — comandă mai multe mărimi, păstrează una, returnează restul — care transformă retururile într-un sistem logistic de tip business-as-usual.

Întrebarea interesantă nu este dacă tehnologia poate construi o probă virtuală mai bună. Ci dacă datele și inteligența artificială pot împinge industria către o definiție mai sinceră și măsurabilă a „potrivirii” - ținând cont în același timp de stil, preferințe și adevărul inconfortabil al „mărimii personalizate”.

Motorul de returnare: de ce problema dimensionării a devenit costisitoare

BBC cifrează consecințele: se estimează că returnarea hainelor va costa comercianții cu amănuntul190 de miliarde de lire sterline pe anla nivel global.

Randamentele nu sunt doar o linie de cost. Sunt o forță structurală care modelează industria:

  • Riscul de inventaro serie de mărimi care nu se potrivește devine stoc mort
  • Complexitatea logisticiitransport invers, inspecție, reambalare
  • Margini„Returnările gratuite” sunt rareori gratuite; sunt integrate în prețuri
  • DeşeuriRetururile deteriorate sau nevandabile pot ajunge aruncate

Așadar, dimensionarea a trecut de la o „problemă enervantă privind experiența clienților” la ceva la care consiliile de administrație și echipele de sustenabilitate sunt atente.

De ce o „mărime” este o măsurătoare greșită

O etichetă este un singur număr, dar potrivirea depinde de o stivă de variabile:

  • măsurători corporale (dimensiuni multiple)
  • forma corpului (distribuția măsurătorilor)
  • întinderea și recuperarea țesăturii
  • ipoteze de clasificare a modelelor
  • stilul dorit (skinny vs. relaxat)
  • preferința purtătorului („strâmt la talie e în regulă” vs. „niciodată”)

De aceea, Paul Alger (citat de BBC) de la Asociația de Modă și Textile din Marea Britanie are, în principiu, dreptate: oamenii nu sunt manechine, iar potrivirea este subiectivă.

Însă „subiectiv” nu înseamnă „irezolvabil”. Înseamnă că industria încearcă să comprime o realitate multidimensională într-o etichetă excesiv de simplă.

Secretul murdar al industriei: dimensionarea mărcii este o alegere de marketing

Unul dintre cele mai importante puncte din articolul BBC estedimensionarea mobilei de vanitate(Alger o numește „dimensionare emoțională”).

Brandurile pot decide (și chiar o fac) să facă etichetele cu mărimi mai generoase deoarece:

  • cumpărătorilor le place senzația de a se încadra într-un număr mai mic
  • crește conversia și reduce frecarea

Odată ce un brand își stabilește normele interne de mărimi, adesea se ține de ele sezon de sezon. Așadar, inconsecvența nu este o problemă. Face parte din identitatea brandului.

Aceasta este partea pe care tehnologia nu o poate „repara” decât dacă se schimbă stimulentele.

Două moduri în care tehnologia poate interveni: checkout vs. producție

BBC descrie un ecosistem în creștere al tehnologiei de dimensionare. Ajută la separarea acestuia în două puncte de intervenție:

1) Instrumente în etapa de finalizare a comenzii (vă ajută să alegeți o mărime)

Exemplele menționate includ 3DLook, True Fit, EasySize și sistemele de probare virtuală.

Promisiunea:

  • reduce incertitudinea online
  • reducere „cumpără trei mărimi, returnează două”

Cum funcționează acestea în general:

  • cereți cumpărătorului măsurători și/sau fotografii cu smartphone-ul
  • mapați aceste semnale la datele de potrivire specifice mărcii
  • recomandă o mărime pentru articolul respectiv de îmbrăcăminte

Riscul:

  • preocupări legate de confidențialitate (scanări corporale/fotografii)
  • calibrare și bias (funcționează la fel de bine pentru corpuri diferite?)
  • iluzii de încredere (o recomandare nu este o garanție)

2) Scule în etapa de fabricație (prevenirea producerii unor potriviri necorespunzătoare)

Aici este interesant profilul BBC despre Fit Collective, pentru că este în amonte.

În loc să spunem „ajutați cumpărătorul să se adapteze la mărimile nepotrivite”, ideea este:

  • utilizați motivele returnării, datele de vânzări și feedback-ul clienților pentru a ajusta modelele și materialele înainte de producție

Probabil că aceasta este mai aproape de o soluție reală: există, în primul rând, mai puține articole de îmbrăcăminte care nu se potrivesc bine.

Abordarea Fit Collective: transformarea retururilor în feedback de design

Conform BBC:

  • Fit Collective analizează retururile, cifrele de vânzări și e-mailurile clienților
  • oferă consultanță pentru echipele de proiectare și producție
  • exemplu: reduceți lungimea hainei cu câțiva centimetri pentru a reduce ratele de returnare

Aceasta este, în esență, o buclă de calitate asistată de ML:

  1. clienții semnalează dificultăți (retururi, reclamații)
  2. sistemul agregă semnale între produse și cohorte
  3. designerii ajustează modelele/materialele
  4. au loc mai puține returnări

Dacă ați lucrat vreodată în domeniul software, este vorba doar de analiză de produse. Industria modei nu a făcut asta la scară largă, deoarece datele sunt dezordonate și izolate.

Partea dificilă: datele returnate sunt zgomotoase și adesea necinstite

Există un motiv pentru care datele returnate nu reprezintă automat o sursă perfectă de adevăr:

  • Cumpărătorii aleg „nu se potrivește” când motivul real este „nu le-a plăcut”
  • Unele motive de returnare sunt limitate de opțiunile UX
  • „Croială” ar putea însemna lungime, talie, umeri sau pur și simplu senzație

Deci, pentru ca un sistem ca acesta să funcționeze, are nevoie de mai mult decât o clasificare - are nevoie de un model care să poată deduce:

  • ce motive de returnare se corelează cu măsurătorile și problemele de tipar
  • care se corelează cu probleme de stil/prezentare

Este realizabil, dar nu este un truc magic cu foaia de calcul.

Ce rezultate ar avea, de fapt, o tehnologie de dimensionare „bună”

Majoritatea oamenilor își imaginează tehnologia de dimensionare ca fiind: „spune-mi dacă sunt un 10 sau un 12”.

Rezultatul mai util este ceva de genul:

  • „Această piesă vestimentară este strâmtă în zona șoldurilor; dacă alegeți o mărime mai mare, talia va fi lejeră.”
  • „Materialul are elasticitate redusă; dacă preferi confortul, ia în considerare X.”
  • „Lungimea tinde să fie mare pentru intervalul tău de înălțime.”

Observați cum acestea nu sunt răspunsuri bazate pe un singur număr. Sunt compromisuri.

De aceea, cele mai bune sisteme se vor simți probabil mai puțin ca un calculator și mai mult ca un...motor de explicații pentru potrivire.

De ce este seducătoare probarea virtuală (și unde dă greș)

Cabinele de probă virtuale sunt populare deoarece abordează o problemă diferită:

  • încredere în modul în care ceva va fiUite, nu doar în formă

Dar au două limitări:

  1. Realismul vizual este dificil (iluminare, drapare, mișcarea corpului)
  2. „Arată bine” și „se simte bine” diferă

Un viitor realist este un hibrid:

  • predicția mărimii pentru potrivire
  • probați pentru stil
  • indicatori clari de incertitudine („încredere ridicată” vs. „încredere scăzută”)

Schimbarea stimulentelor care ar putea face acest lucru real

Sophie De Salis de la British Retail Consortium (citată de BBC) prezintă tehnologia de dimensionare ca o pârghie pentru reducerea retururilor și susținerea obiectivelor de sustenabilitate.

Această încadrare contează deoarece leagă potrivirea de bani:

  • retururile costă bani
  • retururile creează deșeuri

Când o problemă devine o problemă de consiliu de administrație, aceasta devine bugetată.

Cel mai bun semn că tehnologia de dimensionare devine realitate nu sunt mai multe avatare - ci comercianții cu amănuntul care tratează:

  • analiză a potrivirii
  • ajustarea modelului
  • standardizarea măsurătorilor

ca operațiuni de bază.

Confidențialitatea: factorul decisiv în tăcere

Orice abordare care se bazează pe scanări corporale sau fotografii trebuie să confrunte direct intimitatea.

Dacă utilizatorii simt:

  • scanat
  • profilat
  • sau că imaginile lor ar putea fi divulgate

nu vor opta pentru participare.

Așadar, „respectarea confidențialității prin proiectare” ar trebui să fie un avantaj competitiv:

  • păstrarea minimă a datelor
  • procesare pe dispozitiv, acolo unde este posibil
  • ștergerea opțiunilor de dezabonare și ștergere
  • transparență cu privire la ceea ce este stocat

Industria de dimensionare are șansa de a învăța din greșelile tehnologiei publicitare.

O perspectivă practică: ce ar reduce cel mai rapid randamentele?

Dacă vă interesează impactul imediat, pașii cu probabil un ROI ridicat sunt plictisitori:

  • publicați cu acuratețemăsurătorile hainelor(nu doar etichetele de mărime)
  • standardizați „notele de potrivire” („se execută mic”, „relaxat”, „extensibilitate ridicată”) cu definiții consecvente
  • îmbunătățirea fotografiilor produselor și a informațiilor despre draperii

Apoi, suprapuneți inteligența artificială pentru a:

  • personalizează recomandările
  • închideți bucla de feedback a producției

IA ajută cel mai mult atunci când elementele fundamentale sunt clare.

Concluzie

Tehnologia poate reduce absolut dificultățile legate de dimensionare - dar numai dacă vizează stratul potrivit.

Instrumentele de dimensionare din etapa de finalizare a comenzii pot reduce incertitudinea și randamentele, dar nu schimbă haosul subiacent. Schimbarea mai semnificativă este în amonte: utilizarea semnalelor de potrivire reale (retururi + feedback) pentru a ajusta tiparele înainte de producție.

Și adevărul final rămâne: dacă brandurile continuă să trateze dimensionarea ca pe ceva de marketing („dimensionare emoțională”), inconsecvența va persista. Câștigătorii vor fi brandurile care combină comunicarea corectă a potrivirii cu designul bazat pe date - și o vor face să pară un serviciu, nu o supraveghere.

Surse

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 Română