Может ли технология исправить проблему с размерами в моде? Настоящая проблема заключается в стимулах, а не в измерениях.

/Технологии/ К

В моде с размерами есть одна очень специфическая проблема: дело не только в том, что этикетки «неправильные», а в том, что они...непоследовательный по замыслуРазмер 10 у одного бренда может соответствовать размеру 14 у другого, и даже в рамках одного бренда посадка может меняться в зависимости от сезона и фабрики. В результате возникает предсказуемый цикл потребительского поведения — заказываешь несколько размеров, оставляешь один, возвращаешь остальные — превращая возвраты в обычную логистическую систему.

Интересный вопрос не в том, может ли технология создать лучшую виртуальную примерочную. Вопрос в том, могут ли данные и искусственный интеллект подтолкнуть индустрию к более честному и измеримому определению «подходящего размера», при этом учитывая стиль, предпочтения и неприятную правду о «завышенных размерах».

Механизм возврата товаров: почему проблема с определением размера стала дорогостоящей

BBC приводит конкретные цифры последствий: по оценкам, возврат товаров, возвращаемых ритейлерам, обходится в значительную сумму.190 миллиардов фунтов стерлингов в годв глобальном масштабе.

Прибыль — это не просто статья расходов. Это структурная сила, формирующая отрасль:

  • Риск, связанный с запасамиРазмерная сетка, которая не подходит, становится неликвидным товаром.
  • Сложность логистики: обратная доставка, проверка, переупаковка
  • Поля«Бесплатный возврат» редко бывает бесплатным; он уже заложен в цену.
  • Напрасно тратитьПоврежденные или непригодные для продажи возвращенные товары могут быть выброшены.

Таким образом, вопрос определения размеров перестал быть «проблемой, раздражающей клиентов», и стал предметом внимания советов директоров и команд по устойчивому развитию.

Почему «размер» — это неудачная мерка

Метка — это одно число, но соответствие зависит от множества переменных:

  • Измерения тела (по нескольким параметрам)
  • Форма тела (распределение измерений)
  • эластичность и восстановление ткани
  • предположения о градации шаблонов
  • Предполагаемый стиль (узкий или свободный)
  • Предпочтения владельца («плотно облегает талию — это нормально» против «никогда»)

Вот почему Пол Алджер из Британской ассоциации моды и текстиля (цитируемый BBC) в основном прав: люди — не манекены, и посадка одежды — дело субъективное.

Но «субъективный» не означает «неразрешимый». Это означает, что отрасль пытается свести многомерную реальность к чрезмерно упрощенному обозначению.

Главный секрет индустрии: определение размера бренда — это маркетинговый ход.

Один из важнейших моментов в материале BBC заключается в следующем:размеры для туалетного столика(Алджер называет это «оценкой эмоционального состояния»).

Бренды могут (и делают это) принимать решение о том, чтобы их размерные бирки были более широкими, потому что:

  • Покупателям нравится ощущение принадлежности к меньшему числу.
  • это повышает конверсию и снижает трение

Как только бренд устанавливает свои внутренние нормы размеров, он часто придерживается их из сезона в сезон. Поэтому несоответствие — это не ошибка, а часть идентичности бренда.

Это та часть, которую технологии не смогут «исправить», если не изменятся стимулы.

Технологии могут вмешаться в двух ситуациях: оформление заказа и производство.

BBC описывает растущую экосистему масштабируемых технологий. Это помогает разделить ее на две точки воздействия:

1) Инструменты на этапе оформления заказа (помогают выбрать размер)

В качестве примеров были упомянуты 3DLook, True Fit, EasySize и системы виртуальной примерки.

Обещание:

  • уменьшить неопределенность в интернете
  • уменьшить количество случаев, когда «покупаешь три размера, возвращаешь два».

Как они обычно работают:

  • Попросите покупателя указать размеры и/или предоставить фотографии, сделанные на смартфон.
  • сопоставьте эти сигналы с данными о посадке, специфичными для конкретного бренда.
  • порекомендуйте размер для этого конкретного изделия

Риск:

  • Вопросы конфиденциальности (сканирование/фотографирование тела)
  • калибровка и смещение (одинаково ли хорошо это работает для разных тел?)
  • Иллюзии уверенности (рекомендация не является гарантией)

2) Инструменты на этапе производства (предотвращают производство деталей с некачественной подгонкой)

Именно здесь интересен сюжет BBC о Fit Collective, поскольку он затрагивает более ранние этапы развития этой компании.

Вместо того чтобы говорить «помогите покупателю адаптироваться к несоответствию размеров», идея заключается в следующем:

  • Используйте причины возврата, данные о продажах и отзывы клиентов для корректировки выкроек и материалов перед началом производства.

Пожалуй, это более близко к реальному решению проблемы: в первую очередь, количество плохо сидящей одежды должно быть меньше.

Подход Fit Collective: превращать возвраты в отзывы о дизайне.

По данным BBC:

  • Fit Collective анализирует возвраты, показатели продаж и электронные письма клиентов.
  • Она предоставляет рекомендации для дизайнерских и производственных групп.
  • Пример: укоротить длину изделия на несколько сантиметров, чтобы снизить процент возвратов.

По сути, это цикл проверки качества с использованием машинного обучения:

  1. Покупатели сообщают о своих проблемах (возвраты, жалобы).
  2. Система агрегирует сигналы по различным продуктам и группам товаров.
  3. Дизайнеры корректируют узоры/материалы.
  4. происходит меньше возвратов

Если вы когда-либо работали в сфере разработки программного обеспечения, то это всего лишь продуктовая аналитика. В индустрии моды это не получили в больших масштабах, потому что данные разрознены и несистематизированы.

Самая сложная часть: возвращаемые данные содержат много шума и часто носят нечестный характер.

Есть причина, по которой данные о возвратах не являются автоматически идеальным источником достоверной информации:

  • Покупатели выбирают вариант «не подошло», хотя настоящая причина — «не понравилось».
  • Некоторые причины возврата ограничены возможностями пользовательского интерфейса.
  • «Подходящий размер» может означать длину, талию, плечи или просто стиль.

Таким образом, для эффективной работы подобной системы требуется нечто большее, чем просто классификация — ей необходима модель, способная делать выводы:

  • причины возврата коррелируют с измерениями и проблемами, связанными с шаблонами.
  • которые коррелируют с проблемами стиля/презентации

Это вполне осуществимо, но это не волшебный трюк с электронными таблицами.

Какой результат на самом деле даст «качественная» технология определения размеров?

Большинство людей представляют себе определение размера одежды следующим образом: «Скажите, мой это размер 10 или 12».

Более полезный результат будет выглядеть примерно так:

  • «Эта вещь тесная в бедрах; если вы выберете размер больше, талия будет свободной».
  • «Ткань обладает низкой эластичностью; если вы цените комфорт, выбирайте вариант X».
  • «Длина обычно больше, чем ваш рост».

Обратите внимание, что это не однозначные ответы. Это компромиссные решения.

Вот почему лучшие системы, скорее всего, будут меньше похожи на калькулятор и больше на...подходящий объяснительный механизм.

Почему виртуальная примерка так привлекательна (и в чем ее недостатки)

Виртуальные примерочные популярны, потому что они решают другую проблему:

  • уверенность в том, как что-то произойдетсмотретьне просто подходит

Но у них есть два ограничения:

  1. Визуальный реализм — сложная задача (освещение, драпировка, движения тела).
  2. «Выглядит хорошо» и «приятно ощущается» расходятся.

Реалистичное будущее — это гибрид:

  • прогнозирование размера для соответствия
  • примерка стиля
  • четкие индикаторы неопределенности («высокая степень уверенности» против «низкой степени уверенности»)

Изменение мотивации, которое могло бы сделать это реальностью.

Софи Де Салис из Британского консорциума розничной торговли (цитата по BBC) рассматривает технологии определения размеров как инструмент для сокращения количества возвратов и поддержки целей устойчивого развития.

Такая формулировка важна, потому что она связывает соответствие заявленным характеристикам с финансовыми выгодами:

  • Возврат товара стоит денег
  • возвраты создают отходы

Когда проблема становится предметом обсуждения на уровне совета директоров, она попадает в бюджет.

Лучший признак того, что технологии определения размеров становятся реальностью, — это не увеличение количества аватаров, а то, как ритейлеры относятся к:

  • аналитика соответствия
  • корректировка шаблона
  • стандартизация измерений

в качестве основных операций.

Конфиденциальность: тихий, но решающий фактор.

Любой подход, основанный на сканировании тела или фотографировании, неизбежно сталкивается с проблемой конфиденциальности.

Если пользователи чувствуют:

  • отсканировано
  • профилированный
  • или что их изображения могут просочиться в сеть

Они не будут давать на это согласия.

Таким образом, принцип «уважения конфиденциальности на этапе проектирования» должен стать конкурентным преимуществом:

  • минимальное хранение данных
  • по возможности обработка на устройстве
  • четкий отказ от участия и удаление
  • прозрачность в отношении того, что хранится

У индустрии подбора размеров есть шанс извлечь уроки из ошибок рекламных технологий.

Практический подход: что быстрее всего снизит доходность?

Если вас интересует немедленный результат, то этапы с высокой окупаемостью инвестиций покажутся скучными:

  • публикуйте точныезамеры одежды(не только маркировка размеров)
  • Стандартизировать «примечания к размеру» («маломерит», «свободный крой», «высокая эластичность») с помощью единых определений.
  • Улучшить фотографии продукции и информацию о драпировке.

Затем добавим сверху искусственный интеллект, чтобы:

  • персонализированные рекомендации
  • замкнуть цикл обратной связи в производстве

Искусственный интеллект наиболее эффективен, когда его основные принципы хорошо проработаны.

Итог

Технологии, безусловно, могут уменьшить болезненные ощущения при подборе размера — но только если они воздействуют на нужный слой.

Инструменты для подбора размера на этапе оформления заказа могут снизить неопределенность и количество возвратов, но они не меняют лежащий в основе хаос. Более значимый сдвиг происходит на этапе подготовки: использование реальных сигналов о посадке (возвраты + отзывы) для корректировки выкроек до начала производства.

И последнее, но не менее важное: если бренды продолжат рассматривать размеры как маркетинговый ход («эмоциональный выбор размера»), несоответствие будет сохраняться. Победителями станут те бренды, которые сочетают честную информацию о размерах с дизайном, основанным на данных, и создают ощущение услуги, а не слежки.

Источники

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...
Русский