Kan teknologi fixa storleksförändringar i mode? Det verkliga problemet är incitament, inte mätningar

/Teknologi/ Av

Storleksbestämningar inom mode är brutna på ett väldigt speciellt sätt: det är inte bara att etiketterna är "fel", det är att de ärinkonsekvent till sin utformningStorlek 10 i ett märke kan jämföras med storlek 14 i ett annat, och även inom samma märke kan passformen variera mellan säsonger och fabriker. Resultatet blir en förutsägbar konsumentbeteendeloop – beställ flera storlekar, behåll en, returnera resten – som förvandlar returer till ett logistiksystem där det bara går som vanligt.

Den intressanta frågan är inte om tekniken kan bygga ett bättre virtuellt provrum. Det är om data och AI kan driva branschen mot en mer ärlig och mätbar definition av "passform" – samtidigt som man tar hänsyn till stil, preferenser och den obekväma sanningen om "fåfängestorlekar".

Returmotorn: varför storleksproblemet blev dyrt

BBC sätter en siffra på konsekvensen: modereturer beräknas kosta återförsäljare190 miljarder pund per årglobalt.

Avkastning är inte bara en kostnadspost. De är en strukturell kraft som formar branschen:

  • Lagerrisk: en storlek som inte passar blir oanvänd
  • Logistikens komplexitetomvänd frakt, inspektion, ompackning
  • Marginaler"Gratis returer" är sällan gratis; de är inbyggda i priserna
  • Avfallskadade eller osäljbara returer kan hamna i kasseringen

Så storleksvalet har gått från att vara "irriterande kundupplevelseproblem" till något som styrelser och hållbarhetsteam uppmärksammar.

Varför en "storlek" är ett dåligt mått

En etikett är ett enda tal, men anpassningen beror på en stapel variabler:

  • kroppsmått (flera dimensioner)
  • kroppsform (fördelning av mått)
  • tygets stretch och återhämtning
  • antaganden om mönstergradering
  • avsedd stil (smal vs avslappnad)
  • bärarens preferens ("tight i midjan är okej" kontra "aldrig")

Det är därför Paul Alger från UK Fashion and Textile Association (citerad av BBC) i princip har rätt: människor är inte skyltdockor, och passform är subjektivt.

Men ”subjektiv” betyder inte ”olöslig”. Det betyder att branschen försöker komprimera en flerdimensionell verklighet till en alltför enkel etikett.

Branschens smutsiga hemlighet: varumärkesstorlek är ett marknadsföringsval

En av de viktigaste punkterna i BBC-artikeln ärstorlek på sminkbord(Alger kallar det ”känslomässig dimensionering”).

Varumärken kan (och gör) besluta att göra sina storleksetiketter mer generösa eftersom:

  • kunderna gillar känslan av att passa in i ett mindre antal
  • det ökar konverteringen och minskar friktionen

När ett varumärke väl etablerat sina interna storleksnormer håller det sig ofta till dem säsong efter säsong. Så inkonsekvensen är inte ett fel. Det är en del av varumärkesidentiteten.

Det här är den del som tekniken inte kan "fixa" om inte incitamenten ändras.

Två ställen där teknik kan ingripa: kassa kontra tillverkning

BBC beskriver ett växande ekosystem av storleksbestämning av teknik. Det är bra att dela upp det i två interventionspunkter:

1) Verktyg i kassan (hjälper dig att välja storlek)

Exempel som nämns är 3DLook, True Fit, EasySize och virtuella prova-på-system.

Löftet:

  • minska osäkerheten online
  • rabattera "köp tre storlekar, returnera två"

Hur de generellt fungerar:

  • be köparen om mått och/eller smartphonefoton
  • mappa dessa signaler till varumärkesspecifika passformsdata
  • rekommendera en storlek för det specifika plagget

Risken:

  • integritetsfrågor (kroppsskanningar/foton)
  • kalibrering och bias (fungerar det lika bra för olika kroppar?)
  • illusioner om självförtroende (en rekommendation är ingen garanti)

2) Verktyg i tillverkningsskedet (förhindra att dålig passform produceras)

Det är här BBC:s profil av Fit Collective är intressant, eftersom det är uppströms.

Istället för att säga ”hjälp köparen att anpassa sig till felaktiga storlekar” är idén:

  • använd returorsaker, försäljningsdata och kundfeedback för att justera mönster och material före produktion

Det är utan tvekan närmare en verklig lösning: färre dåligt sittande plagg finns överhuvudtaget.

Fit Collectives tillvägagångssätt: förvandla returer till designfeedback

Enligt BBC:

  • Fit Collective analyserar returer, försäljningssiffror och kundmejl
  • den producerar råd för design- och produktionsteam
  • exempel: minska plagglängden med några centimeter för att minska returfrekvensen

Detta är i huvudsak en ML-assisterad kvalitetsloop:

  1. kunder signalerar smärta (returer, klagomål)
  2. systemet aggregerar signaler över produkter och kohorter
  3. designers justerar mönster/material
  4. färre returer sker

Om du någonsin har arbetat med mjukvara så handlar det här bara om produktanalys. Modebranschen har inte gjort det i stor skala eftersom datan är rörig och isolerad.

Det svåra: returdata är bullriga och ofta oärliga

Det finns en anledning till att returdata inte automatiskt är en perfekt sanningskälla:

  • Kunder väljer ”passade inte” när den verkliga anledningen är ”gillade den inte”
  • vissa returorsaker begränsas av UX-alternativ
  • "Passform" kan betyda längd, midja, axlar eller bara känsla

Så för att ett sådant här system ska fungera behövs det mer än klassificering – det behöver en modell som kan dra slutsatser om:

  • vilka returorsaker korrelerar med mätningar och mönsterproblem
  • som korrelerar med styling-/presentationsproblem

Det är genomförbart, men det är inte ett magiskt kalkylbladsknep.

Vilken "bra" storleksteknik skulle faktiskt ge

De flesta föreställer sig storleksteknik som: "säg mig om jag är en 10:a eller 12:a."

Den mer användbara utdata är något i stil med:

  • ”Det här plagget sitter tajt över höfterna; om du tar en större storlek blir midjan lös.”
  • ”Tyget har låg stretch; om du föredrar komfort, överväg X.”
  • "Längd tenderar att vara lång för din längdspann."

Lägg märke till att dessa inte är svar med ett enda nummer. De är avvägningar.

Det är därför de bästa systemen sannolikt kommer att kännas mindre som en miniräknare och mer som enpassar förklaringsmotor.

Varför virtuell provning är förförisk (och var den brister)

Virtuella provrum är populära eftersom de tar itu med ett annat problem:

  • tillit till hur något kommer atttitt, inte bara passar

Men de har två begränsningar:

  1. visuell realism är svår (belysning, drapering, kroppsrörelser)
  2. "Ser bra ut" och "känns bra" skiljer sig åt

En realistisk framtid är en hybrid:

  • storleksförutsägelse för passform
  • prova stilen
  • tydliga osäkerhetsindikatorer (”hög säkerhet” kontra ”låg säkerhet”)

Incitamentsskiftet som skulle kunna göra detta verkligt

Sophie De Salis på British Retail Consortium (citerad av BBC) beskriver storleksregleringsteknik som en hävstång för att minska returer och stödja hållbarhetsmål.

Den inramningen är viktig eftersom den kopplar samman passform med pengar:

  • returer kostar pengar
  • returer skapar avfall

När ett problem blir ett styrelserumsproblem budgeteras det.

Det bästa tecknet på att storlekstekniken blir verklighet är inte fler avatarer – det är återförsäljare som behandlar:

  • passformsanalys
  • mönsterjustering
  • mätstandardisering

som kärnverksamhet.

Integritet: den tysta avgöraren

Alla tillvägagångssätt som förlitar sig på kroppsskanningar eller foton måste konfrontera integriteten direkt.

Om användarna känner:

  • skannade
  • profilerad
  • eller att deras bilder skulle kunna läcka

de kommer inte att välja att delta.

Så "integritetsrespekterande genom design" borde vara en konkurrensfördel:

  • minimal datalagring
  • bearbetning på enheten där det är möjligt
  • rensa bortval och radering
  • transparens kring vad som lagras

Storleksanpassningsbranschen har en chans att lära av annonsteknikernas misstag.

Ett praktiskt perspektiv: vad skulle minska avkastningen snabbast?

Om du bryr dig om omedelbar effekt är de steg som sannolikt ger hög ROI tråkiga:

  • publicera korrektplaggets mått(inte bara storleksetiketter)
  • standardisera "passformsanteckningar" ("smal i storleken", "avslappnad", "mycket töjbar") med konsekventa definitioner
  • förbättra produktbilder och draperiinformation

Lägg sedan AI ovanpå för att:

  • anpassa rekommendationer
  • stäng återkopplingsslingan för tillverkningen

AI hjälper mest när grunderna är rena.

Slutsats

Teknologi kan absolut minska smärtan med storleksjustering – men bara om den riktar sig mot rätt lager.

Storleksbestämningsverktyg i utcheckningsfasen kan minska osäkerhet och avkastning, men de förändrar inte det underliggande kaoset. Den mer meningsfulla förändringen är uppströms: att använda verkliga anpassningssignaler (avkastning + feedback) för att justera mönster före produktion.

Och den slutgiltiga sanningen kvarstår: om varumärken fortsätter att behandla storleksanpassning som marknadsföring ("känslomässig storleksanpassning"), kommer inkonsekvensen att bestå. Vinnarna kommer att vara de varumärken som kombinerar ärlig kommunikation om anpassning med datadriven design – och får det att kännas som en tjänst, inte övervakning.

Källor

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...
v Svenska