KI für Größen- und Passformvorhersage im Fashion-E-Commerce: Retouren um 25 % reduzieren

Retouren sind der stille Profitkiller im Fashion-E-Commerce. Branchendaten zeigen konstant, dass 30 % bis 40 % der Online-Bekleidungskäufe zurückgesendet werden, und der Hauptgrund ist eine schlechte Passform. Der Kunde bestellte ein Medium, es war an den Schultern zu eng, und schon ging es zurück. Multipliziert man dies über Millionen von Transaktionen, sprechen wir von Milliarden Dollar für Retourenlogistik, Wiedereinlagerung und entgangene Margen.

Das grundlegende Problem ist, dass Größen nicht standardisiert sind. Ein Medium einer Marke passt vollkommen anders als ein Medium einer anderen. Selbst innerhalb derselben Marke können verschiedene Schnittstile variieren. Ein lockeres T-Shirt und ein eng anliegendes Hemd tragen beide das Etikett „Medium", passen aber sehr unterschiedlichen Körpertypen. Kunden wissen das aus Erfahrung, weshalb viele mehrere Größen bestellen und die nicht passenden zurückschicken.

Wie KI-Passformvorhersage tatsächlich funktioniert

KI-Systeme zur Passformvorhersage gehen das Problem aus mehreren Richtungen gleichzeitig an. Sie bauen Modelle auf, die drei Dinge verstehen: das Körperprofil des Kunden, die Maße und Eigenschaften des Kleidungsstücks und die Beziehung zwischen beiden.

Auf der Kundenseite erstellt das System aus verfügbaren Daten ein Körperprofil. Dazu zählen selbstangegebene Maße, Kaufhistorie (welche Größen wurden gekauft und behalten beziehungsweise zurückgesandt), Browsing-Verhalten (wurde die Größentabelle angesehen?) und manchmal Fotos, sofern der Kunde eine virtuelle Anprobe-Funktion nutzt. Mit der Zeit entwickelt das System ein zunehmend genaues Verständnis des individuellen Körpers jedes Kunden.

Auf der Kleidungsseite pflegt das System detaillierte Maßdaten für jedes Produkt. Dies geht über die einfache Größentabelle hinaus. Es umfasst die tatsächlichen Fertigmaße jeder Größe, den Stretch-Anteil des Stoffs, den Konfektionsstil und die beabsichtigte Passform (locker, regulär, schmal). Für Marken, die detaillierte Tech-Packs bereitstellen, sind diese Daten umfassend. Für Marketplace-Verkäufer, die mehrere Marken aggregieren, erfordert dies mehr Schätzung.

Die KI bildet dann zwischen diesen beiden Modellen ab und empfiehlt jene Größe, die für den jeweiligen Kunden bei dem spezifischen Kleidungsstück am wahrscheinlichsten passt. Die Empfehlung beschränkt sich nicht auf Small/Medium/Large. Sie kann Passform-Hinweise enthalten wie „Dies wird im Brustbereich eng sitzen" oder „Erwägen Sie eine Nummer größer, wenn Sie eine lockere Passform an der Hüfte bevorzugen".

Die Daten, die Genauigkeit bestimmen

Die Genauigkeit der Passformvorhersage verbessert sich dramatisch mit Daten. Ein Neukunde ohne Kaufhistorie erhält eine Empfehlung auf Basis populationsbezogener Statistiken und seiner Angaben beim Onboarding. Ein wiederkehrender Kunde mit zehn vorherigen Käufen und einem klaren Muster, welche Größen er behält, hat ein deutlich präziseres Profil.

Daten zu Retourengründen sind besonders wertvoll. Wählt ein Kunde beim Rücksenden „zu klein", „zu groß" oder „passte nicht wie erwartet" aus, verbessert dieses Feedback das Modell unmittelbar. Manche Systeme gehen weiter und fragen gezielt, welche Bereiche zu eng oder zu locker waren, und erstellen so eine Körperkarte der Passformpräferenzen.

Markenübergreifende Daten machen das Ganze richtig wirkungsvoll. Weiß das System, dass ein Kunde Größe 10 in Marke A und Größe 12 in Marke B trägt, kann es diese Beziehung nutzen, um seine Größe in Marke C vorherzusagen, die er noch nie gekauft hat. Der Aufbau solcher markenübergreifenden Mapping-Tabellen erfordert große Datensätze, doch Unternehmen, die darüber verfügen, können selbst bei der ersten Marken-Interaktion präzise Empfehlungen liefern.

Reale Auswirkungen auf Retourenquoten

Die Schlagzeilen-Aussage von 25 % Retourenreduktion ist für gut implementierte Systeme konservativ. Mehrere große Fashion-Händler berichten von noch größeren Verbesserungen. Der Wirkmechanismus ist einfach: Wenn Kunden Kleidung erhalten, die tatsächlich passt, behalten sie sie.

Die finanziellen Auswirkungen verstärken sich. Niedrigere Retourenquoten bedeuten geringere Retourenlogistik-Kosten. Weniger Retouren bedeuten weniger Bestandsbeschädigung durch Versand und Handhabung. Eine bessere Passform beim Erstkauf bedeutet höhere Kundenzufriedenheit und Lifetime Value. Und Kunden, die Ihren Größenempfehlungen vertrauen, kaufen eher erneut bei Ihnen, was die Akquisitionskosten im Zeitverlauf senkt.

Hinzu kommt ein Nachhaltigkeitsaspekt, der bei zunehmend umweltbewussten Verbrauchern Anklang findet. Jede Retoure erzeugt CO2-Emissionen durch den Versand, und ein Teil zurückgesandter Kleidung landet auf Deponien, wenn sie nicht zum vollen Preis weiterverkauft werden kann. Retouren zu reduzieren ist ehrlich besser für die Umwelt.

Virtuelle Anprobe und Body Scanning

Die nächste Evolutionsstufe der Passformvorhersage umfasst virtuelle Anprobe-Technologien. Mit Smartphone-Kameras können Kunden einen 3D-Körperscan erstellen, der deutlich präzisere Maße als Selbstangaben liefert. Die KI rendert anschließend, wie ein bestimmtes Kleidungsstück an ihrem Körpermodell aussehen und sitzen würde.

Diese Technologie befindet sich noch in der Reifung. Aktuelle Implementierungen funktionieren bei einfachen Kleidungsstücken wie T-Shirts und Kleidern gut, haben aber Schwierigkeiten bei komplexen Konstruktionen wie maßgeschneiderten Anzügen oder strukturierter Oberbekleidung. Die Darstellung kann zudem auf eine Weise unheimlich wirken, die eher vom Kauf abhält als ihn fördert. Doch der Trend ist klar, und virtuelle Anprobe wird im Fashion-E-Commerce voraussichtlich innerhalb weniger Jahre zum Standard.

In der Zwischenzeit liefern einfachere Ansätze den größten Teil des Wertes. Größenempfehlungs-Widgets, die anzeigen „Sie liegen bei diesem Schnitt zwischen Medium und Large; unsere Daten legen Large nahe", verhindern das häufigste Retourenszenario, ohne Kameratechnologie zu benötigen.

Implementierungsüberlegungen

Für Fashion-Marken, die KI-Passformvorhersage erwägen, ist die erste Frage die Datenbereitschaft. Sie benötigen präzise Maßdaten für Ihren Katalog und einen Weg, Passform-Feedback der Kunden zu erfassen. Fragt Ihr Retourenprozess nicht nach dem Grund für die Rücksendung, beginnen Sie dort.

Die Integration in Ihre E-Commerce-Plattform ist wichtig. Die Empfehlung muss zum richtigen Zeitpunkt im Einkaufserlebnis erscheinen, idealerweise auf der Produktdetailseite in der Nähe der Größenauswahl. Eine im Checkout vergrabene Empfehlung kommt zu spät. Die meisten KI-Passform-Tools bieten Plugins für Shopify, WooCommerce und Magento, die die Frontend-Integration übernehmen.

Mit Ihren Produktkategorien mit den höchsten Retourenquoten zu beginnen, liefert den schnellsten ROI. Hat Hose eine Retourenquote von 45 % und Accessoires eine von 5 %, fokussieren Sie das Passform-Rollout zunächst auf Hosen. Sobald das System seinen Wert bewiesen hat, können Sie auf andere Kategorien ausweiten. Mehr zu KI-Tools für E-Commerce finden Sie auf unserer Branchenseite E-Commerce und Einzelhandel.