AI untuk Prediksi Ukuran dan Kesesuaian dalam Ecommerce Fashion: Mengurangi Pengembalian Hingga 25%

Pengembalian adalah pembunuh keuntungan diam-diam dalam ecommerce fashion. Data industri secara konsisten menunjukkan bahwa 30% hingga 40% pembelian pakaian online dikembalikan, dan alasan nomor satu adalah ketidaksesuaian ukuran. Pelanggan memesan medium, ukurannya terlalu sempit di bahu, dan akhirnya dikembalikan. Kalikan hal itu di jutaan transaksi dan Anda akan melihat miliaran dolar dalam logistik balik, restocking, dan margin yang hilang.

Masalah fundamentalnya adalah ukuran tidak terstandarisasi. Medium dari satu merek terasa sangat berbeda dengan medium dari merek lain. Bahkan dalam merek yang sama, gaya pakaian yang berbeda dapat bervariasi. Kaus relaxed-fit dan kemeja berkancing slim-fit keduanya bertuliskan medium pada labelnya, tetapi keduanya pas pada bentuk tubuh yang sangat berbeda. Pelanggan tahu hal ini dari pengalaman, itulah mengapa banyak dari mereka memesan beberapa ukuran dan mengembalikan yang tidak cocok.

Bagaimana Prediksi Kesesuaian AI Sebenarnya Bekerja

Sistem prediksi kesesuaian AI menyerang masalah ini dari berbagai sudut secara bersamaan. Mereka membangun model yang memahami tiga hal: profil tubuh pelanggan, ukuran dan karakteristik pakaian, serta hubungan di antara keduanya.

Pada sisi pelanggan, sistem membangun profil tubuh dari data yang tersedia. Ini mungkin mencakup ukuran yang dilaporkan sendiri, riwayat pembelian (ukuran apa yang mereka beli dan simpan versus dikembalikan), perilaku penelusuran (apakah mereka melihat tabel ukuran?), dan terkadang foto jika pelanggan memilih untuk menggunakan fitur virtual try-on. Seiring waktu, sistem mengembangkan pemahaman yang semakin akurat tentang setiap tubuh pelanggan secara individu.

Pada sisi pakaian, sistem memelihara data ukuran terperinci untuk setiap produk. Ini lebih dari sekadar tabel ukuran dasar. Termasuk ukuran jadi aktual untuk setiap ukuran, persentase peregangan kain, gaya konstruksi pakaian, dan bagaimana barang dirancang agar pas (longgar, reguler, slim). Untuk merek yang menyediakan tech pack terperinci, data ini komprehensif. Untuk penjual marketplace yang mengagregasi beberapa merek, ini memerlukan lebih banyak estimasi.

AI kemudian memetakan antara dua model ini untuk merekomendasikan ukuran yang paling mungkin pas untuk setiap pelanggan dan setiap pakaian tertentu. Rekomendasinya bukan hanya small/medium/large. Rekomendasi dapat mencakup catatan kesesuaian seperti ini akan pas ketat di dada atau pertimbangkan untuk naik ukuran apabila Anda lebih menyukai potongan longgar di pinggul.

Data yang Mendorong Akurasi

Akurasi prediksi kesesuaian meningkat secara dramatis dengan data. Pelanggan baru tanpa riwayat pembelian mendapatkan rekomendasi berdasarkan statistik tingkat populasi dan apa pun yang mereka berikan selama onboarding. Pelanggan kembali dengan sepuluh pembelian sebelumnya dan pola yang jelas dalam menyimpan ukuran tertentu memiliki profil yang jauh lebih presisi.

Data alasan pengembalian sangat berharga. Saat pelanggan mengembalikan barang dan memilih terlalu kecil, terlalu besar, atau tidak pas seperti yang diharapkan, umpan balik tersebut secara langsung meningkatkan model. Beberapa sistem melangkah lebih jauh, menanyakan secara spesifik area mana yang terlalu ketat atau terlalu longgar, menciptakan peta tubuh dari preferensi kesesuaian.

Data lintas merek adalah tempat hal-hal menjadi sangat kuat. Apabila sistem mengetahui bahwa pelanggan mengenakan ukuran 10 di Merek A dan ukuran 12 di Merek B, sistem dapat menggunakan hubungan tersebut untuk memprediksi ukuran mereka di Merek C yang belum pernah mereka beli sebelumnya. Membangun tabel pemetaan lintas merek ini memerlukan dataset besar, tetapi perusahaan yang memilikinya dapat memberikan rekomendasi akurat bahkan untuk interaksi merek pertama kali.

Dampak Nyata pada Tingkat Pengembalian

Klaim utama 25% pengurangan pengembalian bersifat konservatif untuk sistem yang diimplementasikan dengan baik. Beberapa pengecer fashion besar telah melaporkan peningkatan yang lebih besar lagi. Mekanismenya sederhana: ketika pelanggan menerima pakaian yang benar-benar pas, mereka menyimpannya.

Dampak finansial bersifat majemuk. Pengembalian yang lebih rendah berarti biaya logistik balik yang lebih rendah. Lebih sedikit pengembalian berarti kerusakan inventaris akibat pengiriman dan penanganan lebih sedikit. Kesesuaian pembelian pertama yang lebih baik berarti kepuasan pelanggan dan nilai seumur hidup yang lebih tinggi. Dan pelanggan yang memercayai rekomendasi ukuran Anda lebih mungkin membeli dari Anda lagi, mengurangi biaya akuisisi seiring waktu.

Ada juga sudut keberlanjutan yang resonan dengan konsumen yang semakin sadar lingkungan. Setiap pengembalian menghasilkan emisi karbon dari pengiriman, dan beberapa pakaian yang dikembalikan berakhir di tempat pembuangan sampah ketika tidak dapat dijual kembali dengan harga penuh. Mengurangi pengembalian benar-benar lebih baik untuk lingkungan.

Virtual Try-On dan Pemindaian Tubuh

Evolusi berikutnya dari prediksi kesesuaian melibatkan teknologi virtual try-on. Menggunakan kamera ponsel pintar, pelanggan dapat membuat pemindaian tubuh 3D yang memberikan ukuran yang jauh lebih akurat daripada laporan diri. AI kemudian merender bagaimana pakaian tertentu akan terlihat dan pas pada model tubuh mereka.

Teknologi ini masih matang. Implementasi saat ini bekerja dengan baik untuk pakaian sederhana seperti kaus dan gaun tetapi kesulitan dengan konstruksi kompleks seperti setelan tailored atau pakaian luar berstruktur. Rendering juga dapat menjadi tidak alami dengan cara yang justru menghalangi alih-alih mendorong pembelian. Namun, lintasannya jelas, dan virtual try-on cenderung menjadi fitur standar ecommerce fashion dalam beberapa tahun ke depan.

Sementara itu, pendekatan yang lebih sederhana memberikan sebagian besar nilai. Widget rekomendasi ukuran yang menunjukkan Anda berada di antara medium dan large untuk gaya ini, data kami menyarankan untuk memesan large mencegah skenario pengembalian paling umum tanpa memerlukan teknologi kamera apa pun.

Pertimbangan Implementasi

Bagi merek fashion yang mempertimbangkan prediksi kesesuaian AI, pertanyaan pertama adalah kesiapan data. Anda memerlukan data ukuran pakaian yang akurat untuk katalog Anda, dan Anda memerlukan cara untuk menangkap umpan balik kesesuaian pelanggan. Apabila proses pengembalian Anda tidak menanyakan mengapa barang dikembalikan, mulailah dari sana.

Integrasi dengan platform ecommerce Anda penting. Rekomendasi perlu muncul pada saat yang tepat dalam pengalaman belanja, idealnya pada halaman detail produk dekat pemilih ukuran. Rekomendasi yang tertimbun di checkout sudah terlambat. Sebagian besar alat fit AI menawarkan plugin Shopify, WooCommerce, dan Magento yang menangani integrasi frontend.

Memulai dengan kategori produk dengan tingkat pengembalian tertinggi memberi Anda ROI tercepat. Apabila celana memiliki tingkat pengembalian 45% dan aksesori memiliki tingkat pengembalian 5%, fokuskan peluncuran prediksi kesesuaian pada celana terlebih dahulu. Anda selalu dapat memperluas ke kategori lain setelah sistem terbukti memberi nilai. Untuk informasi lebih lanjut tentang alat AI untuk ecommerce, kunjungi halaman industri ecommerce dan ritel kami.