Bagaimana AI Mengurangi Tingkat Pengembalian Ecommerce dengan Meningkatkan Rekomendasi Ukuran

Sebuah brand pakaian online dengan pendapatan tahunan sekitar $22 juta memproses pengembalian pada 28% pesanan. Ketika mereka menganalisis alasan pengembalian, 42% menyebutkan masalah ukuran atau kecocokan. Itu berarti sekitar 12% dari seluruh pesanan dikembalikan secara khusus karena pelanggan memilih ukuran yang salah. Dengan biaya pemrosesan rata-rata $12 per pengembalian (label pengiriman, inspeksi, restocking, layanan pelanggan), pengembalian terkait ukuran menghabiskan biaya sekitar $2,6 juta per tahun, belum termasuk pendapatan yang hilang dari pelanggan yang tidak repot mengembalikan dan tidak pernah kembali lagi.

Setelah mengimplementasikan alat rekomendasi ukuran berbasis AI, tingkat pengembalian terkait ukuran turun dari 12% menjadi 7,8% dari pesanan dalam enam bulan, menghemat sekitar $1,1 juta per tahun. Peningkatan ini berasal dari rekomendasi ukuran awal yang lebih baik dan proses pembelajaran bertahap di mana model menyempurnakan prediksinya berdasarkan hasil disimpan-vs-dikembalikan.

Mengapa Tabel Ukuran Tidak Efektif

Tabel ukuran standar memetakan pengukuran tubuh (dada, pinggang, pinggul, inseam) ke ukuran (S, M, L, XL atau ukuran numerik). Masalahnya adalah pengukuran ini tidak dapat diandalkan. Sebagian besar pelanggan tidak mengetahui ukuran tubuh mereka yang sebenarnya, dan bahkan di antara mereka yang tahu, teknik pengukuran sangat bervariasi. Pelanggan yang mengukur pinggang di titik tersempit akan mendapatkan angka yang berbeda dari yang mengukur di pusar.

Di luar inkonsistensi pengukuran, ukuran bervariasi secara dramatis antar brand dan bahkan antar produk dalam brand yang sama. Ukuran M dari Brand A mungkin terasa seperti ukuran L dari Brand B. Kemeja slim-fit ukuran L memiliki kecocokan yang berbeda dari kemeja relaxed-fit dalam ukuran yang sama dari brand yang sama. Tabel ukuran statis tidak dapat menangkap kompleksitas ini karena memperlakukan ukuran sebagai pemetaan sederhana dari pengukuran ke label.

Preferensi kecocokan pelanggan menambahkan lapisan lain. Beberapa orang lebih suka kecocokan longgar dan cenderung memilih ukuran lebih besar. Yang lain lebih suka tampilan ketat dan memilih ukuran lebih kecil. Dua pelanggan dengan pengukuran tubuh identik akan memilih ukuran berbeda berdasarkan preferensi pribadi, dan tidak ada pilihan yang salah. Sistem rekomendasi yang berguna perlu memperhitungkan preferensi selain dimensi tubuh.

Bagaimana Rekomendasi Ukuran AI Bekerja

Alat ukuran AI modern menggunakan kombinasi input untuk memprediksi ukuran terbaik untuk kombinasi pelanggan-produk tertentu. Pendekatan utamanya meliputi analisis riwayat pembelian dan pengembalian (sinyal paling kuat untuk pelanggan yang kembali), konstruksi profil tubuh (melalui kuis, analisis foto, atau preferensi yang dinyatakan), pembelajaran preferensi kecocokan (apakah pelanggan ini cenderung lebih suka gaya longgar atau ketat), dan data kecocokan spesifik produk (bagaimana pakaian tertentu ini cocok dibandingkan dengan spesifikasi tabel ukuran).

Untuk pelanggan yang kembali, riwayat pembelian memberikan sinyal terkuat. Jika pelanggan membeli ukuran M di tiga kemeja berbeda dari brand Anda dan menyimpan ketiganya, model memiliki keyakinan tinggi bahwa ukuran M cocok untuk mereka dalam gaya serupa. Jika mereka membeli ukuran M untuk celana panjang dan mengembalikannya untuk ukuran L, model belajar bahwa mereka membutuhkan ukuran lebih besar khusus untuk celana panjang Anda. Setelah beberapa pembelian, model membangun profil kecocokan terperinci untuk pelanggan tersebut di seluruh kategori produk.

Untuk pelanggan baru, sistem dimulai dengan kuis kecocokan yang menanyakan pertanyaan dasar: tinggi badan, berat badan, preferensi bentuk tubuh, dan ukuran tipikal di brand referensi. Kuis ini memberikan estimasi awal yang disempurnakan model dari waktu ke waktu. Beberapa alat (seperti True Fit, Fit Analytics, atau 3DLOOK) juga dapat menggunakan foto smartphone untuk memperkirakan pengukuran tubuh, meskipun akurasi pengukuran berbasis foto bergantung pada kualitas foto dan pengguna mengikuti instruksi dengan benar.

Sisi produk dari persamaan ini sama pentingnya. Model perlu memahami bagaimana setiap produk cocok relatif terhadap ukuran yang tertera. Ini berasal dari dua sumber: data spesifikasi pakaian (pengukuran aktual pakaian di setiap ukuran, disediakan oleh brand atau diukur di gudang) dan data pengembalian (jika suatu produk memiliki jumlah pengembalian yang tidak proporsional dengan alasan "terlalu kecil," produk tersebut kemungkinan berukuran kecil terlepas dari apa yang dikatakan tabel ukuran).

Feedback Loop Sinyal Pengembalian

Aspek paling kuat dari ukuran AI adalah feedback loop dari data pengembalian. Setiap pengembalian dengan alasan terkait ukuran memberikan sinyal pelatihan. Jika 30% pelanggan yang membeli ukuran M pada jaket tertentu mengembalikannya dengan alasan "terlalu ketat di bahu," model belajar bahwa jaket ini sempit di bahu dan mulai merekomendasikan ukuran L untuk pelanggan dengan pengukuran bahu yang lebih lebar.

Feedback loop ini berarti model menjadi lebih cerdas dari waktu ke waktu tanpa intervensi manual. Ketika produk baru diluncurkan, rekomendasi awal didasarkan pada tabel ukuran dan produk serupa. Saat pesanan dan pengembalian masuk, model mengkalibrasi rekomendasinya untuk produk spesifik tersebut. Dalam 200-300 pesanan (biasanya 2-4 minggu untuk item populer), model memiliki cukup data untuk meningkatkan akurasinya secara signifikan.

Beberapa retailer mempercepat pembelajaran ini dengan meminta staf gudang mengukur sampel pakaian saat tiba dan membandingkan pengukuran aktual dengan tabel ukuran. Jika tabel ukuran mengatakan pengukuran dada untuk ukuran L adalah 42 inci tetapi pakaian sebenarnya berukuran 40,5 inci, perbedaan tersebut langsung masuk ke model sebelum satu pelanggan pun menerima produk.

Kecerdasan Ukuran Lintas Brand

Untuk retailer multi-brand, model AI dapat mentransfer pengetahuan antar brand. Jika pelanggan secara konsisten membeli dan menyimpan ukuran L di brand dengan profil kecocokan serupa, model dapat memprediksi ukuran mereka di brand baru yang belum pernah mereka coba dengan membandingkan karakteristik kecocokan brand baru tersebut dengan brand yang telah berhasil dikenakan pelanggan.

Kecerdasan lintas brand ini sangat berharga untuk platform seperti situs web department store atau marketplace fashion yang menjual puluhan atau ratusan brand. Pelanggan yang berbelanja jeans mungkin berukuran 32 di Levi's, ukuran 33 di Wrangler, dan ukuran 31 di brand Eropa. Model AI memetakan perbedaan ini dan memberikan rekomendasi spesifik brand tanpa pelanggan perlu mencari tabel ukuran terpisah.

Menampilkan Rekomendasi Secara Efektif

Cara Anda menyajikan rekomendasi ukuran sama pentingnya dengan akurasinya. Pendekatan paling efektif menampilkan ukuran yang direkomendasikan secara menonjol di halaman produk ("Berdasarkan profil Anda, kami merekomendasikan Ukuran L untuk gaya ini"), menyertakan indikator keyakinan ("95% pelanggan dengan profil Anda menyimpan Ukuran L"), menjelaskan alasannya ("Jaket ini sedikit slim di bagian dada. Kami merekomendasikan ukuran lebih besar jika Anda lebih suka kecocokan longgar"), dan menyediakan akses mudah ke tabel ukuran lengkap bagi pelanggan yang ingin memverifikasi.

Social proof sangat efektif. Menunjukkan bahwa 87% pelanggan yang cocok dengan profil pelanggan saat ini memilih ukuran M dan 91% dari pelanggan tersebut menyimpannya memberikan jaminan yang kuat. Beberapa retailer juga menampilkan umpan balik kecocokan dari pembeli sebelumnya ("Sebagian besar pelanggan mengatakan ini sesuai ukuran" atau "Pelanggan mengatakan ini sekitar satu ukuran lebih kecil").

Kuncinya adalah mengurangi kecemasan terkait ukuran tanpa membanjiri pelanggan dengan informasi. Pelanggan yang yakin dengan pilihan ukurannya lebih mungkin menyelesaikan pembelian dan lebih kecil kemungkinannya untuk melakukan bracketing (memesan beberapa ukuran dengan niat mengembalikan yang tidak cocok).

Untuk retailer ecommerce yang menjual pakaian, alas kaki, atau kategori apa pun di mana kecocokan penting, rekomendasi ukuran berbasis AI mengatasi salah satu masalah paling mahal dalam ritel online. Perhitungannya meyakinkan: setiap penurunan satu persen dalam pengembalian terkait ukuran secara langsung mengurangi biaya pemrosesan, meningkatkan ketersediaan inventaris, dan meningkatkan kepuasan pelanggan. Brand yang telah berhasil melakukan ini melaporkan bahwa peningkatan akurasi ukuran juga berkorelasi dengan tingkat pembelian ulang yang lebih tinggi, karena pelanggan yang mendapatkan ukuran yang tepat pada percobaan pertama mengembangkan lebih banyak kepercayaan pada brand dan kembali lebih cepat.