FirmAdapt

AIがサイズ推奨を改善することでEコマースの返品率を下げる方法

サイジング不一致による返品はアパレル返品の40%を占めます。AIサイズ推奨はこの主要因を直接攻め、返品率を3〜7ポイント削減します。

年間売上約2,200万ドルのオンラインアパレルブランドが、注文の28%で返品処理を行っていました。返品理由を分析したところ、42%がサイズやフィット感の問題を挙げていました。つまり、全注文の約12%が、顧客が間違ったサイズを選んだことが原因で返品されていたのです。返品1件あたりの平均処理コストが12ドル(配送ラベル、検品、再入庫、カスタマーサービス)であることを考えると、サイズ関連の返品だけで年間約260万ドルのコストが発生していました。返品せずにそのまま二度と戻ってこなかった顧客による売上損失は含まれていません。

AI搭載のサイズ推奨ツールを導入した後、サイズ関連の返品率は6ヶ月以内に注文の12%から7.8%に低下し、年間約110万ドルの節約を実現しました。この改善は、より正確な初回サイズ推奨と、保持か返品かの結果に基づいてモデルが予測を精緻化する段階的な学習プロセスによるものでした。

サイズチャートが機能しない理由

標準的なサイズチャートは、身体の寸法(胸囲、ウエスト、ヒップ、股下)をサイズ(S、M、L、XLまたは数値サイズ)にマッピングします。問題は、これらの寸法が信頼できないことです。ほとんどの顧客は自分の実際の身体寸法を知らず、知っている人の間でも測定方法は大きく異なります。ウエストの最も細い部分で測る顧客と、おへその位置で測る顧客では、異なる数値が出ます。

測定の不一致に加えて、サイズはブランド間で、さらには同じブランド内の製品間でも大きく異なります。ブランドAのMサイズは、ブランドBのLサイズのようにフィットするかもしれません。Lサイズのスリムフィットシャツは、同じブランドの同じサイズのリラックスフィットシャツとは異なるフィット感です。静的なサイズチャートでは、サイズを寸法からラベルへの単純なマッピングとして扱うため、この複雑さを捉えることができません。

顧客のフィット感の好みがさらに別の要素を加えます。ゆったりしたフィットを好んでサイズアップする人もいれば、フィットした見た目を好んでサイズダウンする人もいます。同じ身体寸法の2人の顧客が、個人的な好みに基づいて異なるサイズを選び、どちらの選択も間違いではありません。有用な推奨システムは、身体の寸法に加えて好みも考慮する必要があります。

AIサイズ推奨の仕組み

最新のAIサイジングツールは、特定の顧客と製品の組み合わせに最適なサイズを予測するために、複数の入力を組み合わせて使用します。主なアプローチには、購入・返品履歴分析(リピーター顧客にとって最も強力なシグナル)、ボディプロファイル構築(クイズ、写真分析、または申告された好みを通じて)、フィット感の好みの学習(この顧客はゆったりしたスタイルとフィットしたスタイルのどちらを好む傾向があるか)、製品固有のフィットデータ(この特定の衣服がサイズチャートの仕様と比較してどのようにフィットするか)が含まれます。

リピーター顧客の場合、購入履歴が最も強力なシグナルを提供します。顧客がブランドの3種類のシャツでMサイズを購入し、3着すべてを保持した場合、モデルは類似のスタイルでMサイズがその顧客に合うという高い確信を持ちます。パンツでMサイズを購入してLサイズに交換するために返品した場合、モデルはその顧客がそのブランドのパンツでは特にワンサイズ大きいものが必要であることを学習します。複数回の購入を通じて、モデルは製品カテゴリ全体にわたるその顧客の詳細なフィットプロファイルを構築します。

新規顧客の場合、システムは基本的な質問をするフィットクイズから始まります:身長、体重、体型の好み、参考ブランドでの通常サイズなどです。このクイズは、モデルが時間をかけて精緻化する初期推定値を提供します。一部のツール(True Fit、Fit Analytics、3DLOOKなど)は、スマートフォンの写真を使用して身体寸法を推定することもできますが、写真ベースの測定精度は写真の品質とユーザーが指示に正しく従うかどうかに依存します。

方程式の製品側も同様に重要です。モデルは、各製品が表示サイズに対してどのようにフィットするかを理解する必要があります。これは2つのソースから得られます:衣服の仕様データ(各サイズでの衣服の実際の寸法、ブランドが提供するか倉庫で測定されたもの)と返品データ(ある製品で「小さすぎる」と理由を挙げる返品が不釣り合いに多い場合、サイズチャートの記載に関係なく、その製品は小さめに作られている可能性が高い)です。

返品シグナルのフィードバックループ

AIサイジングの最も強力な側面は、返品データからのフィードバックループです。サイズ関連の理由による返品はすべてトレーニングシグナルを提供します。特定のジャケットでMサイズを購入した顧客の30%が「肩がきつすぎる」と理由を挙げて返品した場合、モデルはそのジャケットが肩幅が狭めであることを学習し、肩幅が広い顧客にはLサイズを推奨し始めます。

このフィードバックループにより、モデルは手動介入なしに時間とともに賢くなります。新製品が発売されると、初期の推奨はサイズチャートと類似製品に基づきます。注文と返品が入ってくると、モデルはその特定の製品に対する推奨を調整します。200〜300件の注文(人気商品の場合、通常2〜4週間)以内に、モデルは精度を大幅に向上させるのに十分なデータを持つようになります。

一部の小売業者は、倉庫スタッフが入荷時に衣服のサンプルを測定し、実際の寸法をサイズチャートと比較することで、この学習を加速させています。サイズチャートではLサイズの胸囲が42インチとなっているのに、実際の衣服が40.5インチだった場合、その差異は顧客が製品を受け取る前に直接モデルに反映されます。

ブランド横断のサイジングインテリジェンス

マルチブランド小売業者の場合、AIモデルはブランド間で知識を転用できます。顧客が類似のフィットプロファイルを持つブランドで一貫してLサイズを購入し保持している場合、モデルは新しいブランドのフィット特性を顧客が成功裏に着用したブランドと比較することで、まだ試したことのない新しいブランドでのサイズを予測できます。

このブランド横断インテリジェンスは、数十から数百のブランドを取り扱う百貨店のウェブサイトやファッションマーケットプレイスなどのプラットフォームにとって特に価値があります。ジーンズを探している顧客は、Levi'sでは32サイズ、Wranglerでは33サイズ、ヨーロッパブランドでは31サイズかもしれません。AIモデルはこれらの違いをマッピングし、顧客が個別のサイズチャートを調べる必要なく、ブランド固有の推奨を提供します。

推奨の効果的な表示方法

サイズ推奨の表示方法は、その精度と同じくらい重要です。最も効果的なアプローチは、製品ページに推奨サイズを目立つように表示し(「あなたのプロファイルに基づき、このスタイルではLサイズをお勧めします」)、信頼度指標を含め(「あなたと同じプロファイルの顧客の95%がLサイズを保持しました」)、理由を説明し(「このジャケットは胸囲がやや細めです。リラックスフィットをお好みの場合はサイズアップをお勧めします」)、確認したい顧客のためにフルサイズチャートへの簡単なアクセスを提供します。

ソーシャルプルーフは特に効果的です。現在の顧客のプロファイルに一致する顧客の87%がMサイズを選び、そのうち91%が保持したことを示すと、強い安心感を与えます。一部の小売業者は、以前の購入者からのフィットフィードバックも表示しています(「ほとんどの顧客がこの商品はサイズ通りだと言っています」や「顧客はこの商品が約1サイズ小さめだと言っています」)。

重要なのは、顧客を情報で圧倒することなく、サイズに関する不安を軽減することです。自分のサイズ選択に自信を持つ顧客は、購入を完了する可能性が高く、ブラケッティング(フィットしないものを返品する意図で複数サイズを注文すること)をする可能性が低くなります。

アパレル、フットウェア、またはフィット感が重要なあらゆるカテゴリを販売するEC小売業者にとって、AI搭載のサイズ推奨はオンライン小売における最もコストのかかる問題の一つに対処します。計算は説得力があります:サイズ関連の返品率が1ポイント低下するごとに、処理コストが直接削減され、在庫の可用性が向上し、顧客満足度が高まります。これを正しく実現したブランドは、サイジング精度の向上がリピート購入率の向上とも相関していると報告しています。なぜなら、最初に正しいサイズを手に入れた顧客はブランドへの信頼を深め、より早く再購入するからです。

Ecommerce retailReturns reductionPersonalizationApparel

Enjoyed this? Get the next one by email

Practical writing on AI in business, from the team that builds and runs it.

Free. Unsubscribe any time. Privacy policy

See where AI fits in your business

Enter your website for a free PATH report. First findings in about a minute.