AI가 사이즈 추천을 개선해 이커머스 반품률을 낮추는 방법

연간 매출 약 2,200만 달러 규모의 온라인 의류 브랜드가 주문의 28%에 대해 반품을 처리하고 있었습니다. 반품 사유를 분석했을 때, 42%가 사이즈 또는 핏 문제를 언급했습니다. 이는 전체 주문의 약 12%가 고객이 잘못된 사이즈를 선택했기 때문에 반품되었다는 것을 의미합니다. 반품 건당 평균 처리 비용이 12달러(배송 라벨, 검수, 재입고, 고객 서비스)인 점을 감안하면, 사이즈 관련 반품으로 인해 연간 약 260만 달러의 비용이 발생하고 있었으며, 이는 반품하지 않고 그냥 다시는 돌아오지 않는 고객으로 인한 매출 손실은 포함하지 않은 수치입니다.

AI 기반 사이즈 추천 도구를 도입한 후, 사이즈 관련 반품률은 6개월 이내에 주문의 12%에서 7.8%로 감소하여 연간 약 110만 달러를 절감했습니다. 이러한 개선은 더 나은 초기 사이즈 추천과 모델이 보유-반품 결과를 기반으로 예측을 정교화하는 점진적인 학습 과정에서 비롯되었습니다.

사이즈 차트가 효과가 없는 이유

표준 사이즈 차트는 신체 치수(가슴, 허리, 엉덩이, 안쪽 다리 길이)를 사이즈(S, M, L, XL 또는 숫자 사이즈)에 매핑합니다. 문제는 이러한 치수가 신뢰할 수 없다는 것입니다. 대부분의 고객은 자신의 실제 신체 치수를 모르며, 알고 있는 사람들 사이에서도 측정 방법이 크게 다릅니다. 허리의 가장 좁은 부분에서 측정하는 고객은 배꼽 위치에서 측정하는 고객과 다른 수치를 얻게 됩니다.

측정의 불일치를 넘어서, 사이즈는 브랜드 간에, 심지어 같은 브랜드 내 제품 간에도 극적으로 다릅니다. 브랜드 A의 M 사이즈가 브랜드 B의 L 사이즈처럼 맞을 수 있습니다. L 사이즈의 슬림핏 셔츠는 같은 브랜드의 같은 사이즈 릴랙스핏 셔츠와 다르게 맞습니다. 정적 사이즈 차트는 사이즈를 치수에서 라벨로의 단순한 매핑으로 취급하기 때문에 이러한 복잡성을 포착할 수 없습니다.

고객의 핏 선호도는 또 다른 층을 추가합니다. 어떤 사람들은 여유 있는 핏을 선호하여 사이즈를 올리는 경향이 있습니다. 다른 사람들은 몸에 맞는 룩을 선호하여 사이즈를 내립니다. 동일한 신체 치수를 가진 두 고객이 개인 선호도에 따라 다른 사이즈를 선택할 것이며, 어느 쪽 선택도 틀리지 않습니다. 유용한 추천 시스템은 신체 치수 외에도 선호도를 고려해야 합니다.

AI 사이즈 추천의 작동 방식

최신 AI 사이즈 도구는 특정 고객-제품 조합에 대해 최적의 사이즈를 예측하기 위해 다양한 입력의 조합을 사용합니다. 주요 접근 방식에는 구매 및 반품 이력 분석(재방문 고객에게 가장 강력한 신호), 신체 프로필 구축(퀴즈, 사진 분석 또는 명시된 선호도를 통해), 핏 선호도 학습(이 고객이 여유 있는 스타일을 선호하는지 몸에 맞는 스타일을 선호하는지), 제품별 핏 데이터(이 특정 의류가 사이즈 차트 사양과 비교하여 어떻게 맞는지)가 포함됩니다.

재방문 고객의 경우, 구매 이력이 가장 강력한 신호를 제공합니다. 고객이 귀사 브랜드의 세 가지 다른 셔츠에서 M 사이즈를 구매하고 세 개 모두 보유했다면, 모델은 유사한 스타일에서 M 사이즈가 그들에게 맞는다는 높은 확신을 갖습니다. 바지에서 M 사이즈를 구매했다가 L 사이즈로 교환 반품했다면, 모델은 귀사의 바지에서 특별히 더 큰 사이즈가 필요하다는 것을 학습합니다. 여러 번의 구매를 통해 모델은 제품 카테고리 전반에 걸쳐 해당 고객에 대한 상세한 핏 프로필을 구축합니다.

신규 고객의 경우, 시스템은 기본적인 질문을 하는 핏 퀴즈로 시작합니다: 키, 체중, 체형 선호도, 참조 브랜드에서의 일반적인 사이즈. 이 퀴즈는 모델이 시간이 지남에 따라 정교화하는 초기 추정치를 제공합니다. 일부 도구(True Fit, Fit Analytics 또는 3DLOOK 등)는 스마트폰 사진을 사용하여 신체 치수를 추정할 수도 있지만, 사진 기반 측정의 정확도는 사진 품질과 사용자가 지침을 올바르게 따르는지에 따라 달라집니다.

방정식의 제품 측면도 마찬가지로 중요합니다. 모델은 각 제품이 표시된 사이즈 대비 어떻게 맞는지 이해해야 합니다. 이는 두 가지 출처에서 나옵니다: 의류 사양 데이터(브랜드가 제공하거나 창고에서 측정한 각 사이즈별 의류의 실제 치수)와 반품 데이터(특정 제품에서 "너무 작음"을 이유로 한 반품이 불균형적으로 많다면, 사이즈 차트가 무엇이라고 하든 해당 제품은 작게 나올 가능성이 높습니다).

반품 신호 피드백 루프

AI 사이즈 추천의 가장 강력한 측면은 반품 데이터로부터의 피드백 루프입니다. 사이즈 관련 사유가 있는 모든 반품은 학습 신호를 제공합니다. 특정 재킷에서 M 사이즈를 구매한 고객의 30%가 "어깨가 너무 타이트함"을 이유로 반품했다면, 모델은 이 재킷이 어깨 부분이 좁게 나온다는 것을 학습하고 어깨가 넓은 고객에게 L 사이즈를 추천하기 시작합니다.

이 피드백 루프는 수동 개입 없이 모델이 시간이 지남에 따라 더 똑똑해진다는 것을 의미합니다. 새로운 제품이 출시되면, 초기 추천은 사이즈 차트와 유사 제품을 기반으로 합니다. 주문과 반품이 들어오면, 모델은 해당 특정 제품에 대한 추천을 보정합니다. 200-300건의 주문(인기 상품의 경우 일반적으로 2-4주) 이내에 모델은 정확도를 크게 향상시킬 수 있는 충분한 데이터를 확보합니다.

일부 리테일러는 창고 직원이 의류가 도착할 때 샘플을 측정하고 실제 치수를 사이즈 차트와 비교하도록 하여 이 학습을 가속화합니다. 사이즈 차트에서 L 사이즈의 가슴 치수가 42인치라고 하지만 실제 의류가 40.5인치로 측정된다면, 그 차이는 단 한 명의 고객이 제품을 받기 전에 모델에 직접 반영됩니다.

크로스 브랜드 사이즈 인텔리전스

멀티 브랜드 리테일러의 경우, AI 모델은 브랜드 간에 지식을 전이할 수 있습니다. 고객이 유사한 핏 프로필을 가진 브랜드에서 일관되게 L 사이즈를 구매하고 보유한다면, 모델은 새 브랜드의 핏 특성을 고객이 성공적으로 착용한 브랜드와 비교하여 한 번도 시도해 본 적 없는 새 브랜드에서의 사이즈를 예측할 수 있습니다.

이 크로스 브랜드 인텔리전스는 수십 또는 수백 개의 브랜드를 취급하는 백화점 웹사이트나 패션 마켓플레이스와 같은 플랫폼에 특히 가치가 있습니다. 청바지를 쇼핑하는 고객이 Levi's에서는 32 사이즈, Wrangler에서는 33 사이즈, 유럽 브랜드에서는 31 사이즈일 수 있습니다. AI 모델은 이러한 차이를 매핑하고 고객이 별도의 사이즈 차트를 찾아볼 필요 없이 브랜드별 추천을 제공합니다.

추천을 효과적으로 표시하기

사이즈 추천을 어떻게 제시하느냐는 정확도만큼이나 중요합니다. 가장 효과적인 접근 방식은 제품 페이지에 추천 사이즈를 눈에 띄게 표시하고("고객님의 프로필을 기반으로 이 스타일에서 L 사이즈를 추천합니다"), 신뢰도 지표를 포함하며("고객님과 같은 프로필의 고객 95%가 L 사이즈를 보유했습니다"), 이유를 설명하고("이 재킷은 가슴 부분이 약간 슬림하게 나옵니다. 여유 있는 핏을 선호하시면 사이즈를 올리는 것을 추천합니다"), 확인하고 싶은 고객을 위해 전체 사이즈 차트에 쉽게 접근할 수 있도록 합니다.

소셜 프루프는 특히 효과적입니다. 현재 고객의 프로필과 일치하는 고객의 87%가 M 사이즈를 선택했고 그 중 91%가 보유했다는 것을 보여주면 강력한 안심감을 제공합니다. 일부 리테일러는 이전 구매자의 핏 피드백도 표시합니다("대부분의 고객이 정사이즈라고 합니다" 또는 "고객들이 약 한 사이즈 작게 나온다고 합니다").

핵심은 고객에게 정보를 과도하게 제공하지 않으면서 사이즈 관련 불안감을 줄이는 것입니다. 자신의 사이즈 선택에 확신을 가진 고객은 구매를 완료할 가능성이 더 높고 브라켓팅(맞지 않는 것을 반품할 의도로 여러 사이즈를 주문하는 것)을 할 가능성이 더 낮습니다.

의류, 신발 또는 핏이 중요한 모든 카테고리를 판매하는 이커머스 리테일러에게 AI 기반 사이즈 추천은 온라인 리테일에서 가장 비용이 많이 드는 문제 중 하나를 해결합니다. 수학은 설득력이 있습니다: 사이즈 관련 반품의 각 퍼센트 포인트 감소는 처리 비용을 직접적으로 줄이고, 재고 가용성을 개선하며, 고객 만족도를 높입니다. 이를 제대로 구현한 브랜드들은 향상된 사이즈 정확도가 더 높은 재구매율과도 상관관계가 있다고 보고합니다. 처음부터 올바른 사이즈를 받은 고객은 브랜드에 대한 신뢰를 더 많이 쌓고 더 빨리 다시 방문하기 때문입니다.