荷兰人在退回在线购买的商品方面位居欧洲前列。作为时尚网店，你如何尽可能减少损失？方法是在尺码设定上不再依赖平均值，而是使用最新数据和客户自身提供的信息。这样你就能提供真正个性化的推荐。
尺码设定是服装和鞋类零售商及品牌的一个战略重点。担心商品不合身是阻碍消费者在线下单的一大障碍。对于确实进行在线购物的消费者来说，良好的尺码建议是他们再次光顾的原因。Mintel 的研究显示，81% 对合身体验满意的消费者未来很可能再次购买该品牌的产品。
除了转化率和客户留存率外，成本因素也凸显了良好尺码建议的重要性。荷兰的退货率为 9%，高于其他欧洲国家和美国。包裹服务公司 DPD 最近的调查显示，所有退回的包裹中有一半包含服装。这带来了显著的成本：通常情况下，客户无需为退货支付费用，因此会产生物流成本。此外，服装已拆封，需要检查是否仍可销售。
版型存在巨大差异
从消费者的角度来看，订购更多衣物是合乎逻辑的：尽管有尺码体系，但版型仍存在巨大差异。这可能因品牌而异，也可能因系列和风格而异。然而，零售商在确定尺码时仍坚持使用平均数据。但现实是，这样做会让你的客户感到失望，并导致转化率流失。
上世纪四十年代，诺玛（Norma）雕像揭幕，这是一位拥有理想身材的女性形象，基于对超过一万五千名女性的测量数据得出。随后举办了一场比赛：最像诺玛的女性将获胜。在 3,864 名参赛者中，如果参照诺玛的九项身体特征中的五项，不到四十人接近标准。获胜者的身材与诺玛并不完全相同。换句话说，如果你的网店基于平均值做出推荐，那么你谈论的是一个虚构的概念。
根据我们对女士牛仔裤的自有研究，即使在同一尺码和版型（低腰、中腰或高腰）下，腰围的差异也可能超过 10 厘米。网站上的尺码表以及其他人的经验（“偏小，请选大一码”）可以帮助客户选择合适的尺码。
众包尺码推荐的应用也日益广泛：基于其他客户的数据以及部分个人信息的输入，系统会给出特定尺码合身可能性的建议。然而，如果52%的概率对应M码，48%的概率对应S码，这还能算作良好的推荐吗？这种情况更可能导致“尺码抽样”，因为系统提供的不是个性化的单一推荐，而是两个尺码选项。
美国女性的平均身高为1.63米，体重为77公斤。平均而言，这对应于31码的牛仔裤。但在实际中，具有相同身高和体重的女性，其裤装尺码可能在29到33英寸之间变化。也就是说：可能有五种尺码都合适。
平均值不能提供好的建议
因此，这里同样适用：平均值并不是向客户提供个性化尺码建议的好方法。你实际上希望提供像实体店那样的个性化尺码建议。这可以通过机器学习来实现。为此，我们建立了一个庞大的数据库，包含了超过一万一千个品牌的服装和鞋履的合身度和风格数据。这些数据与来自两百多家零售商的销售订单数据以及消费者的个人偏好数据相结合。迄今为止，已有超过六千万名购物者创建了这样的用户档案。
消费者可以构建个人档案，并为此回答一些关于自身、体型以及穿衣偏好的问题。基于这些信息，即可提供个性化的推荐。在后台系统会对消费者订购的服装及其喜好进行分析。这些数据既以集体形式也以个体形式被收集，并与服装的技术特征进行关联分析。
通过机器学习，消费者的画像变得越来越精准。消费者每次进行新购买或退货时，数据都会更新。这些信息还可用于预测基于其历史行为和偏好，哪种尺寸的产品最能吸引该消费者，从而提供个性化的体验。
结果如何？凭借这些平均数据，你可以取得以下成果：退货率平均下降35%，由于消费者购买了更多的服装和鞋类，销售额实现了5%至20%的增长。在时尚品牌Kate Spade，转化率翻了一番；在Asics，留存率提高了20%，并且“尺码试穿”（因不确定是否合身而订购多个尺码）减少了30%至50%。
想了解更多？在白皮书《平均数的缺陷》中，我们将深入探讨时尚零售商如何在客户偏好与产品之间找到正确平衡，从而实现真正的个性化。下载免费，可在此处进行。 我们将深入探讨时尚零售商如何找到客户偏好与产品之间的最佳平衡，从而实现真正的个性化。下载免费，且 可以在此.