Size & Fit Prediction:
Die richtige Größe beim ersten Mal
Wie ein Collaborative-Filtering-Modell aus Kaufhistorie und Retouren-Mustern die Passform-Retourenquote bei Jeans von 38% auf 31% senkt - mit einem Widget im Checkout.
Dieses Modul ist Teil einer sechsteiligen Modellrechnung über ein fiktives mittelständisches Fashion-Unternehmen (1.800 SKUs, 18 Märkte). Alle Zahlen, Datensätze, Modellmetriken und Euro-Beträge sind vollständig fiktiv - sie veranschaulichen die Methodik und die Art des erzielbaren Effekts. Es sind keine Ergebnisse realer Kunden und kein Leistungsversprechen. Welche Werte auf Ihren realen Daten erreichbar sind, zeigt erst ein Pilotprojekt.
01 Das Problem - „Passt nicht" ist der #1 Retourengrund
Warum 34% aller Jeans-Retouren auf falsche Größenwahl zurückgehen
Jeans sind das retourenintensivste Kleidungsstück: Die Retourenquote liegt bei 38%, davon gehen 34% auf „Passt nicht" zurück. Das Problem ist nicht die Qualität - sondern die Unsicherheit beim Kauf. Eine „32/32" von Marke A sitzt völlig anders als von Marke B. Und innerhalb desselben Labels variieren Slim Fit, Straight und Wide Leg um bis zu 2 Konfektionsgrößen.
02 Modell - Collaborative Filtering + Body-Shape Matching
Die Modellrechnung nimmt an: Für 68% der Passform-Retouren hätte eine korrekte Größenempfehlung gereicht. Das ist keine KI-Magie - es ist die systematische Auswertung von Daten, die bereits existieren: Welcher Kunde hat welche Größe bei welchem Schnitt behalten oder zurückgeschickt. Die Einsparung von €1,61M (61.824 vermiedene Retouren × €26) erfordert keine Hardware-Investition - nur einen Algorithmus im Checkout. Publizierte Vendor-Fälle erreichen bis -20% Gesamtquote (Fit Analytics/Mammut) - unsere -18% relativ liegen darunter; die 38%-Baseline ist eine Annahme (publiziert: deutscher Markt gesamt ~50%). Für Neukunden ohne Kaufhistorie arbeitet das Modell mit Kategorie-Durchschnittswerten - die volle Empfehlungsqualität entfaltet sich ab dem zweiten Kauf.
03 Nächste Schritte für Ihre Marke
Export Ihrer Retouren-Daten mit Größeninformationen. Kalibrierung des Größenlaufs pro SKU.
Size-Recommender als Widget auf der Produktseite: „Auf Grundlage Ihrer bisherigen Käufe empfehlen wir Größe 31/32".
Automatische Erkennung fehlkalibrierter Größentabellen. Report an Produkt-Team: „SKU X fällt 1,2 Größen zu groß aus."