Predykcja rozmiaru i pasowania:
Właściwy rozmiar za pierwszym razem
Jak model Collaborative Filtering, korzystając z historii zakupów i wzorców zwrotów, obniża wskaźnik zwrotów z powodu pasowania jeansów z 38% do 31%, przy czym wystarcza do tego widget w kasie.
Ten moduł jest częścią sześcioczęściowego wyliczenia modelowego o fikcyjnej, średniej wielkości firmie modowej (1 800 SKU, 18 rynków). Wszystkie liczby, zbiory danych, metryki modeli i kwoty w euro są całkowicie fikcyjne: ilustrują metodykę i rodzaj osiągalnego efektu. Nie są to wyniki realnych klientów ani obietnica rezultatów. To, jakie wartości są osiągalne na Państwa realnych danych, pokazuje dopiero projekt pilotażowy.
01 Problem: „nie pasuje” to powód nr 1 zwrotów
Dlaczego 34% wszystkich zwrotów jeansów wynika z błędnego doboru rozmiaru
Jeansy to odzież z największym wskaźnikiem zwrotów: wskaźnik wynosi 38%, z czego 34% to „nie pasuje”. Problem nie leży w jakości, lecz w niepewności przy zakupie. „32/32” marki A leży zupełnie inaczej niż marki B. A w obrębie tej samej marki slim fit, straight i wide leg mogą różnić się nawet o 2 rozmiary.
02 Model: collaborative filtering + dopasowanie sylwetki
Wyliczenie modelowe zakłada: dla 68% zwrotów z powodu dopasowania wystarczyłaby prawidłowa rekomendacja rozmiaru. To nie magia AI, lecz systematyczne wykorzystanie danych, które już istnieją: który klient zatrzymał jaki rozmiar przy jakim kroju, a który zwrócił. Oszczędność 1,61 mln € (61 824 unikniętych zwrotów × 26 €) nie wymaga inwestycji w sprzęt, a jedynie algorytmu w koszyku. Opublikowane przypadki vendorów osiągają do -20% łącznego wskaźnika zwrotów (Fit Analytics/Mammut), a nasze -18% względnie leży poniżej; baseline 38% to założenie (opublikowane: cały rynek niemiecki ~50%). Dla nowych klientów bez historii zakupów model korzysta ze średnich kategorii, a pełną jakość rekomendacji osiąga dopiero od drugiego zakupu.
03 Kolejne kroki dla Państwa marki
Eksport Państwa danych zwrotów z informacjami o rozmiarach. Kalibracja tabeli rozmiarów dla każdego SKU.
Rekomendator rozmiarów jako widget na stronie produktu: „Na podstawie Państwa dotychczasowych zakupów rekomendujemy rozmiar 31/32”.
Automatyczne wykrywanie błędnie skalibrowanych tabel rozmiarów. Raport dla zespołu produktowego: „SKU X jest o 1,2 rozmiaru za duże.”