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 22% senkt - mit einem Widget im Checkout.
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
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 €4,8M Einsparung erfordern keine Hardware-Investition - nur einen Algorithmus im Checkout. Für Neukunden ohne Kaufhistorie arbeitet das Modell mit Kategorie-Durchschnittswerten — die volle Empfehlungsqualität entfaltet sich ab dem zweiten Kauf.
03 Nächste Schritte
Export Ihrer Retouren-Daten mit Größeninformationen. Kalibrierung des Größenlaufs pro SKU.
Size-Recommender als Widget auf der Produktseite: „Basierend auf Ihren bisherigen Käufen empfehlen wir Größe 31/32".
Automatische Erkennung fehlkalibrierter Größentabellen. Report an Produkt-Team: „SKU X fällt 1,2 Größen zu groß aus."