AI-experts in maatvoering en pasvorm in gesprek voor FashionUnited

AI-agenten transformeren nu al de manier waarop consumenten kleding ontdekken, beoordelen en kopen. Hoe kunnen merken en retailers de hype doorbreken en zich richten op wat nu echt belangrijk is voor hun bedrijf? Het antwoord begint bij een vaak over het hoofd gezien aspect in het AI-debat: maatvoering en pasvorm.

Alvanon is wereldwijd het toonaangevende technologiebedrijf op het gebied van maatvoering. In dit bewerkte gesprek voor FashionUnited geven Don Howard, directeur van Alvanons wereldwijde adviespraktijk, en Eric Lee, directeur voor Noord- en Zuid-Amerika, drie praktische tips om bedrijven te helpen succesvol te zijn in het AI-tijdperk.

Eric: Laten we beginnen met een definitie van AI…

Don: Voor een consument betekent AI een overgang van traditionele zoekmachines zoals Google, waar we parameters invoeren en een lijst met resultaten krijgen om te filteren. We gaan naar AI-agenten die zoeken, filteren en de beste match aanbevelen op basis van onze prompts.

Voor algemene, vormvaste producten is AI ongelooflijk effectief. Wij werken echter in de kledingindustrie met zachte materialen die unieke uitdagingen met zich meebrengen. De belangrijkste daarvan zijn maatvoering en pasvorm. We kunnen kledingstukken tot op zekere hoogte ontwerpen, maar elk kledingstuk gedraagt zich anders.

Eric: Een voorbeeld: ik vroeg AI om drie opties voor overhemden tussen de 70 en 100 dollar. Binnen enkele seconden gaf het me drie opties van merken waar ik nog nooit iets van had gekocht. Ze zagen er allemaal perfect uit. Dus vroeg ik om een virtuele passessie. De AI simuleerde alle drie de overhemden op mijn lichaam met behulp van openbaar beschikbare informatie. Ik koos er een en vroeg om een maataanbeveling. Na een paar vragen stelde het een medium/slim voor, die ik kocht. Toen het aankwam, was de realiteit heel anders dan de virtuele paservaring!

Eric: Dit illustreert de kloof tussen de aanbeveling van een AI-agent en de ervaring van de consument. AI kan uitstekend nieuwe klanten naar een merk leiden, maar het kan ook een flinke toename in retouren veroorzaken en het consumentenvertrouwen ondermijnen. Dit is een kostbare discrepantie. De waarheid is dat AI-shoppingtools de acquisitie van nieuwe klanten een boost kunnen geven, maar mogelijk ten koste van de klantwaarde op lange termijn. Wat een verspilling.

Als ik een e-commercebedrijf met een omzet van 100 miljoen dollar zou zijn en mijn retouren met één procent kan verminderen, levert dat 1 miljoen dollar op! Maar een stijging van de retouren met vijf procent zou een enorme impact hebben op mijn bedrijfsresultaat...

Don: De pasvorm van kleding is nog steeds de belangrijkste reden waarom consumenten kledingstukken retourneren. De vraag is: ‘waardoor wordt een kledingstuk vaker geretourneerd?’ Het noemen van ‘pasvorm’ als reden is te vaag om het probleem op te lossen. We moeten dieper graven dan het woord ‘pasvorm’ om te begrijpen waarom een kledingstuk wordt teruggestuurd. En merken moeten zich afvragen: ‘is onze maatvoering en pasvorm überhaupt correct?’

Eric: Dat brengt ons bij de eerste van onze drie praktische tips: Hoe helpen we AI-agenten onze producten te vinden in plaats van die van onze concurrenten?

Don: Zorg voor de juiste maatvoering. Leg deze consistent vast en communiceer dit duidelijk naar je teams, leveranciers en e-commerceafdeling. Het klinkt eenvoudig, maar te veel merken doen dit verkeerd. Maat en pasvorm zijn niet hetzelfde. Maat is de gedefinieerde, ontwikkelde kernstandaard van een merk en de basis van alle kledingontwerpen. Pasvorm is een conditie die over die maat wordt toegepast. Als de kernmaat van een merk niet gestandaardiseerd en vastgelegd is, leidt dat tot problemen. Merken moeten ook begrijpen hoe lichaamsmaten en -vormen veranderen naarmate de kledingmaat verandert. Wat in productie wordt uitgevoerd en door de consument wordt ervaren, komt te vaak niet overeen met wat online wordt beloofd.

Eric: Absoluut. In mijn vorige e-commercerol werkte ik aan fotoshoots. We hadden dan een kledingrek en wisten soms niet of de beoogde pasvorm slim fit of relaxed was. Het illustreert hoe verschillende teams verschillende prioriteiten hebben. Een technisch ontwerpteam kijkt hier met een andere blik naar dan een e-commerceteam tijdens een fotoshoot, dat gericht is op het optimaliseren van conversiepercentages. Dit sluit aan bij jouw punt over de communicatie van de bedoelde maatvoering en pasvorm. Een maattabel is nuttig, maar het is slechts één stukje van een grotere puzzel. Mensen sturen artikelen terug omdat ‘het niet past zoals verwacht’, wat iets anders is dan ‘ik heb de verkeerde maat gekocht’. Het is een subtiel maar belangrijk verschil. Consistentie in maatvoering is de sleutel tot het oplossen van beide problemen.

Don: De maattabel moet nauwkeurig zijn en overeenkomen met wat een merk daadwerkelijk produceert. AI leest de maattabel en andere openbaar beschikbare informatie, zoals consumentenreviews met nuttige feedback over de pasvorm. Als een merk bijvoorbeeld zijn pasvormmodel voor maat of vorm verandert, kan het kledingstuk er online correct uitzien, maar heel andere eindresultaten opleveren en mogelijk meer retouren veroorzaken.

Eric: Tip nummer twee: Hoe kunnen merken de door e-commerce gegenereerde data analyseren?

Don: Data is superbelangrijk: retourpercentages, redenen voor retour, verkoop per maat en meer. De data werpt een licht op de klantervaring en de reactie op wat het merk heeft geproduceerd. Analyse moet zorgvuldig en snel worden opgevolgd! Bij een piek in retouren omdat kledingstukken ‘te groot’ zijn, kan de lichaamsstandaard een factor zijn, maar dat zou niet de eerste vraag moeten zijn. Vraag liever: ‘is het kledingstuk opzettelijk groot gemaakt en voldeed het niet aan de verwachtingen van de klant?’ Een beperkte focus op één meetwaarde kan leiden tot heel andere beslissingen zonder een diepgaande analyse.

Eric: AI-agenten lezen kledinginformatie zeer snel, dus merken moeten nauwkeurige maattabellen en pasvormomschrijvingen op de productpagina hebben. De kledingstukken moeten consequent aan deze normen en omschrijvingen voldoen, anders raken klanten teleurgesteld. Moeten merken speciale middelen inzetten voor de analyse van dit soort data?

Don: Ja. Bedrijven die dit goed doen, hebben doorgaans iemand die zowel de commerciële kant als de technische bedoeling van de maatvoering en pasvorm van elk kledingstuk begrijpt.

Eric: Tot onze derde en laatste tip: Hoe overbruggen merken de communicatiekloof tussen verschillende teams en afdelingen, zoals e-commerce en productontwikkeling?

Don: Dit is waarschijnlijk de grootste kans. Historisch gezien werkten deze teams in afzonderlijke workflows met verschillende verantwoordelijkheden en tijdlijnen. Vaak is hun enige interactie negatief, zoals een piek in retouren of slechte verkoopcijfers. Een proactievere benadering van data-analyse kan teams helpen kansen te identificeren. Denk aan het verbeteren van de pasvorm tot het ontwikkelen van productextensies zoals tall, petite, plus-size, enzovoort. Het doorbreken van de afdelingsstructuur en een meer collaboratieve en proactieve houding is iets wat de meeste merken beter kunnen doen.

Het goede nieuws is dat we de afgelopen achttien maanden veel meer samenwerkingsgesprekken hebben gevoerd met e-commerceteams en cross-functionele leiders. De industrie erkent dat we verouderde structuren moeten doorbreken.