|
神译局是 36 氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。 编者按：越来越多的人喜欢网上购买衣服，不过随着网购衣服的流行，其中存在的问题也渐渐凸显，那就是网购的衣服不合身。目前，许多公司开始着手解决这些问题，于是线上试穿由此而生。那么，那些软件是如何改善线上消费者试衣体验，帮助大家更快更准找到适合衣服的呢？本文将为你揭晓。文章译自 Medium，作者 Angela Lashbrook，原标题 Clothes-Fitting Technology Could Save Online Shopping。  我最近买了一条裤子。这应该没什么大不了的，但对大多数女性来说，买裤子绝对是一场噩梦。对我们许多人来说，这也是一件意义重大的人生大事。在这项投资上，通常需要大量的时间、情感和空间的投入。在这种情况下，对测量裤子尺码的不断尝试成为了长时间讨论的主要话题。 不管怎样，我是在 Madewell 品牌的网站上买的这条裤子，这个网站上有一个小测验，你可以通过它来确定你穿这件衣服的尺码。它推荐的尺码比我在另一个品牌 Everlane 穿的尺码小一号，所以我不相信。我穿不进那个尺寸。于是我买了我通常买的尺码，结果东西到我手上的时候——你猜对了——太大了。（注：1. 美国休闲服饰品牌美德威尔 ( Madewell ) 是品牌 J.Crew 旗下的年轻副线，于 2010 年夏季推出线上网店。2. Everlane 创立于 2011 年西海岸，提倡 ' 慢经典 ' 的创作风格，有人戏称它为 ' 美国的无印良品 '。） 像我参加的那个坚持要我买小尺寸的小测验，是解决尺码配对的一个不错方案。退换货可能很烦人、很费钱，甚至也不太环保（运输过程中的排放和制造衣服本来的流程）。尽管对于某些人来说，这个小测试似乎是并不重要的创新，尤其是对于那些不介意裤子宽松的人，但这种测验软件确实算是所有这些问题的合理解决方案，它使网上购物在未来变得更加可行更有选择，还会重塑我们消费的方式。 True Fit 是最大的尺寸匹配软件公司之一，其客户包括 Kate Spade、Lane Bryant 和 Levi 's。该公司的企业营销总监（克里斯汀 · 恩格勒特）Kristine Englert 说，公司的研究发现，根据品牌的不同，特定的尺寸可以是完全不同的大小。 ' 例如，女性牛仔裤的 6 号尺码……根据品牌不同，实际上可能是 2 号到 10 号，' 她说，' 很夸张 , 对吧 ?' 的确如此。有学术研究支持了 True Fit 的调查。其中最深入的一项研究是北德克萨斯大学 2003 年的一项研究，该研究分析了不同品牌的 1011 条女性裤子，发现每种尺码的裤子尺寸都有区别。4 号裤子的腰围平均为 27.97 英寸，但总体腰围范围在 23 英寸到 31.5 英寸之间。这项研究指出 , 各品牌也有不同的分级标准 , 以适应于他们认为的目标客户。例如，一个拥有青少年客户群的品牌可能会在公司进入停滞期时缩小产品尺寸，这让消费者有责任确定哪些品牌适合他们，以及适合多大的尺寸。 2017 年的另一项研究发现了类似的结果。在女装类别中，' 价钱稍高 ' 的品牌（例如 L.L.Bean 和 Abercrombie＆Fitch）的尺寸要比折扣品牌（比如 Forever 21，Old Navy）大，但昂贵的设计师品牌（比如 Burberry，Kate Spade）的尺寸却要小得多。这些差异在男装或童装中均未发现。 我们收集了数十万张 ( 客户的 ) 照片，这仍然是我们技术的基础。 这些微小的差异可能产生巨大的影响。根据退货物流平台 Optoro 的数据，仅在美国，每年的退货量就平均释放出 1500 万吨二氧化碳。 ( 不过，因为这是行业内部的数据，所以值得怀疑。 ) 根据 Optoro 的数据，只有大约 50% 的库存最终回到了 ( 数字 ) 货架上。这意味着每年有 50 亿磅的回收物被扔进美国的垃圾填埋场。另外，送货是件麻烦事，有时对消费者来说也很贵。 你可能会说 :' 亲自去买吧 !' 如果你符合这个标准：身体健全，生活在有购物选择的大中型城市，以及自己是时尚行业认为的 ' 理想 ' 尺寸 ( 至少依据货架上的品牌 ) ，那这就是一个不错的建议。但以我为例，我就不能走进一家商店，然后想当然地认为任何东西都合身，尤其是当我在买裤子时 : 我身高 5 英尺（约 1.52 米），内缝 26 英寸。如果我想要一条裤子，我必须在网上订购。如果你是大码的，即使是适合你尺寸的品牌也可能无法在实体店销售。因此，这种情况下，唯一的选择就是网购。 这就是尺码测试的用武之地。 ' 我现在在 ASOS 购物都会使用他们的尺码推荐。' 伦敦的社交媒体合伙经理爱丽丝 · 贝弗顿 - 帕尔默 ( Alice Beverton-Palmer ) 表示，' 在这之前，我订了一大堆健身服，都很紧，所以你需要匹配合适的！这样就不用很麻烦地买两种尺寸的东西，因为它会让一切都合适。'（注：ASOS 是一个创立于 2000 年的全球性的时尚服饰及美妆产品线上零售商。） ASOS 上的购物者可以做一个测试，它会就某种款式的大概尺寸给出建议。首先，它会问你的身高和体重 :  然后它会要求你描述你大体的身体比例，比如肚子的形状、臀部的形状和内衣的大小。  最后，它会询问你穿其他品牌的尺码。你给它的数据越多，它就越精确。  ASOS 使用了一款名为 Fit Analytics 的软件来运行它的尺码测试和推荐算法。该公司成立于 2010 年，当时它要求顾客提交自己穿黑色衣服和拿着 CD 的照片，以作为尺寸参考。Fit Analytics 的销售主管詹森 · 沃尔夫 ( Jason Wolf ) 表示，最初，采用的时候遇到了一点问题。' 但它还是奏效了，而且非常有效，' 他说。' 我们收集了成千上万的图像，这仍然是我们技术的基础。但后来我们意识到，为了让人们广泛采用这种解决方案，我们需要一种更简单的方法，于是我们转向了基于调查询问客户的方法。' Fit Analytics 现在为 1.7 万个品牌运行测试软件，其中包括 the North Face、Mango 和 Alexander McQueen。它将消费者调查的数据与零售商提供的信息 ( 包括尺寸图表、产品测量、购买和退货数据 ) 进行比较，以确定什么尺寸最适合参加测试的购物者。 当然，这并不总是奏效。当我测试 North Face 的羊毛衫时，它建议我买小号的——尽管我已经拥有一件儿童尺寸的中号产品，而它的尺寸与成年女性的特小号产品大致相同。它告诉我的尺寸让我很困惑，是我输入了不正确的体重吗 ? ( 我没有秤，所以我的猜测可能是错的。 ) 其他购物者是否更喜欢宽松的衣服，为了刻意穿出那种效果 ? 目前还不清楚。看看这些评论，相似身材的购物者似乎更喜欢我现在拥有的尺码，这让测试的结果更加令人困惑。 Fit Analytics 的产品主管丹 · 迈耶 ( Dan Mayer ) 说，给我推荐的尺码是基于其他人购买和保留的尺码。' 即使最接近的值是小号，也仍然存在主观差异（重量分布，合身偏好等），这会导致某些人购买并保留小号而不是特小号。这意味着，对于那些与你今天回答相同的顾客来说，67% 的女性确实会买小号的衣服，并且一直留着 ; 然而，有三分之一的顾客仍然选择买特小号，最后也把它留着。' 他说，' 如果你买了小号的，然后退货换成特小号，那么退货信息将被用来改进算法，为以后的推荐提供依据。' 利哈伊大学市场营销学助理教授丽贝卡 · 王 ( Rebecca Wang ) 表示，匹配技术还处于起步阶段，因此遇到了一些障碍，让人们很难热情地采用它。' 这几乎是一把双刃剑。一方面，它使消费者在网上购物和选择时充满信心。另一方面，如果推荐的东西不合适，消费者可能会感到失望，' 她说。' 也就是说，这一帮助消费者在购物过程中做出正确选择的工具还会继续改进和实施。' 使用尺码匹配软件的人越多，推荐的结果就越好。为了做到这一点，像 Fit Analytics 和 True Fit 这样的公司才需要改善他们的用户体验。目前，两者的界面都有些令人困惑，因为很难在零售商的网站上直接访问——例如，测验隐藏在产品页面上，而不是明显地显示在零售商的主页上。此外，尺寸建议还需要更清楚地传达为什么购物者需要这一特定产品的特定尺寸。 旧金山一家科技公司的 CEO 希拉 · 阿贝尔 ( Shira Abel ) 说，因为她身高 5 英尺 2 英寸 ( 约 1.57 米 ) ，找裤子 ' 简直是一团糟 '。然而，尺码匹配测试对她不起作用，因为他们的算法比较的品牌仅限于少数几家大公司。我也遇到了这个问题 ;ASOS 测试不允许我输入几个我最常穿的主要品牌，比如 Everlane 和 Madewell，这也许可以解释为什么它很难为我推荐最好的尺码。 但随着这些算法的不断改进，将会有更多的人使用它们 ( 希望如此 ) ，使网上购物比我所说的 ' 受煎熬 ' 的现状要令人愉快得多。皮肤护理博主、文化历史学家特蕾西 · 罗比 ( Tracy Robey ) 写过关于不同品牌之间尺码差异的历史，她说，她认为尺码测验 ' 很神奇 '。' 对于附近没有实体店的人来说，这很好。' 她说，' 我唯一担心的是，一次次糟糕的匹配测试会让人们永远远离这些小工具，即使它们会有所改进。' 消费者虽然慢慢地，但一定开始了使用这些尺寸匹配测试。Fit Analytics 告诉我，该公司的产品采用率为 30%，退货率也下降了 3% 至 5%，这是一个良好的开端。但是，随着网购的不断发展，为了消费者的情绪 ( 和忠诚度 ) ，以及为了防止不必要的、昂贵的退货，品牌必须设法减轻购物体验，这一点变得越来越重要。 译者：Yoyo_J |
|
|
