De gemiddelde Nederlander bestaat niet (of: hoe je het aantal retouren vermindert)

Nederlanders zijn Europees koploper als het gaat om online gekochte producten terugsturen. Hoe kun je als fashion webwinkel de schade zoveel mogelijk beperken? Door in de maatvoering niet meer te werken met gemiddelden, maar met actuele data en input van de klant zelf. Daarmee bied je echt persoonlijke aanbevelingen.

Maatvoering is een strategisch speerpunt voor retailers en merken in kleding en schoenen. De vrees dat iets niet zal passen is een obstakel om online te bestellen. Voor consumenten die wel online shoppen is een goed maatadvies reden om bij je terug te komen. Uit onderzoek van Mintel blijkt dat 81 procent van de consumenten die een positieve ervaring hebben met de pasvorm, dat merk in de toekomst waarschijnlijk ook weer gaan kopen.

Naast conversie en retentie is er ook een kostenoogmerk dat goed maatadvies belangrijk maakt. Het retourpercentage is in Nederland 9 procent, hoger dan andere Europese landen en de VS. De helft van alle pakketjes die teruggaan bevat kleding, blijkt uit recent onderzoek van pakketdienst DPD. Daar hangt een flink prijskaartje aan: klanten hoeven over het algemeen niet te betalen voor een retourzending, dus er zijn logistieke kosten. Bovendien is het kledingstuk uit de verpakking geweest en moet er gecontroleerd worden of het nog kan worden verkocht.

Grote verschillen in pasvorm

Vanuit de consument bezien is het logisch dat er meer kledingstukken worden besteld: ondanks het maatsysteem zijn er grote verschillen in pasvorm. Dat kan per merk maar ook per collectie en stijl zo zijn. Toch blijven retailers vasthouden aan gemiddelde data bij het vaststellen van de maten. De realiteit is echter dat je je klanten daarmee tekortdoet en conversie misloopt.

In de jaren veertig van de vorige eeuw werd het standbeeld van Norma onthuld, een vrouw met de ideale maten, gebaseerd op metingen bij meer dan vijftienduizend vrouwen. Vervolgens werd er een wedstrijd gehouden: de vrouw die het meest leek op Norma zou winnen. Van de 3.864 deelneemsters kwamen er minder dan veertig in de buurt als er naar vijf van de negen lichaamskenmerken van Norma werd gekeken. De winnares had niet exact dezelfde maten als Norma. Oftewel: als je in je webshop aanbevelingen doet op basis van gemiddelden, dan heb je het over een denkbeeldig concept.

Uit eigen onderzoek naar damesjeans blijkt dat er meer dan 10 cm variatie kan zitten in de taille bij dezelfde maat en pasvorm (low, medium of high rise). Maattabellen op de website en de ervaringen van anderen (‘valt klein uit, neem een maat groter’) kunnen helpen om de klant de juiste maat te laten kiezen.

Crowd-sizing wordt ook steeds meer toegepast: op basis van de gegevens over andere klanten en de input van een aantal persoonlijke gegevens wordt een advies gegeven hoe waarschijnlijk het is dat een bepaalde maat past. Maar als je 52 procent zeker een M moet hebben en 48 procent een S, kun je dan spreken van een goede aanbeveling? Het zal eerder leiden tot ‘size-sampling’ aangezien er in plaats van een persoonlijke aanbeveling twee maten worden aangeboden.

De gemiddelde Amerikaanse vrouw is 1 meter 63 en weegt 77 kg. Gemiddeld komt dit neer op een jeansmaat 31. Maar in de praktijk variëren de maten van vrouwen met deze lengte en gewicht van 29 tot 33 inch. Oftewel: vijf maten kunnen passend zijn.

Gemiddelden geven geen goed advies

Ook hierbij geldt dus dat gemiddelden geen goede manier zijn om de klant een maatadvies te geven. Je wilt eigenlijk een individueel maatadvies te geven, zoals in de fysieke winkel. Dat kan met behulp van machine-learning. Hiervoor hebben wij een enorme database samengesteld met gegevens over pasvorm en -stijl van de kleding en schoenen van meer dan elfduizend merken. Deze worden gecombineerd met data van meer dan tweehonderd retailers over bestellingen en gegevens over de persoonlijke voorkeuren van consumenten. Tot op heden hebben meer dan 60 miljoen shopopers zo’n userprofiel aangemaakt.

De consument kan een profiel samenstellen en beantwoordt daarvoor een aantal vragen over zichzelf, zijn lichaam en hoe hij zijn kleren graag draagt. Hiermee kun je al persoonlijke aanbevelingen doen. Onder water worden analyses gemaakt van welke kleding consumenten bestellen en wat ze houden. Deze informatie wordt zowel collectief als individueel verzameld en geplot op de technische kenmerken van de kleding.

Via machine-learning wordt het profiel van de consument steeds accurater. Elke keer als de consument een nieuwe aanschaf doet of iets terugstuurt worden de gegevens bijgewerkt. Die informatie kan ook worden gebruikt om te voorspellen welk product in welke maat de consument het meest aan zal spreken gezien diens historische gedrag en voorkeuren, zodat je een gepersonaliseerde beleving kunt bieden.

Wat dat oplevert? Met deze gemiddelden kun je wél voor de dag komen: het aantal retouren gaat gemiddeld met 35 procent omlaag en er wordt 5 tot 20 procent meer omzet gerealiseerd doordat consumenten meer kleding en schoenen kopen. Bij modemerk Kate Spade verdubbelde de conversie, bij Asics werd 20 procent meer gehouden en is ‘size sampling’ (het bestellen van meerdere maten omdat je niet zeker weet of het past) met 30 tot 50 procent afgenomen.

Meer weten? In de whitepaper ‘The flaw of averages’ gaan we dieper in op hoe je als fashion retailer de juiste balans vindt tussen de voorkeuren van je klant en je producten, zodat je echt kunt personaliseren. Downloaden is gratis en kan hier.