De grootste uitdagingen voor de toekomst van e-Fashion

Online retail en dan vooral fashion blijven populair, met een schat aan data tot gevolg. Maar wat kan en moet je daar eigenlijk mee? Op EDAY was er een Future of Fashion-roundtable, in samenwerking met True Fit. Dit zijn volgens diverse spelers in de branche de trends en uitdagingen voor e-Fashion.

 1. Dezelfde maat, maar dan anders

Los van alle zaken die de toekomst kan brengen op het gebied van data, machine-learning en andere technologische ontwikkelingen: er zal ook heel goed gekeken moeten worden naar de maatvoering van kleding. De online klant is vaak onzeker over de juiste pasvorm en dat zorgt voor torenhoge retourzendingen (soms tot wel 60 procent), dubbele bestellingen en bijbehorende kosten.

Uiteraard zijn er manieren om de klant te helpen door bijvoorbeeld maattabellen of (externe) tools waarbij de lichaamsvorm wordt meegenomen. Dan nog is de diversiteit in pasvorm een praktisch punt waardoor online klanten onzeker blijven over de individuele fit.

Dit punt verdient de aandacht: het zal misschien nooit helemaal opgelost kunnen worden, maar hoe consistenter de pasvorm, hoe kleiner de kans op retourzending en vooral een teleurgestelde klant.

 2. De beste match: data en machine-learning

De data die de fashionbedrijven genereren wordt met machine-learning vergaand ingezet voor de online dienstverlening en targeting. Machine-learning wordt niet alleen gebruikt om de klant beter te leren kennen, maar ook om het gedrag beter te begrijpen en een gepersonaliseerde ervaring te bieden. Uiteindelijk geeft het ook inzage in trends door middel van voorspellingsmodellen.

Eén van de zaken die daarbij meespelen, is dat een algoritme nog niet altijd de klant echt herkent. Als een klant telkens voor het hele gezin kleding bestelt (in verschillende maten) wordt een individueel advies of targeting lastig. Door een combinatie van data science & machine learning kun je dit ondervangen.

 3. Samenwerken met third suppliers en concurrenten

Veel fashion-merken vinden ook een grote afzetmarkt bij third suppliers zoals Zalando of Bijenkorf. Het bereik van zo’n online mega-warenhuis is groot, maar het fashion-merk zelf heeft daardoor ook minder inzage en grip op data.

Hoe dan ook zijn data op grote schaal interessant. Daarvoor is het ook nodig om data van concurrenten mee te nemen, zonder dat er echt concurrentie-informatie gedeeld wordt. Door data van verschillende online fashion outlets te anonimiseren kun je ze op grote schaal inzichtelijk maken.

 4. Een andere aanpak: creëer schaarste

Hoewel een grote afzetmarkt en data uiteraard interessant zijn, moeten diversiteit en uniciteit niet uit het oog verloren worden.

Door kleinere batches ‘unieke’ fashion aan te bieden creëer je automatisch schaarste. Het Nederlandse kledingmerk Studio Anneloes doet dit bijvoorbeeld door elke twee weken nieuwe items toe te voegen aan de collectie, in beperkte aantallen. Met deze strategie werd in anderhalf jaar een van de snelst groeiende fashion-merken neergezet.

 5. Inkoop en voorraadbeheer

Data en machine-learning kunnen nu en in de toekomst vooral een bijdrage leveren aan het inkoopbeleid en het voorraadbeheer.

Online en in de fysieke winkels kan altijd gekeken worden wat, waar, voorhanden is. Maar een item dat op de ene locatie goed loopt en ergens anders niet, kan ook automatisch verplaatst worden op basis van trenddata. Voeg daar nog data aan toe als bijvoorbeeld de weersverwachting en je hebt je collectie zo snel mogelijk afgestemd op de actuele vraag. In de praktijk scheelt dit al gauw drie tot vier dagen en levert het een zo optimaal mogelijke klantbeleving op.

De panelleden zijn het erover eens: de toekomst van data-analyse en machine-learning is ook in de fashion groot.