Größen- und Passformempfehlung zur Senkung von Moderetouren

Dem Mode-E-Commerce geht Marge verloren, weil Käufer nicht erkennen können, welche Größe passt, mehrere Größen bestellen („Bracketing") und die meisten davon zurückschicken. Größen- und Passform-Engines verbinden Kleidungsmaße, markenspezifische Größenunterschiede und die Kauf-/Retourenhistorie, um jedem Käufer zu sagen, welche Größe er wählen sollte, und Sortimentsverantwortlichen zu zeigen, welche Artikel klein oder groß ausfallen. Als Widget auf der Produktseite, als KMU-Plug-in oder als hauseigenes Modell bei großen Marktplätzen senken sie größenbedingte Retouren und die damit verbundenen Kosten, den CO2-Ausstoß und den Margenverlust.

Problem & Nutzen

• Heute: Käufer verlassen sich auf statische Größentabellen, die je Marke abweichen; Händler tragen kostenlose Retouren, Rückwärtslogistik, Neuverpackung und Preisnachlässe. „Falsche Größe" ist in Bekleidung und Schuhen typischerweise der häufigste Retourengrund. Passformbeschwerden erreichen das Sortimentsmanagement nur als verstreute Bewertungen.
• KI-Nutzen: Größenberatung je Käufer, frühere Erkennung falsch gemessener Modelle (Tabelle korrigieren, einen Passformhinweis ergänzen, den Schnitt mit dem Lieferanten anpassen) und Kennzeichnung wahrscheinlich retournierter Warenkörbe, damit der Shop im Checkout Hinweise einblenden kann.
• Evidenz: Zalando hat berichtet, dass seine Größenberatung etwa 8 % der größenbedingten Retouren verhindert habe (vom Unternehmen berichtet; siehe Quelle 1). Fallstudien von Anbietern (Snap Fit Analytics, True Fit, Bold Metrics) behaupten Verbesserungen bei Retouren und Conversion, doch die Ergebnisse sind selbst berichtet und variieren je Kategorie; messen Sie sie daher in einem A/B-Test mit Ihren eigenen Daten [2][3][4].
• Abgrenzung zu REC-001: REC-001 entscheidet, welches Produkt gezeigt wird; hier wird entschieden, welche Größe eines Produkts passt. Es nutzt Kleidungsspezifikationen, Retourengründe und Körpermaße und hat ein eigenes Kaltstartproblem. Es erzeugt keine Inhalte (anders als die virtuelle Anprobe GEN-010).

Varianten

• Plug-in-Widget für KMU-Shops (Shopify, Shopware, WooCommerce, Magento): Fragebogen plus vom Anbieter gehaltene Daten mehrerer Händler.
• Hauseigenes Modell bei großen Marktplätzen/Marken: nutzt eigene Bestell-, Retouren- und Bewertungsdaten.
• Variante mit Körperdaten: Fragebogen zu Größe/Gewicht oder ein Foto-/Video-Scan per Smartphone, der Maße schätzt (nahe an Biometrie; siehe Risiken).
• Passform-Intelligenz für das Sortiment: aggregiertes Signal „fällt klein/groß aus" je Artikelnummer für den Einkauf, die Produktentwicklung und die Korrektur von Größentabellen.
• Kennzeichnung wahrscheinlicher Retourenwarenkörbe: Klassifikator für Bracketing-Warenkörbe (dasselbe Modell in mehreren Größen), der Hinweise im Checkout speist; Verbindung zu PRED-020 und ANOM-033 (Retourenmissbrauch).
• Schuhe und BHs/Dessous: Fußlängen- sowie Unterbrust-/Cup-Modelle; die Größenvorgaben sind strenger und Fehler kostspieliger.
• Private Nutzung: ein persönliches Profil „meine Maße", das shopübergreifend funktioniert.

So funktioniert es

1. garment measurements + size charts + catalogue attributes shopper signals (questionnaire, past orders/returns, optional body estimate)
2. feature building (item-vs-user fit gap, brand/size offsets, return reasons: too small/large)
3. fit model (latent-fit / ordinal "too small - ok - too large" model)
4. size recommendation + confidence + "runs small" note
5. UI (product page, cart)
6. order
7. return outcome logged as new label
8. aggregation per SKU
9. merchandising dashboard (chart fixes, supplier feedback)

• Kernmodell: Die meisten Systeme lernen eine latente „wahre Größe" je Käufer und je Artikel und sagen dann das ordinale Ergebnis (zu klein / passt / zu groß) aus der Differenz voraus, sodass eine Empfehlung die Wahrscheinlichkeit für „passt" maximiert. Akademische Arbeiten von Amazon und Zalando-nahe Forschung nutzen bayessche und tiefe Latent-Faktor-Modelle mit Retourengründen als Labels [5].
• Kaltstart: Neue Käufer (wenige Bestellungen), neue Artikel (noch keine Retouren) und neue Marken werden über Vorannahmen aus Kleidungsmaßen, Fragebögen und ähnlichen Artikeln behandelt; die Konfidenz wird angezeigt oder das Widget enthält sich.
• Datenvorbehalt: Ein behaltener Artikel passt nicht zwingend; Retouren sind verrauschte Labels (Geschenke, Qualität, Geschmack). Retourengrund-Codes und Passform-Feedback nach dem Kauf verbessern die Labels.
• Mensch-in-der-Schleife (Human-in-the-Loop): Sortimentsverantwortliche prüfen auffällige Modelle und entscheiden über Änderungen an Tabelle oder Produkt; Käufer wählen die endgültige Größe stets selbst.

Datenaufbereitung

Die Schlüsseldaten sind Bestell-, Retouren- und Retourengrund-Historie je Käufer und Artikelnummer, Maßtabellen der Kleidungsstücke und Größentabellen je Modell sowie optionale Antworten aus einem Käufer-Fragebogen. In einem KMU liegen diese im Shopsystem, im ERP oder Warenwirtschaftssystem und in PDFs oder Excel-Größentabellen der Lieferanten. Typische Lücken sind Freitext oder fehlende Retourengründe, Größentabellen, die von den echten Kleidungsmaßen abweichen, uneinheitliche Größenbezeichnungen über Lieferanten und Marken hinweg, Gastbestellungen, die sich keiner Historie zuordnen lassen, und zu wenige Bestellungen je Artikelnummer.

Schritte der Aufbereitung: - Bestellungen und Retouren exportieren und Größencodes vereinheitlichen (PREP-005, PREP-011). - Retourengründe in einer kurzen Liste standardisieren, etwa zu klein, zu groß, Qualität (PREP-019), und vergangene Retouren labeln (PREP-020). - Größentabellen der Lieferanten in eine strukturierte Tabelle digitalisieren, gemessen an echten Kleidungsstücken (PREP-007). - Maßfelder auf Modellebene im Produktstamm ergänzen (PREP-010). - Körperbezogene Daten pseudonymisieren (PREP-022).

Rechnen Sie mit etwa 40 Prozent des Aufwands für die Bereinigung von Größentabellen und Retourengründen. Produkte, die gebündelte Passformdaten mitbringen, verringern den Bedarf an eigener Historie.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Größenberater-Plug-ins für gängige Shopsysteme gibt es zu KMU-tauglichen Preisen, und sie bringen gebündelte Passformdaten mit, die einem kleinen Shop selbst fehlen.
• Großunternehmen (B): Eigene Retouren- und Passformdaten sind groß genug für individuelle Modelle, die in Shop, ERP und Sortimentsmanagement integriert werden.
• Entwickler (B): Cloud-ML-APIs mit Ihren eigenen Kleidungsmaßdaten eignen sich, um einen Größenberater in Ihr Produkt einzubetten.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Passform-Plattformen: Snap Fit Analytics (Snap Inc.; Wurzeln in der EU), True Fit (USA), Bold Metrics (USA), dazu Größen-Apps in den App-Stores von Shopify/Shopware.
• Prüfen: DSGVO-Rolle (Auftragsverarbeiter oder gemeinsam Verantwortlicher, da Anbieter Daten mehrerer Händler bündeln), EU-Hosting, API für den Datenfeed, Dashboard fürs Sortiment, Unterstützung für A/B-Tests, Verhalten bei Enthaltung.
• A wählen, wenn: unter einigen Millionen Bestellungen pro Jahr, kein Data-Science-Team, schnelle Wertschöpfung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Tabellarischer/Empfehlungs-Stack: BigQuery, Snowflake oder Databricks (EU-Regionen) mit Gradient Boosting oder einem kleinen ordinalen/latenten Modell; verwaltetes ML (Vertex AI, SageMaker, Azure ML) für Training und Betrieb.
• Körperschätzung aus Fotos: ein Cloud-VLM oder eine Pose-/Mess-API ist möglich, erhöht aber die Datenschutzlast; bevorzugen Sie die Verarbeitung auf dem Gerät.
• LLM-Einsatz: Passformerklärungen in natürlicher Sprache und Auswertung von Bewertungen („fällt an den Schultern schmal aus") mit einem mehrsprachigen LLM (Mistral als EU-Anbieter oder Claude/Gemini/GPT in EU-Regionen); strukturierte Extraktion von Passformaussagen aus Bewertungen und Retourenkommentaren.
• B wählen, wenn: Sie über umfangreiche Bestell-/Retourendaten verfügen und Kontrolle ohne eigene GPUs wollen.

Weg C — Selbst betreiben (Open Source)

• Modelle: LightGBM/XGBoost/CatBoost, PyTorch oder Faktormodelle im Stil von implicit/LightFM; Pyro/Stan für bayessche latente Größe. Für die Auswertung von Bewertungen ein kleines offenes Modell (Qwen-, Mistral-, Llama-Klasse, ≤8B).
• Pose/Körper: MediaPipe Pose für Keypoints auf dem Gerät; Lizenzen jedes parametrischen Körpermodells prüfen.
• Hardware: HW1 (CPU-Server) genügt für tabellarische Passformmodelle; HW2 nur für Foto- oder LLM-Teile.

Weg D — Eigenes Training

Lohnt sich ab etwa Millionen Bestellungen mit Retourengründen: Latent-Fit-Modelle je Kategorie trainieren, Wahrscheinlichkeiten kalibrieren, eine Bandit-/Uplift-Schicht nutzen, um zu entscheiden, wann ein Hinweis gezeigt wird (siehe causal-inference). Erfordert zwei oder mehr Jahre Bestell-/Retourenhistorie und saubere Daten zu Kleidungsmaßen.

Stand der Technik (2026)

• Modelle: Ordinale/Latent-Fit-Modelle und tiefes Metric Learning, trainiert auf Kauf-Retouren-Ergebnissen, bleiben das Arbeitspferd; LLMs ergänzen die Auswertung von Bewertungen/Retourenkommentaren und Erklärungen statt der Kernvorhersage.
• Daten zu Kleidungsstücken zählen am meisten: Genaue Maßtabellen je Größe und Gradierungsregeln schlagen meist die Raffinesse des Modells. Viele Fehler stammen aus falschen Größentabellen.
• Fotobasierte Körpermessung wird auf Smartphones besser, doch die Verbreitung ist durch Datenschutzbedenken und die Genauigkeit bei weiter oder dehnbarer Kleidung begrenzt.
• Grenzen und Fehlerbilder: Kaltstart; spärliche Daten bei kleinen Marken; Retouren als verrauschte Labels; dehnbare Stoffe und Passformpräferenz (eng vs. locker); Verzerrung zugunsten häufiger Körperformen und Größen (große und kleine Größen werden schlechter bedient); Käufer, die bewusst Bracketing betreiben; Rückkopplungsschleifen (Empfehlungen verändern die Daten, mit denen das nächste Modell trainiert wird).

Gemeinsame Bausteine & Kombinationen

• Gleiche Daten und gleicher Stack wie: REC-001 (Produktempfehlungen), PRED-020 (Retourenvorhersage und Senkung der Retourenquote), ANOM-033 (Retourenbetrug). Ein Data Mart mit Bestell-/Retourendaten samt Retourengründen bedient alle.
• Kombinierbar mit: GEN-010 (virtuelle Anprobe, visuelle Passform), VIS-037 (Bewertung zurückgesendeter Ware, Wiederverkauf), VIS-026 (Vermessung aus Bildern), REC-003 (Next Best Action im Checkout).
• Hardware: Tabellarische Modelle laufen auf HW1; der Feature Store wird mit anderen Retail-ML-Fällen geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-8 Wochen für Katalogfeed, Widget-Integration und Test; SaaS-Preise meist je Bestellung, Sitzung oder Artikelnummer (Angebote einholen).
• Weg B/C: 3-6 Monate inkl. Bereinigung der Größentabellen und A/B-Framework; kleines Team (Data Scientist, Ingenieur, Sortimentsverantwortliche).
• Kennzahlen: größenbedingte Retourenquote (nach Retourengrund), gesamte Retourenquote, Conversion-Rate der Nutzer, die das Widget verwenden, gegenüber der Kontrollgruppe, Anteil der Bracketing-Bestellungen, Annahmequote der Passformhinweise, Kosten je Retoure, CO2 durch vermiedene Retouren, Anteil der Artikelnummern mit korrigierten Größentabellen. Nutzen Sie zufällige Kontrollgruppen; Nutzer, die ein Passform-Widget öffnen, wählen sich selbst aus und verzerren naive Vergleiche nach oben.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für das Ziel bei den Retourenkosten ein, die Leitungen von E-Commerce und Sortimentsmanagement als Prozessverantwortliche und den Kundenservice, der Retourengründe als Erster sieht. Die IT integriert das Widget oder die API in den Shop; Lieferanten liefern Maßdaten. Die oder der Datenschutzbeauftragte wird gebraucht, weil Körperdaten der Käufer (Größe, Gewicht) personenbezogene Daten sind: Rechtsgrundlage oder Einwilligung, AVV mit dem Anbieter und eine DSFA-Prüfung, wenn Körperscans oder Fotos verwendet werden.

Betriebsrat: nein, da das System Kunden berät; Beschäftigte werden nicht überwacht. Informieren Sie ihn dennoch rechtzeitig, wenn sich Abläufe im Kundenservice oder im Lager ändern (§ 90 Abs. 1 Nr. 3 BetrVG).

KI-Kompetenz: Unterstützen Sie den Kundenservice mit einem kurzen Briefing dazu, wie Empfehlungen entstehen, wie sicher sie sind und wo ihre Grenzen liegen (KI-Verordnung Art. 4 unterstützt dies, ohne ein bestimmtes Niveau zu garantieren). Starten Sie einen Pilot mit einer Kategorie wie Jeans oder Schuhen und einem A/B-Test auf die Retourenquote. Typische Bedenken sind Datenschutz und falsche Empfehlungen; begegnen Sie ihnen mit freiwilligen Angaben, klaren Erklärungen, der Anzeige der Konfidenz sowie einer manuellen Größentabelle und einem einfachen Größentausch. Kunden behalten immer die endgültige Wahl, und Beschäftigte können übersteuern.

Siehe GUIDE-005, GUIDE-009 und GUIDE-011.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko für einen Größenempfehler; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Leitet die Variante mit Körperfoto biometrische Kategorien oder Emotionen ab, fiele sie aus diesem Rahmen. Leiten Sie keine sensiblen Merkmale ab. Reine Körpermessung zur Größenbestimmung ist keine biometrische Identifizierung, halten Sie sie aber getrennt von Gesichtserkennungsfunktionen [6].
• DSGVO: Kaufhistorie, Körpermaße und Fotos sind personenbezogene Daten; Körper- und Gewichtsdaten können sich in manchen Zusammenhängen Gesundheitsdaten (Art. 9) annähern. Nutzen Sie Einwilligung oder Vertragsgrundlage mit Zweckbindung, Datenminimierung (abgeleitete Maße speichern, Fotos sofort löschen, Verarbeitung auf dem Gerät bevorzugen), einen AVV mit dem Passform-Anbieter und Klarheit über gebündelte Profile mehrerer Händler [7]. Eine DSFA ist bei Foto-Scans ratsam.
• Verbraucherrecht: Das 14-tägige EU-Widerrufsrecht im Fernabsatz (Richtlinie 2011/83/EU) ist der Grund, warum Retouren teuer sind; Empfehlungen dürfen nicht irreführen (UCPD). Nutzen Sie Passformdaten nicht, um Retournierende ohne Transparenz zu benachteiligen; ein „Retourenmissbrauch"-Scoring (ANOM-033) braucht eine gesonderte Prüfung auf Fairness und auf Art. 22 DSGVO, wenn es zu automatisierten nachteiligen Entscheidungen führt.
• Verzerrung: Genauigkeit über Größen, Geschlechter, Altersgruppen und Regionen testen; manuelle Übersteuerung und inklusive Größenspannen anbieten.
• Gegenmaßnahmen: Konfidenz anzeigen, Antworten wie „ich liege zwischen zwei Größen" zulassen, Empfehlungen und Ergebnis protokollieren.

Erste Schritte

1. Die Daten als Basis erheben: Retourenquote nach Grund, Anteil „zu klein/zu groß", Bracketing-Quote, je Kategorie.
2. Maßtabellen und Größentabellen für Ihre 100 wichtigsten Artikelnummern prüfen; zuerst Fehler beheben.
3. Ein Widget aus Weg A in einer Kategorie mit einem zufälligen 50/50-A/B-Test über 8-12 Wochen pilotieren.
4. Die Liste der Artikelnummern mit Passformproblemen monatlich an Sortiment und Lieferanten senden; Korrekturen der Tabellen verfolgen.
5. Datenrichtlinie (Einwilligung, Aufbewahrung, AVV, keine Fotospeicherung) festlegen, bevor Körperscan-Funktionen aktiviert werden.

Quellen

1. Zalando — company reporting on size advice and returns (about 8% of size-related returns prevented in 2025, company-reported, article of 22 Jun 2026) — https://corporate.zalando.com/en/node/11013
2. Snap Fit Analytics (Snap Inc.) — https://www.fitanalytics.com/
3. True Fit — https://www.truefit.com/
4. Bold Metrics — https://boldmetrics.com/
5. Sembium et al., "Recommending Product Sizes to Customers", RecSys 2017 — https://dl.acm.org/doi/10.1145/3109859.3109891
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Directive 2011/83/EU on consumer rights — https://eur-lex.europa.eu/eli/dir/2011/83/oj