Du trägst M. Außer bei der anderen Marke.
Ein einfaches Experiment: Nimm ein T-Shirt in M bei Zara, dann eins in M bei H&M, dann bei Nike. Drei Marken, drei komplett unterschiedliche Passformen, dieselbe Größenbezeichnung auf dem Etikett. Das ist kein Randproblem. Es ist ein strukturelles Versagen der Modebranche, das alle Beteiligten Geld kostet.
Wie es dazu kam
In den 1940er-Jahren führten die USA erstmals standardisierte Kleidergrößen ein, basierend auf einer Studie mit rund 15.000 Frauen. Die Stichprobe war nicht repräsentativ, die Daten von Anfang an fehlerhaft. In den 1980er-Jahren gab die US-Regierung ihren freiwilligen Größenstandard auf. Danach konnte jede Marke machen, was sie wollte.
Dann kam das Vanity Sizing. Marken erkannten, dass Kundinnen lieber eine kleinere Zahl kaufen. Eine Größe 40 von 1970 entspricht heute ungefähr einer 36. Die Taille hat sich nicht verändert, nur das Etikett.
Regionale Unterschiede verkomplizieren alles zusätzlich. Europäische, asiatische und amerikanische Systeme verwenden unterschiedliche Basismaße. Eine französische 40 ist ungefähr eine britische 12, also ungefähr eine amerikanische 8. "Ungefähr" leistet hier viel Arbeit.
25 Milliarden Dollar Verlust
Allein in den USA kosten größenbedingte Retouren den Einzelhandel etwa 25 Milliarden Dollar pro Jahr. Darin enthalten sind Versand, Bearbeitung, Neuverpackung und die rund 30 % der retournierten Kleidung, die nie zum vollen Preis weiterverkauft werden. Bei reinen Online-Marken liegt die Retourenquote zwischen 30 und 40 %, wobei die falsche Größe der häufigste Grund ist.
Jede Retoure vernichtet Geld. Ein Artikel für 50 Euro kostet den Händler 10 bis 15 Euro an Retourenbearbeitung. Hochgerechnet auf Millionen Bestellungen frisst das direkt an der Marge.
Auch Kunden verlieren dabei. Sie bestellen zwei oder drei Größen, behalten eine, schicken den Rest zurück. Das kostet Zeit und treibt viele zurück in den stationären Handel.
Lösung 1: KI-gestützte Größenempfehlung
Die derzeit wirksamste Lösung ist die KI-gestützte Größenempfehlung. So funktioniert sie in der Praxis.
Der Kunde gibt Basisdaten ein: Körpergröße, Gewicht, Alter und Passform-Präferenz (locker, normal oder eng). Das System gleicht diese Daten mit der Kauf- und Retourenhistorie tausender anderer Kunden mit ähnlichem Profil ab. Dann empfiehlt es eine konkrete Größe für genau dieses Produkt.
Die Ergebnisse sind deutlich. Marken, die KI-Größenempfehlungen einsetzen, berichten von einem Rückgang größenbedingter Retouren um 50 bis 60 %. Das System wird mit der Zeit besser, weil jeder Kauf und jede Retoure neue Daten liefert.
Unternehmen wie Fit Analytics (von Snap übernommen), True Fit und Sizely bieten das bereits als Plug-in für E-Commerce-Plattformen an. Die Integration dauert in der Regel 2 bis 4 Wochen.
Lösung 2: Virtuelle Anprobe
Die virtuelle Anprobe gibt Kunden eine visuelle Bestätigung, wie ein Kleidungsstück an ihrem Körper aussehen wird. Anhand eines Fotos oder eines 3D-Avatars, der auf den Maßen des Kunden basiert, wird das Kleidungsstück überlagert und zeigt, wie es fällt und sitzt.
Das ersetzt die Größenempfehlung nicht, sondern ergänzt sie. Die KI sagt "nimm Größe L" und die virtuelle Anprobe zeigt, wie diese Größe L tatsächlich an deiner Figur aussieht. Zusammen decken beide die rationale und die visuelle Seite der Kaufentscheidung ab.
Lösung 3: Bessere Größentabellen mit echten Maßen
Diese Lösung ist erstaunlich simpel, wird aber von den meisten Marken immer noch schlecht umgesetzt. Eine gute Größentabelle listet die tatsächlichen Maße des Kleidungsstücks in Zentimetern: Brustweite, Körperlänge, Ärmellänge, Schulterbreite. Nicht "passt Größe 38-40," denn das sagt niemandem etwas Konkretes.
Ein Referenzmodel ("Model ist 175 cm groß und trägt Größe M") hilft bei der Einordnung. Flachmaß-Diagramme beseitigen jede Unklarheit darüber, wo genau gemessen wird.
Was Marken jetzt tun sollten
Das Größenproblem löst sich nicht von selbst. Wer auf einen universellen Standard wartet, wartet ewig. Hier ist ein konkreter Fahrplan.
Erstens: KI-Größenempfehlungen auf den Produktseiten einbauen. Der ROI ist sofort messbar durch sinkende Retouren. Zweitens: detaillierte Maßtabellen für jedes einzelne Produkt veröffentlichen, keine generische Markentabelle. Drittens: virtuelle Anprobe für Kategorien mit hoher Retourenquote testen, etwa Kleider und Jacken. Viertens: nach der Lieferung Feedback zur Passform einholen und in die Empfehlungs-Engine zurückspielen.
Die Technologie ist da. Marken, die sie zuerst einsetzen, werden mehr Kunden halten, weniger Retouren bearbeiten und weniger für Rücklogistik ausgeben. Alle anderen zahlen weiter die 25-Milliarden-Steuer.