Vous faites du M. Sauf quand vous faites du L.
Faites le test. Prenez un t-shirt M chez Zara, puis un M chez H&M, puis un M chez Nike. Trois marques, trois coupes totalement différentes, trois étiquettes identiques. Ce n’est pas un détail. C’est un problème structurel qui coûte cher à tout le monde.
Comment on en est arrivé là
Les premières tailles standardisées sont apparues aux États-Unis dans les années 1940, à partir d’une étude portant sur environ 15 000 femmes. L’échantillon n’était pas représentatif, et les données étaient biaisées dès le départ. Dans les années 1980, le gouvernement américain a abandonné sa norme volontaire. Chaque marque a commencé à définir ses propres tailles.
Puis le "vanity sizing" est arrivé. Les marques ont compris que les clients préfèrent acheter un chiffre plus petit. Un 42 des années 1970 correspond à peu près à un 38 aujourd’hui. Le corps n’a pas changé, juste l’étiquette.
Les différences régionales compliquent encore les choses. Un 40 français correspond grosso modo à un 12 britannique ou un 8 américain. "Grosso modo" fait beaucoup de travail dans cette phrase.
25 milliards de dollars gaspillés
Aux États-Unis, les retours liés à la taille coûtent environ 25 milliards de dollars par an aux détaillants. Ce chiffre inclut l’expédition, le traitement, le reconditionnement, et les 30 % de vêtements retournés qui ne sont jamais revendus au prix fort. Pour les marques exclusivement en ligne, le taux de retour oscille entre 30 et 40 %, la taille étant la première cause.
Chaque retour brûle de l’argent. Un article à 50 € coûte entre 10 et 15 € à traiter en retour. Multipliez par des millions de commandes et vous obtenez un gouffre qui ronge les marges.
Les clients y perdent aussi. Ils commandent deux ou trois tailles, gardent une pièce, renvoient le reste. C’est une perte de temps qui pousse beaucoup de gens à retourner en magasin physique.
Solution 1 : la recommandation de taille par IA
La solution la plus efficace aujourd’hui est la recommandation de taille assistée par intelligence artificielle. Le principe est simple.
Le client renseigne des données de base : taille, poids, âge et préférence de coupe (ample, normale ou ajustée). Le système croise ces informations avec l’historique d’achat et de retour de milliers d’autres clients au profil similaire. Il recommande ensuite une taille précise pour ce produit précis.
Les résultats sont nets. Les marques qui utilisent ce type de système constatent une baisse de 50 à 60 % des retours liés à la taille. Le modèle s’améliore avec le temps, car chaque achat et chaque retour enrichissent la base de données.
Des entreprises comme Fit Analytics (rachetée par Snap), True Fit et Sizely proposent déjà cette technologie en plug-in pour les plateformes e-commerce. L’intégration prend en général 2 à 4 semaines.
Solution 2 : l’essayage virtuel
L’essayage virtuel permet au client de voir à quoi ressemblera un vêtement sur son corps. À partir d’une photo ou d’un avatar 3D basé sur ses mensurations, la technologie superpose le vêtement et montre comment il tombe.
Ce n’est pas un remplacement de la recommandation de taille, c’est un complément. L’IA dit "prenez un L" et l’essayage virtuel montre ce que ce L donne concrètement sur votre silhouette. Les deux ensemble couvrent le côté rationnel et le côté visuel de la décision d’achat.
Solution 3 : de vrais guides des tailles avec mesures
Celle-ci est étonnamment simple, mais la plupart des marques la négligent encore. Un bon guide des tailles indique les mesures réelles du vêtement en centimètres : largeur poitrine, longueur du corps, longueur des manches, largeur des épaules. Pas "convient aux tailles 38-40," ce qui n’informe personne.
Ajouter un mannequin de référence ("Le mannequin mesure 175 cm et porte une taille M") ancre l’information. Inclure des schémas de mesure à plat supprime toute ambiguïté sur l’endroit exact de la mesure.
Ce que les marques devraient faire maintenant
Le problème des tailles ne se résoudra pas tout seul. Attendre un standard universel, c’est attendre indéfiniment. Voici un plan d’action concret.
Premièrement, ajoutez la recommandation de taille par IA sur vos fiches produit. Le retour sur investissement est immédiat et mesurable par la baisse des retours. Deuxièmement, publiez des guides de mesures détaillés pour chaque produit, pas un tableau générique pour toute la marque. Troisièmement, explorez l’essayage virtuel pour les catégories à fort taux de retour comme les robes et les manteaux. Quatrièmement, collectez les retours sur la coupe après livraison et réinjectez-les dans votre moteur de recommandation.
La technologie existe. Les marques qui l’adoptent en premier garderont plus de clients, traiteront moins de retours et dépenseront moins en logistique inverse. Les autres continueront à payer la taxe des 25 milliards.