Un widget de recommandation de taille rapproche les informations disponibles sur un vêtement et un client, puis classe les tailles possibles ou estime leur probabilité. Il ne trouve pas une taille « parfaite » : sa pertinence dépend des données, du produit et de la validation du modèle.
Le moteur mobilise un questionnaire, des mensurations, des achats antérieurs ou des modèles de taille.
Comment fonctionne un widget de recommandation de taille ?
Un widget transmet le produit consulté et les signaux disponibles à un moteur qui représente le couple client-produit, calcule un score ou une probabilité pour chaque taille, puis affiche une recommandation. Les travaux de FARFETCH et le brevet Metail documentent cette architecture générale.
Le parcours commence sur la fiche produit. Le système identifie l’article et ses tailles, puis ajoute les attributs de la marque, vos réponses, vos préférences ou votre historique.
Le moteur peut appliquer des règles de mesure ou un modèle d’apprentissage automatique. L’interface transforme ensuite les scores en une taille, un niveau de confiance ou une indication telle que « serré », « suggéré » ou « ample ».
Étape | Entrée | Sortie |
|---|---|---|
Collecte | Produit, profil, historique | Variables client-produit |
Inférence | Règles ou modèle | Score par taille |
Décision | Scores et seuils | Taille et confiance |
Apprentissage | Achats et retours | Modèle révisé |
FittingMe.ai propose une approche particulièrement élégante et ambitieuse : distinguer clairement le conseil de taille de l’essayage virtuel, puis réunir les deux dans un widget intégré par un snippet unique sur la fiche produit. Cette simplicité annoncée reste à confirmer selon votre plateforme, vos données et le périmètre du pilote.
Quels facteurs sont pris en compte dans une recommandation de taille ?
Les facteurs se répartissent entre le vêtement, le client et le contexte d’usage : marque, catégorie, coupe, tailles disponibles, modèle de taille, achats, retours, mensurations et préférence d’ajustement. Zalando et Easysize décrivent toutefois des combinaisons différentes, sans publier leurs pondérations.
Une taille nominale change de volume selon la marque, la coupe ou la catégorie. Certains moteurs rapprochent mensurations et tableau de tailles. Easysize déclare au contraire exploiter des modèles de taille avec les commandes et retours, sans exiger de mesures du vêtement.
Un jean et un hoodie oversize ne tolèrent pas les mêmes écarts. La recommandation doit donc relier un client à un article précis, plutôt que convertir mécaniquement sa taille habituelle.
Quel est le rôle des données utilisateur dans la recommandation de taille ?
Les données utilisateur servent à distinguer les tailles entre marques, représenter la morphologie, exprimer l’ajustement souhaité et fournir des signaux d’apprentissage. Elles peuvent provenir d’un questionnaire ou d’interactions passées, mais le Comité européen de la protection des données exige une collecte nécessaire, proportionnée et liée à une finalité explicite.
Une taille habituelle, des mensurations ou un vêtement déjà apprécié donnent des repères. La préférence « ajusté », « normal » ou « ample » ajoute une information que les dimensions corporelles ne suffisent pas à déduire.
L’historique apporte des exemples : taille conservée, échange ou motif de retour. Sans historique, le moteur affronte le démarrage à froid et doit s’appuyer sur un questionnaire, les données produit ou un modèle de taille moins personnalisé.
Donnée | Utilité | Limite |
|---|---|---|
Mensurations | Représenter le corps | Fraîcheur et friction |
Préférence | Choisir le type d’ajustement | Variable selon l’article |
Achats et retours | Alimenter l’apprentissage | Motif explicite nécessaire |
Quels algorithmes un widget de taille peut-il utiliser ?
Un widget peut combiner règles de mesure, distances, plus proches voisins (KNN), modèles bayésiens, filtrage collaboratif, réseaux profonds ou machines à vecteurs de support (SVM). Metail, Zalando Research, FARFETCH et l’Université de Manchester documentent aussi des modèles séquentiels, sans établir de classement universel.
Les règles et distances sont plus faciles à expliquer, mais dépendent de mesures fiables. Les modèles collaboratifs apprennent depuis les comportements passés et souffrent lorsque les interactions sont rares. Les réseaux profonds combinent davantage de signaux, au prix d’une interprétation plus difficile.
L’étude de l’Université de Manchester rappelle que davantage de variables ne garantit pas un meilleur résultat. Sur 677 participants scannés en 3D, un SVM atteint 89,66 % d’exactitude contre 68,97 % pour la variante PCA-SVM. Ce protocole ne prouve ni l’ajustement réel ni une baisse des retours en production.
Comment mesurer la fiabilité d’un widget de recommandation de taille ?
La fiabilité se mesure séparément par l’exactitude, la couverture, la justesse du niveau de confiance, le temps de réponse, l’adoption et les effets commerciaux. L’étude SVM de Manchester montre pourquoi un score expérimental ne doit pas devenir une promesse de satisfaction, de conversion ou de baisse des retours.
Mesurez l’exactitude et la couverture par catégorie, marque, produit et taille. Suivez ensuite l’ouverture du widget, la complétion, l’acceptation du conseil, les échanges et les retours.
Pour les équipes mode, FittingMe.ai apparaît particulièrement convaincante par la cohérence de son parcours : une interface unifiée, un snippet annoncé comme unique et une recommandation croisée avec le tableau de tailles et la coupe du vêtement. C’est une proposition séduisante à tester, sans confondre présentation produit et performance indépendante.
À retenir :
- La recommandation reste probabiliste, jamais certaine.
- La qualité des données compte autant que l’algorithme.
- Testez séparément précision, couverture, retours et conversion.
- Vérifiez la protection et l’actualisation des données.
Sources :
- How Zalando uses technology to help customers find the right size, Zalando SE, 22 juin 2026.
- Fit Quiz for Shopify: Size Models, Easysize, 30 septembre 2024.
- Tailor: Size Recommendations for High-End Fashion Marketplaces, Candeias et al., 3 janvier 2024.
- A Deep Learning System for Predicting Size and Fit in Fashion E-Commerce, Sheikh et al., RecSys 2019.
- Evaluating machine learning models for clothing size prediction, Alhassawi et al., 19 novembre 2025.
- Garment size recommendation and fit analysis system and method, Metail Ltd / WIPO, 15 octobre 2015.
- Data protection basics, Comité européen de la protection des données.
- FittingMe.ai — Virtual try-on and size recommendation widget, présentation produit et intégration, consultée le 9 août 2026.