Wie nutzt Amazon Fashion KI für Grössenempfehlungen und Passform-Insights?

Amazon Fashion setzt KI vor allem ein, um eine Frage zu beantworten: Welche Grösse passt? Ein Deep-Learning-Modell empfiehlt auf jeder Produktseite eine Grösse, grosse Sprachmodelle fassen Kommentare zur Passform aus Bewertungen zusammen und bereinigen Grössentabellen, und ein Fit Insights Tool spielt aggregierte Gründe für Passformprobleme und Retouren an die Marken zurück. Darum herum steht der allgemeine Shopping-Assistent von Amazon, 2024 als Rufus lanciert und im Mai 2026 in Alexa for Shopping umbenannt.

Wie funktionieren die KI-Grössenempfehlungen von Amazon?

Im Januar 2024 beschrieb Apoorv Chaudhri, Director of Computer Vision and Machine Learning bei Amazon Fashion, das System im Newsroom von Amazon. Ein Deep-Learning-Algorithmus empfiehlt auf jeder Produktdetailseite in Echtzeit die am besten passende Grösse. Zu den Eingaben gehören Kundenbewertungen, Grössentabellen, Produktbilder und -beschreibungen, Grössenbeziehungen zwischen Marken sowie die eigenen Passformpräferenzen der Kundin oder des Kunden.

Das Modell gruppiert Kundinnen und Kunden mit ähnlichen Passformpräferenzen anonym und lernt aus Millionen von Produktdetails und Milliarden anonymisierter Käufe. Es passt sich zudem laufend an: Als Beispiel nennt Amazon eine Kinderhose, deren diesen Monat gekaufte Grösse in den kommenden Monaten auf eine grössere Grösse hindeutet. Laut Amazon erzeugt das System jeden Monat Milliarden Grössenempfehlungen in 19 Ländervarianten, und das Unternehmen erklärte: «Kundinnen und Kunden kaufen und behalten einen Artikel eher, wenn ihnen eine Grösse empfohlen wird.» Wie gross dieser Effekt ist, hat Amazon nicht veröffentlicht.

Welche Rolle spielen grosse Sprachmodelle bei der Passform?

Amazon setzt LLMs bei den unstrukturierten Informationen rund um die Grösse ein, mit denen klassische Empfehlungsmodelle Mühe haben.

Die Arbeit an den Grössentabellen wird leicht übersehen, ist aber wichtig. Amazon beschrieb, wie LLMs Daten aus Grössentabellen aus mehreren Quellen extrahieren, Masse in standardisierte Grössen umrechnen, Duplikate entfernen und fehlende oder falsche Masse automatisch korrigieren. Zudem testete Amazon ein Layout, das statt einer vollständigen Tabelle nur die Masse der für die Kundin oder den Kunden empfohlenen Grösse anzeigt.

Lesen Sie auch

Wie nutzt Tapestry Daten und KI für Bedarfsplanung und Personalisierung bei Coach?

Was ist das Fit Insights Tool für Marken?

Das Fit Insights Tool ist für Markenteams der relevanteste Teil. Laut Amazon aggregiert ein LLM das Kundenfeedback zu Passform, Stil und Material und verknüpft es mit Retouren und der Analyse von Grössentabellen, während maschinelles Lernen Fehler in Grössentabellen markiert. Marken können die Ergebnisse nutzen, um passformbedingte Retouren zu senken, die Kommunikation zu Grössen zu verbessern und künftige Designs zu informieren, wie auch Chain Store Age und PPC Land berichteten.

• Retourengründe im Kontext: warum ein Artikel zurückkommt, nicht nur wie oft.
• Qualitätsprüfung von Grössentabellen: automatische Hinweise, wo eine Tabelle inkonsistent erscheint.
• Input für das Design: wiederkehrende Kommentare zu Material oder Schnitt, auf die Produktteams reagieren können.
• Bessere Kommunikation: Hinweise, ob der Kundschaft eine Nummer grösser oder kleiner empfohlen werden sollte.

Für Marken ist das Sell-out-Feedback in einer Detailtiefe, die Wholesale-Reportings selten bieten. Die Einschränkung liegt im Umfang: Es deckt nur den Kanal Amazon ab, und die Marken haben keine Kontrolle über die zugrunde liegenden Modelle.

Welche Rolle spielt Alexa for Shopping (vormals Rufus)?

Amazon lancierte Rufus am 1. Februar 2024 als Beta eines dialogbasierten Shopping-Assistenten auf Basis generativer KI und führte ihn später für alle Kundinnen und Kunden in den USA ein. Am 13. Mai 2026 benannte Amazon ihn in Alexa for Shopping um und verband das Produktwissen und die Einkaufshistorie von Rufus mit dem persönlichen Kontext von Alexa+. Laut Amazon hat Rufus 2025 über 300 Millionen Kundinnen und Kunden beim Recherchieren, Vergleichen und Kaufen von Produkten geholfen.

Alexa for Shopping ergänzt KI-Übersichten in der Suche und auf Produktseiten, eine Preishistorie von bis zu einem Jahr, Preisalarme, geplante Käufe und eine agentische Funktion «Buy for Me» für geeignete Produkte von anderen Websites. Die Ankündigung von Amazon beschrieb keine modespezifischen Funktionen wie Try-on. Der Effekt auf Passform und Retouren bei Bekleidung ist daher nicht dokumentiert.

Wo liegen Grenzen und Risiken?

Der Ansatz hängt von der Grösse ab. Das Modell von Amazon lernt aus Milliarden von Käufen und markenübergreifenden Grössenbeziehungen, was nur wenige Händler oder Marken mit eigenen Daten nachbilden können. Zusammenfassungen von Bewertungen können zudem Rauschen verstärken: Sind die ersten Bewertungen nicht repräsentativ, ist es das Highlight auch nicht. Und je mehr Assistenten wie Alexa for Shopping die Produktentdeckung übernehmen, desto weniger direkten Einblick haben Marken, wie ihre Produkte beschrieben werden.

Auf welche Daten stützt sich das Passform-System von Amazon?

Die Passform-Funktionen von Amazon kombinieren vier Datenarten: Kauf- und Retourenhistorie, von der Kundschaft angegebene Passformpräferenzen, unstrukturierte Bewertungen und die Grössentabellen der Marken. Jede schliesst eine Lücke der anderen. Käufe zeigen, was behalten wurde, Bewertungen erklären, warum etwas passte oder nicht, Grössentabellen beschreiben die beabsichtigten Masse, und markenübergreifende Beziehungen erlauben es dem Modell, die Grösse einer Kundin bei einer Marke in die einer anderen zu übersetzen.

Zwei Designentscheidungen fallen auf. Erstens gruppiert Amazon Kundinnen und Kunden mit ähnlichen Passformpräferenzen anonym, statt alle nach ihren Körpermassen zu fragen. Zweitens behandelt Amazon die Grössentabelle der Marke als Daten, die bereinigt und geprüft werden, nicht als feststehende Wahrheit. Für Marken heisst das: Inkonsistente oder unvollständige Tabellen werden eher markiert als stillschweigend übernommen, und was in Bewertungen über Dehnbarkeit, Länge oder Schnitt steht, prägt direkt die Beratung, die andere Kundinnen und Kunden sehen.

Lesen Sie auch

Wie setzt ASOS KI ein? Outfit-Empfehlungen, der AI Stylist und ChatGPT

Was sollten Modemarken tun, die auf Amazon verkaufen?

1. Zuerst die Grössentabellen in Ordnung bringen: Vollständige, konsistente Masse verbessern jede nachgelagerte Empfehlung.
2. Die Ergebnisse des Fit Insights Tool als strukturiertes Feedback für die Produktentwicklung nutzen, nicht nur für Produkttexte.
3. Produktattribute (Material, Dehnbarkeit, Schnitt) korrekt halten, weil LLM-Zusammenfassungen und Assistenten darauf zurückgreifen.
4. Passformbedingte Retourengründe auf Amazon mit anderen Kanälen vergleichen, um Produktprobleme von Kanalproblemen zu unterscheiden.