Comment Amazon Fashion utilise-t-il l'IA pour recommander les tailles et analyser la coupe ?

Amazon Fashion utilise l'IA principalement pour répondre à une question : quelle taille va convenir ? Un modèle d'apprentissage profond recommande une taille sur chaque fiche produit, des grands modèles de langage résument les commentaires sur la coupe issus des avis et nettoient les tableaux de tailles, et un Fit Insights Tool renvoie aux marques des données agrégées sur la coupe et les motifs de retour. Autour de cela se trouve l'assistant d'achat généraliste d'Amazon, lancé sous le nom de Rufus en 2024 et rebaptisé Alexa for Shopping en mai 2026.

Comment fonctionnent les recommandations de taille par IA d'Amazon ?

En janvier 2024, Apoorv Chaudhri, directeur computer vision et machine learning chez Amazon Fashion, a décrit le système sur la newsroom d'Amazon. Un algorithme d'apprentissage profond recommande en temps réel la taille la mieux adaptée sur chaque fiche produit. Ses données d'entrée comprennent les avis clients, les tableaux de tailles, les images et descriptions produit, les correspondances de tailles entre marques et les préférences de coupe propres au client.

Le modèle regroupe de manière anonyme les clients ayant des préférences de coupe similaires et apprend à partir de millions de détails produit et de milliards d'achats anonymisés. Il s'adapte aussi dans le temps : l'exemple d'Amazon est celui d'une taille de pantalon pour enfant achetée ce mois-ci, qui laisse prévoir une taille plus grande dans les mois à venir. Amazon a indiqué que le système génère chaque mois des milliards de recommandations de taille dans 19 pays et régions, et a déclaré : « les clients sont plus enclins à acheter et à garder un article lorsqu'une taille leur est recommandée ». Amazon n'a pas publié l'ampleur de cet effet.

Quel rôle jouent les grands modèles de langage dans la coupe ?

Amazon applique les LLM aux informations non structurées qui entourent la taille, là où les modèles de recommandation classiques peinent.

Le travail sur les tableaux de tailles passe facilement inaperçu, mais il est important. Amazon a décrit l'utilisation de LLM pour extraire les données de tableaux de tailles de plusieurs sources, convertir les mesures en tailles standardisées, supprimer les doublons et corriger automatiquement les mesures manquantes ou erronées. L'entreprise testait aussi une présentation n'affichant que les mesures de la taille recommandée au client au lieu d'un tableau complet.

Lire aussi

Comment Tapestry utilise-t-il la data et l'IA pour la planification de la demande et la personnalisation chez Coach ?

Qu'est-ce que le Fit Insights Tool pour les marques ?

Le Fit Insights Tool est la partie la plus pertinente pour les équipes des marques. Selon Amazon, un LLM agrège les retours clients sur la coupe, le style et la matière, les met en relation avec les retours produits et l'analyse des tableaux de tailles, tandis que l'apprentissage automatique signale les défauts des tableaux de tailles. Les marques peuvent utiliser ces résultats pour réduire les retours liés à la coupe, mieux communiquer sur les tailles et orienter leurs futures créations, comme l'ont également rapporté Chain Store Age et PPC Land.

• Motifs de retour en contexte : pourquoi un article revient, et pas seulement à quelle fréquence.
• Contrôles qualité des tableaux de tailles : signalements automatiques lorsqu'un tableau semble incohérent.
• Apports pour la conception : commentaires récurrents sur la matière ou la coupe dont les équipes produit peuvent se saisir.
• Corrections de communication : indications sur l'opportunité de conseiller aux clients de prendre une taille au-dessus ou en dessous.

Pour les marques, il s'agit de retours sur le sell-out à un niveau de détail que le reporting wholesale fournit rarement. La limite tient au périmètre : seul le canal Amazon est couvert, et les marques ne maîtrisent pas les modèles sous-jacents.

Quelle place pour Alexa for Shopping (anciennement Rufus) ?

Amazon a lancé Rufus en version bêta le 1er février 2024 comme assistant d'achat conversationnel fondé sur l'IA générative, avant de l'étendre à tous les clients américains. Le 13 mai 2026, Amazon l'a rebaptisé Alexa for Shopping, en combinant la connaissance produit et l'historique d'achat de Rufus avec le contexte personnel d'Alexa+. Amazon indique que Rufus a aidé plus de 300 millions de clients à rechercher, comparer et acheter des produits en 2025.

Alexa for Shopping ajoute des synthèses IA dans la recherche et sur les fiches produit, jusqu'à un an d'historique de prix, des alertes de prix, des achats programmés et une fonction agentique « Buy for Me » pour des produits éligibles d'autres sites. L'annonce d'Amazon ne décrivait pas de fonctionnalités propres à la mode comme l'essayage, si bien que son effet sur la coupe et les retours dans l'habillement n'est pas documenté.

Quelles sont les limites et les risques ?

L'approche dépend de l'échelle. Le modèle d'Amazon apprend à partir de milliards d'achats et des correspondances de tailles entre marques, ce que peu de détaillants ou de marques peuvent reproduire avec leurs propres données. Les résumés d'avis peuvent aussi amplifier le bruit : si les premiers avis ne sont pas représentatifs, la synthèse ne le sera pas non plus. Enfin, à mesure que des assistants comme Alexa for Shopping prennent en charge une part croissante de la découverte, les marques ont moins de visibilité directe sur la manière dont leurs produits sont décrits.

De quelles données dépend le système de coupe d'Amazon ?

Les fonctionnalités de coupe d'Amazon combinent quatre types de données : l'historique d'achats et de retours, les préférences de coupe déclarées par les clients, les avis non structurés et les tableaux de tailles des marques. Chacune comble les lacunes des autres. Les achats montrent ce que les gens ont gardé, les avis expliquent pourquoi un article allait ou non, les tableaux de tailles décrivent les mesures prévues, et les correspondances entre marques permettent au modèle de traduire la taille d'un client d'une marque à l'autre.

Deux choix de conception se distinguent. D'abord, Amazon regroupe de manière anonyme les clients aux préférences de coupe similaires au lieu de demander à chaque client ses mensurations. Ensuite, l'entreprise traite le tableau de tailles de la marque comme une donnée à nettoyer et à vérifier, et non comme une vérité intangible. Pour les marques, cela signifie que des tableaux incohérents ou incomplets risquent d'être signalés plutôt qu'acceptés tels quels, et que le vocabulaire des avis sur l'élasticité, la longueur ou la coupe façonne directement les conseils que voient les autres clients.

Lire aussi

Comment ASOS utilise-t-il l'IA ? Recommandations de tenues, AI Stylist et ChatGPT

Que doivent faire les marques de mode qui vendent sur Amazon ?

1. Corriger d'abord les tableaux de tailles : des mesures complètes et cohérentes améliorent chaque recommandation en aval.
2. Utiliser les résultats du Fit Insights Tool comme retour structuré pour le développement produit, et pas seulement pour les textes des fiches.
3. Maintenir l'exactitude des attributs produit (matière, élasticité, coupe), car les résumés par LLM et les assistants s'en servent.
4. Comparer les motifs de retour liés à la coupe sur Amazon avec ceux des autres canaux pour distinguer les problèmes de produit des problèmes de canal.