Come usa l'IA Amazon Fashion per i consigli sulla taglia e le analisi della vestibilità?

Amazon Fashion usa l'IA soprattutto per rispondere a una domanda: quale taglia andrà bene? Un modello di deep learning consiglia una taglia in ogni pagina prodotto, grandi modelli linguistici riassumono i commenti sulla vestibilità presenti nelle recensioni e ripuliscono le tabelle taglie, e un Fit Insights Tool restituisce ai brand dati aggregati su vestibilità e motivi di reso. Attorno a tutto questo c'è l'assistente di shopping generale di Amazon, lanciato come Rufus nel 2024 e rinominato Alexa for Shopping nel maggio 2026.

Come funzionano i consigli sulla taglia con IA di Amazon?

Nel gennaio 2024 Apoorv Chaudhri, director of computer vision and machine learning di Amazon Fashion, ha descritto il sistema nella newsroom di Amazon. Un algoritmo di deep learning consiglia in tempo reale la taglia più adatta in ogni pagina di dettaglio prodotto. Tra i dati in ingresso ci sono le recensioni dei clienti, le tabelle taglie, le immagini e le descrizioni dei prodotti, le corrispondenze tra le taglie dei diversi brand e le preferenze di vestibilità del cliente stesso.

Il modello raggruppa in forma anonima i clienti con preferenze di vestibilità simili e impara da milioni di dettagli di prodotto e da miliardi di acquisti anonimizzati. Si adatta inoltre nel tempo: l'esempio di Amazon è quello di una taglia di pantaloni da bambino acquistata questo mese, che segnala una taglia più grande nei mesi successivi. Amazon ha riferito che il sistema genera ogni mese miliardi di consigli sulla taglia in 19 paesi e ha affermato: «i clienti sono più propensi ad acquistare e tenere un articolo quando viene loro consigliata una taglia». Amazon non ha pubblicato l'entità di questo effetto.

Che ruolo hanno i grandi modelli linguistici nella vestibilità?

Amazon applica gli LLM alle informazioni non strutturate che ruotano attorno alla taglia, dove i modelli di raccomandazione classici sono in difficoltà.

Il lavoro sulle tabelle taglie è facile da trascurare ma importante. Amazon ha descritto l'uso di LLM per estrarre i dati delle tabelle taglie da più fonti, convertire le misure in taglie standardizzate, eliminare i duplicati e correggere automaticamente misure mancanti o errate. Stava inoltre testando un layout che mostra solo le misure della taglia consigliata al cliente invece di una tabella completa.

Leggi anche

Come usa Tapestry dati e IA per la pianificazione della domanda e la personalizzazione in Coach?

Che cos'è il Fit Insights Tool per i brand?

Il Fit Insights Tool è la parte più rilevante per i team dei brand. Secondo Amazon, un LLM aggrega i feedback dei clienti su vestibilità, stile e tessuto, li collega ai resi e all'analisi delle tabelle taglie, e il machine learning segnala i difetti nelle tabelle taglie. I brand possono usare i risultati per ridurre i resi legati alla vestibilità, migliorare il modo in cui comunicano le taglie e orientare i design futuri, come hanno riferito anche Chain Store Age e PPC Land.

• Motivi di reso nel contesto: perché un articolo viene restituito, non solo con quale frequenza.
• Controlli di qualità delle tabelle taglie: segnalazioni automatiche quando una tabella appare incoerente.
• Input per il design: commenti ricorrenti su tessuto o taglio su cui i team di prodotto possono intervenire.
• Correzioni nella comunicazione: indicazioni sull'opportunità di consigliare agli acquirenti una taglia in più o in meno.

Per i brand si tratta di feedback sul sell-out con un livello di dettaglio che i report wholesale forniscono raramente. Il limite è la portata: copre solo il canale Amazon, e i brand non controllano i modelli sottostanti.

Che ruolo ha Alexa for Shopping (ex Rufus)?

Amazon ha lanciato Rufus in beta il 1° febbraio 2024 come assistente di shopping conversazionale basato sull'IA generativa, estendendolo poi a tutti i clienti statunitensi. Il 13 maggio 2026 Amazon lo ha rinominato Alexa for Shopping, combinando la conoscenza dei prodotti e lo storico degli acquisti di Rufus con il contesto personale di Alexa+. Secondo Amazon, nel 2025 Rufus ha aiutato oltre 300 milioni di clienti a cercare, confrontare e acquistare prodotti.

Alexa for Shopping aggiunge panoramiche generate dall'IA nella ricerca e nelle pagine prodotto, fino a un anno di storico dei prezzi, avvisi di prezzo, acquisti programmati e una funzione agentica «Buy for Me» per prodotti idonei di altri siti. L'annuncio di Amazon non descriveva funzioni specifiche per la moda come la prova virtuale, quindi il suo effetto sulla vestibilità e sui resi nell'abbigliamento non è documentato.

Quali sono i limiti e i rischi?

L'approccio dipende dalla scala. Il modello di Amazon impara da miliardi di acquisti e da corrispondenze tra le taglie di brand diversi, cosa che pochi retailer o brand possono replicare con i propri dati. I riepiloghi delle recensioni possono anche amplificare il rumore: se le prime recensioni non sono rappresentative, non lo sarà nemmeno la sintesi. Infine, man mano che assistenti come Alexa for Shopping assumono una parte maggiore della scoperta dei prodotti, i brand hanno meno visibilità diretta su come vengono descritti i loro prodotti.

Da quali dati dipende il sistema di vestibilità di Amazon?

Le funzioni di vestibilità di Amazon combinano quattro tipi di dati: storico di acquisti e resi, preferenze di vestibilità dichiarate dai clienti, recensioni non strutturate e tabelle taglie dei brand. Ognuno colma una lacuna degli altri. Gli acquisti mostrano che cosa le persone hanno tenuto, le recensioni spiegano perché qualcosa calzava o no, le tabelle taglie descrivono le misure previste e le corrispondenze tra brand permettono al modello di tradurre la taglia di un cliente in un brand in quella di un altro.

Spiccano due scelte di progettazione. In primo luogo Amazon raggruppa in forma anonima i clienti con preferenze di vestibilità simili invece di chiedere a ogni acquirente le misure del corpo. In secondo luogo tratta la tabella taglie del brand come un dato da pulire e verificare, non come una verità fissa. Per i brand ciò significa che tabelle incoerenti o incomplete verranno probabilmente segnalate invece di essere accettate senza verifica, e che il linguaggio delle recensioni su elasticità, lunghezza o taglio influenza direttamente i consigli che vedono gli altri acquirenti.

Leggi anche

Come usa l'IA ASOS? Suggerimenti di outfit, AI Stylist e ChatGPT

Che cosa dovrebbero fare i brand di moda che vendono su Amazon?

1. Sistemare prima di tutto le tabelle taglie: misure complete e coerenti migliorano ogni raccomandazione a valle.
2. Usare i risultati del Fit Insights Tool come feedback strutturato per lo sviluppo prodotto, non solo per i testi delle schede.
3. Mantenere accurati gli attributi di prodotto (tessuto, elasticità, taglio), perché i riepiloghi degli LLM e gli assistenti si basano su di essi.
4. Confrontare i motivi di reso legati alla vestibilità su Amazon con quelli degli altri canali, per distinguere i problemi di prodotto da quelli di canale.