Sektion 1: Varför traditionella storlekstabeller sviker shoppare
Storlekstabeller mappar kroppsmått till klädetiketter (XS/S/M/L eller 34/36/38/40). Det avgörande felet är att shoppare sällan känner till sina egna mått exakt — en studie från Fit Analytics 2019 visade att färre än 40 % av onlineshopparna hade mätt sin byst, midja eller höfter under det senaste året. Även när måtten är exakta ignorerar storlekstabeller skärning, tygets stretch, avsedd passform (relaxed vs. slim) och variationer i kroppsproportioner. Två shoppare med storlek 40 kan ha identiska midje- och höftmått men helt olika överkroppslängder.
Det andra problemet är variationen mellan olika märken. En shoppare som är medium hos ett märke kan vara large hos ett annat och small hos ett tredje — ett fenomen som är så universellt att "storleksraseri" är ett erkänt konsumentmönster. Storlekstabeller ger en falsk precision: de antyder att en siffra eller bokstav löser passformsproblemet, när den siffran i själva verket bara är en startpunkt för ett beslut som involverar stylingintuition, kunskap om tyger och kroppsförtroende som de flesta shoppare helt enkelt inte har.
Sektion 2: Vad AI-storleksförutsägelse faktiskt gör
Verktyg för AI-baserad storleksförutsägelse faller inom två kategorier: måttbaserade och visionsbaserade. Måttbaserade verktyg ber shopparen att ange sin längd, vikt och kroppsform och använder sedan en tränad modell för att rekommendera en storlek. Dessa är en förbättring jämfört med storlekstabeller eftersom de tar hänsyn till kroppsform, inte bara mått, och kan lära sig märkesspecifika passformsdata från returhistorik. Taket är dock fortfarande numeriskt — de talar om vilken storlek du ska beställa, inte hur den kommer att se ut.
Visionsbaserad AI, vilket är vad Photta implementerar, har en helt annan strategi. Shopparen laddar upp ett foto på sig själv och AI:n genererar en realistisk bild av det valda plagget på deras faktiska kropp. Detta adresserar en annan typ av osäkerhet — inte "vilken storlek ska jag beställa" utan "kommer jag att känna mig självsäker i den här klänningen på min systers bröllop". Båda är verkliga köphinder, men visionsbaserad provning löser dimensionen för stylingförtroende som måttbaserade verktyg inte når.
Sektion 3: Metoden med virtuell provning — vad Photta gör
Photta:s widget integreras på din produktsida med en enkel script-tagg. När en shoppare klickar på "Prova", laddar de upp ett foto (stående pose, frontalt ljus, vilken bakgrund som helst fungerar). AI:n genererar en sammansatt bild av det valda plagget på deras kropp på ungefär 8–15 sekunder. Resultatet är en realistisk produkt-på-person-bild som tar hänsyn till plaggets silhuett, tygets fall och shopparens kroppsproportioner.
Modellen är finjusterad specifikt för klädkategorier: stickat fall, denimtyngd, skira tyger, strukturerade ytterkläder och figurnära silhuetter renderas alla olika och modellen hanterar var och en korrekt. Photta stöder även smycken (ringar, örhängen, halsband), glasögon (vanliga och solglasögon) samt skor. Varje kategori använder en specialiserad pipeline — du behöver inte konfigurera vilken pipeline som ska användas, systemet känner av produkttypen från din produktmetadata.
Sektion 4: När man ska använda båda tillsammans
Storlekstabeller och virtuell provning adresserar olika dimensioner av kundångest och fungerar bäst i kombination. En shoppare som tittar på en strukturerad kavaj har två skilda frågor: (1) "Kommer en storlek 38 passa mina axlar?" — en numerisk passformsfråga som en välkalibrerad storlekstabell eller ett mätverktyg kan hjälpa till att besvara; och (2) "Passar den här kavajen min kroppstyp och hudton?" — en fråga om stylingförtroende som endast en virtuell provning kan besvara. Att bara ta bort den ena oron löser inte köptveksamheten helt.
Den rekommenderade inställningen: behåll din befintliga storlekstabell på produktsidan, lägg till Photta:s knapp för virtuell provning precis ovanför din köpknapp, och länka till storlekstabellen från sidfoten i provningsmodalen. Handlare som implementerar detta dubbla upplägg rapporterar de högsta konverteringslyften — upp till 28 % — eftersom de servar både den analytiska shopparen (som vill ha siffror) och den visuella shopparen (som vill se).
Sektion 5: Verklig konverteringsdata från klädvarumärken
Inom Photta:s grupp av handlare är medianlyftet för konverteringsgraden i sessioner som inkluderar en provningsinteraktion 22 % jämfört med sessioner som inte gör det. Returgraden sjunker med 25–30 % inom 90 dagar efter installation. Dessa siffror håller i alla prissegment, från snabbmode för 400 kr till premiumkläder för 4000 kr, även om den absoluta ekonomiska effekten är större vid högre prispunkter där returfraktkostnaderna är högre.
Per kategori ses de största konverteringslyften inom badkläder (+31 %), klänningar (+28 %) och ytterkläder (+24 %) — exakt de kategorier där stylingosäkerheten är som högst och en storlekstabell ger minst trygghet. Basplagg som enkla T-shirts och enfärgade byxor visar mindre men fortfarande positiva lyft (+11–15 %). Mönstret är konsekvent: ju högre stylingkomplexitet hos plagget, desto mer värde tillför en virtuell provning jämfört med en storlekstabell.