Digital Innovation for Sustainable Fashion: Virtual Fitting Rooms as a Strategy to Minimize Waste and E-commerce Returns
Notice bibliographique
Résumé
<p>This study aims to determine the efficacy of digital innovations and Virtual Fitting Rooms (VFRs) in minimizing online returns and waste in the fashion industry. This study used both primary and secondary data, including 1) a narrative literature review approach based on data from multiple secondary sources, including scientific journals, e-commerce reports, tech company websites, and other relevant and verified sources, 2) an online survey with sixteen respondents and eight semi-structured interviews with tech companies and virtual fitting rooms developers were conducted to establish baseline data of their perception on the role of developers and VFR tech companies concerning sustainable fashion and reverse logistics. This study assessed information of current VFR apps, including issues with technology development, relationships with e-commerce retailers, effect of VFR in reducing online returns and increasing customer satisfaction. Collected data determined the effects of existing VFRs and digital solutions adopted by the fashion industry to help customers in the sizing and fitting process to reduce online returns and e-commerce waste.</p> <p>The results highlight that VFRs are effective in minimizing returns, increasing customer satisfaction, and promoting sustainability by reducing CO2 emissions due to transportation. This study shows that VFRs could reduce 31.3% of reverse logistic costs and minimize store sizing sampling. There is room for future research on the usage of VFR in 3D cloth simulation engines in pre-production and designers’ collections, which could potentially have a more significant environmental impact on the minimization of fashion waste and overproduction.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».