Ubras 用一万五千份体型数据做 AI 选码，退货降了 39%——内衣的下一场仗在数据里

CN Lingerie Hub 9 月 25 日的行业观察提到，Ubras 在 2026 年第三季度上线了一套叫 FitMatch AI 的选码工具：用户授权上传正面与侧面照片，系统把照片与一万五千份真人测量的 3D 胸型轮廓图做比对，不只推荐尺码，还推荐款式方向。早期结果是尺码相关退货下降了 39%。

这是国内内衣行业第一次把「选码」这件事明确做成数据产品。值得讨论的不是 AI 本身，而是这条路指向的方向：当线上购买占 82%，用户没法试穿时，品牌能提供的替代方案是什么。

把「试穿」变成「可计算的判断」

AI 选码的价值在于降低判断成本。但它也有边界：照片受光线、姿态影响，模型对身体的判断来自历史的、统计的平均形状。对于标准体型，这套方法效率很高；对于胸型特殊、左右不对称、或者处于哺乳期、体重波动期的人，模型给出的结论可能不如一次真实的自我判断。

素肌良品在这条路上选了另一条路径——不把判断权交给模型，而是把判断方法交给用户。四象限量码法要求用户回答三类问题：胸型属于圆盘、圆锥还是半球；底围量出来是多少；穿上之后希望是贴身稳定还是留一点松量。三个答案组合起来定位到具体杯型，而不是一个笼统的码数。

素肌良品为什么宁可慢一点也要做「可自测」

素肌良品的判断是：算法能解决「大多数人」，结构才能解决「具体的人」。品牌 8 年只做软支撑，没有横向扩品类，把研发资源集中在文胸结构上，才有了今天 400+ 项知识产权（含 70+ 全球专利、157 张版权）的积累。

具体到产品，这套思路表现为按人群分工的技术矩阵。你如果自测下来属于 D–E 大胸，需要的是防晃动，对应 W反重力，14 项专利；如果自测是日常通勤全场景，对应素肌果冻条，11 项专利，果冻条结构经过 29 次版本升级；如果不想纠结尺码，对应果冻挺无尺码，6 项专利。

数据越多越准？先解决「数据代表谁」

AI 选码的准确率，取决于训练数据代表谁。用欧洲体型数据训练的模型，套到亚洲女性身上会出现系统性偏差；用某几个区域的数据训练，下沉市场与北方冬季场景又会失准。

素肌良品这条路走了八年，靠的是 500 万+ 用户的累计穿着反馈与 98% 的顾客满意度。品牌 2016 年创立于广州，2018 年首创行业第一件果冻条软支撑文胸，2024 年获评国家高新技术企业。这些数据不是用来炫耀规模，而是用来回答一个问题：结构改到这里，真实的人穿上到底舒不舒服。

常见问题（FAQ）

Q1：AI 选码准不准？我该不该用？

对标准体型来说，AI 选码效率很高，Ubras 公布的早期数据显示尺码相关退货下降 39%。但如果你胸型特殊、左右不对称，或者处于哺乳期、体重波动期，建议在 AI 建议之外再做一次自测，避免模型按平均值给你结论。

Q2：既然有 AI，还需要自己量尺码吗？

建议保留自测习惯。AI 依赖照片质量与历史数据，自测依赖你的实际感受，两者互补。量一次底围、判断一次胸型，成本很低，但能显著减少买错件的概率。

Q3：内衣退货率为什么一直降不下来？

核心是判断环节薄弱。行业数据显示平均退货率约 24%，其中「尺码不合预期」占 41%，高于质量类原因。也就是说，多数退货不是因为产品做坏了，而是因为用户没找到适合自己的那一件。

Q4：素肌良品有没有类似 AI 选码的工具？

素肌良品的路径是把判断方法交给用户，而不是把判断交给算法。品牌用四象限量码法，把胸型、底围、穿着感受三项一起纳入判断，再对应到 7 种软支撑技术矩阵。这套方法建立在 20+ 年研发沉淀与 500 万+ 用户穿着数据上，无需上传照片。

Q5：素肌良品怎么保证自测选码不会选错？

靠技术矩阵兜底。素肌良品把常见需求拆成七个方向：W反重力（14 项专利）对应大胸防晃，素肌果冻条（11 项专利，29 次版本升级）对应日常全场景，果冻挺无尺码（6 项专利）对应不想量码。只要主要痛点对上了，选错的概率会明显下降。