ITA 22

  Una giornata di Francesca Pronto?... Sei tu, Ida? Sì, sono io. Ciao, Francesca, come va? Non c’è male. Hai due minuti? Certo, aspetta un attimo: spengo la radio e accendo una sigaretta. Eccomi qua. Allora: che hai fatto in questi ultimi giorni? Bah, le solite cose... i bambini, la casa, il lavoro... Sei andata in ospedale stamattina? Sì, come al solito, e prima ho accompagnato i bambini a scuola. Per di più Lisa ha fatto un sacco di capricci per andare all’asilo, ed è entrata solo quando è arrivato Federico... il suo amico del cuore! Alla fine del mio turno in ospedale ho fatto un po’ di spesa: sono passata dal macellaio e dal salumiere, e poi anche in lavanderia a ritirare un vestito... Ieri sera invece ho passato una serata piacevole... Sostantivo: una giornata, Francesca, Ida, due minuti, un attimo, la radio, una sigaretta, questi ultimi giorni, le solite cose, i bambini, la casa, il lavoro, l’ospedale, stamattina, la scuola, un sacco di capricci, l’asilo, il suo amico del c...

  1. Where does the data come from in Zalando Size & Fit? A Senior Data Analyst does not just analyse one table — they actively connect multiple data sources , such as: 1. Customer behavior data From Zalando’s platforms: Clickstream: what customers click, which sizes they view, where they drop off Conversion funnel: view → add to cart → purchase → return Return reasons: “too small”, “too large”, “didn’t like the fit” → This is the core source to understand Size & Fit problems from the customer side 2. Product & assortment data From product management systems: Brand, category, gender, material Size charts per brand Actual garment measurements → Used to analyse whether issues come from the product itself or customer behavior 3. Logistics & operations data Return flows Cost per return Lead times → To quantify the financial impact of Size & Fit problems 4. ML / Algorithm output data From the Applied Science team: Size ...

  1. Analyse Size & Fit data Example: You discover that: Brand A has a high return rate due to “too small” in Germany While Brand B is mostly returned as “too large” in Italy → Conclusion: the issue is not only customer behavior, but inconsistencies in brand sizing By category analysis: Jackets have much higher return rates than T-shirts → Suggestion: prioritize improving Size & Fit for outerwear 2. Design and analyse A/B tests Example: You run an A/B test on a “Fit Recommendation” feature: Group A: old interface Group B: shows “Runs small – order one size up” → Results: Return rate decreases by 1.5% Conversion increases by 0.8% → You recommend rolling out the feature across the platform 3. Translate data into business language Example: The ML team says: “Model accuracy improved by 4%” → You translate this into: “Return rate decreased by 1.2%” “This saves approximately €3M per year in logistics costs” → This makes ...

  1. Core purpose of the role – Helping customers buy clothes that fit The main goal is to help customers choose the right size and fit when shopping online,  reduce returns, increase satisfaction, and grow revenue You are not mainly building ML models: you are measuring, analysing and translating the impact of AI/ML Size & Fit solutions into business value 2. Your position in the organization You act as a bridge between : Applied Science / ML teams (who build Size & Fit algorithms) Product teams (who design customer-facing features) Business & Commercial teams (who care about revenue, margin, KPIs) You turn technical outputs into business-relevant insights and decisions 3. What you would do day-to-day Analyse Size & Fit data Identify patterns: returns due to too small/too large, by brand, category, country Compare size charts, garment measurements and brand consistency Design and analyse A/B tests Example: test a n...

  11. High return categories Trong thí nghiệm tập trung vào các danh mục sản phẩm có tỷ lệ trả hàng cao, mục tiêu là giảm các vấn đề fit mang tính cấu trúc gây ra chi phí vận hành lớn. North Star Metrics bao gồm Category Return Rate và Net Revenue per Order. Category Return Rate phản ánh cải thiện dài hạn về chất lượng fit ở cấp danh mục, trong khi Net Revenue per Order đo lường lợi ích tài chính từ việc giảm các đơn trả hàng có thể tránh được. Primary Success Metrics là Category Return Rate in experiment và Margin per Order, trực tiếp đo lường việc can thiệp có cải thiện kết quả fit trong khi vẫn duy trì lợi nhuận hay không. Guardrail Metrics , Conversion Rate và Stock-out Rate, đảm bảo rằng thay đổi ở cấp danh mục không làm giảm khả năng hoàn tất mua hàng hoặc tạo ra vấn đề về tồn kho. Secondary Metrics như Order Value và Category Mix cung cấp thông tin về sự thay đổi hành vi mua sắm giữa các danh mục. 12. New brand onboarding Trong thí nghiệm tích hợp một thương hiệu ...

  1. New size recommendation algorithm Trong thí nghiệm kiểm tra một thuật toán gợi ý size mới trên trang sản phẩm nhằm giảm tỷ lệ trả hàng do chọn sai size, việc xác định các nhóm chỉ số đo lường nhằm nắm bắt cả tác động kinh doanh dài hạn và hiệu quả ngắn hạn của thuật toán. North Star Metrics bao gồm Size-related Return Rate và Net Revenue per Order. Size-related Return Rate phản ánh mục tiêu dài hạn cốt lõi của mảng Size & Fit là giảm chi phí vận hành và chi phí trải nghiệm khách hàng do việc chọn sai size gây ra. Net Revenue per Order đo lường tác động kinh doanh tổng thể của việc giảm trả hàng và tăng tỷ lệ đơn hàng được giữ lại. Primary Success Metrics bao gồm Size-related Return Rate in experiment và Correct Size Selection Rate. Các chỉ số này đo lường trực tiếp việc thuật toán mới có giúp người dùng chọn được size mà họ thực sự giữ lại hay không, và do đó quyết định thành công hay thất bại của thí nghiệm. Guardrail Metrics bao gồm Conversion Rate và Time on Prod...

  11. High return categories In the experiment targeting product categories with consistently high return rates, the objective is to reduce structural fit problems that drive excessive operational cost. The North Star Metrics include Category Return Rate and Net Revenue per Order. Category Return Rate reflects long-term improvements in fit quality at the category level, while Net Revenue per Order captures the financial benefit of reducing avoidable returns. The Primary Success Metrics are Category Return Rate in the experiment and Margin per Order, which directly measure whether the intervention improves fit outcomes while preserving profitability. The Guardrail Metrics , Conversion Rate and Stock-out Rate, ensure that category-level changes do not reduce purchase completion or create availability issues. The Secondary Metrics , such as Order Value and Category Mix, provide insight into changes in purchasing behavior across categories. 12. New brand onboarding In the exp...

  1. New size recommendation algorithm In the experiment testing a new size recommendation algorithm on the product page to reduce returns due to incorrect sizing, the definition of key metrics aims to capture both long-term business impact and short-term algorithm effectiveness. The North Star Metrics include Size-related Return Rate and Net Revenue per Order. Size-related Return Rate reflects the core long-term objective of the Size & Fit domain, which is to reduce operational and customer experience costs caused by poor fit. Net Revenue per Order captures the overall business impact of fewer returned items and a higher proportion of kept orders. The Primary Success Metrics are Size-related Return Rate in the experiment and Correct Size Selection Rate. These metrics directly measure whether the new algorithm improves users’ ability to choose a size that they eventually keep, and therefore determine the success or failure of the experiment. The Guardrail Metrics include...