Wykorzystanie danych do zrozumienia i przewidywania trendów w modzie
Kluczem do przetrwania w wysoce konkurencyjnej branży mody jest rozumienie potrzeb klientów i przewidywanie przyszłych trendów. Dzięki dużym zbiorom danych, sprzedawcy z tej branży mogą to robić lepiej niż kiedykolwiek. „Nawet posiadanie pełnej dokumentacji wcześniejszych zakupów nie wystarczy, aby w pełni zrozumieć, w jaki sposób poszczególne produkty odwzorowują styl i gust klienta”, mówi Alessandro Checco, badacz z Uniwersytetu w Sheffield. „Z biznesowego punktu widzenia wszelkie korzyści wynikające z efektywnego zarządzania dostawcami, przesyłkami i obsługą są niewielkie w porównaniu z korzyściami, jakie można osiągnąć dzięki lepszemu zrozumieniu osobowości i przyzwyczajeń klientów”. Zespół finansowanego ze środków UE projektu FashionBrain chce pomóc sprzedawcom zrozumieć potrzeby ich klientów poprzez zastosowanie technologii i dużych zbiorów danych.
Dane i uczenie maszynowe
Celem projektu było usprawnienie łańcucha wartości w branży mody poprzez kształtowanie wrażeń związanych z zakupami, pomoc sprzedawcom detalicznym w identyfikacji i śledzeniu czynników wpływających na sprzedaż oraz przewidywanie nadchodzących trendów. W tym celu naukowcy połączyli i rozszerzyli istniejące technologie w obszarach zarządzania bazami danych, eksploracji danych, uczenia maszynowego, przetwarzania obrazów, pozyskiwania informacji oraz crowdsourcingu. „Pierwszym krokiem było zebranie i połączenie ogromnych ilości danych wygenerowanych przez różne podmioty z branży mody. Zaangażowaliśmy producentów i sieci dystrybucji, sklepy internetowe, dużych detalistów, platformy mediów społecznościowych, telefoniczne centra obsługi klienta i media związane z modą”, wyjaśnia Checco. „Dane te zostały następnie przebrane, przeanalizowane i wykorzystane jako dane wejściowe do naszych algorytmów uczenia maszynowego”. W wyniku tych prac powstał szereg ważnych narzędzi i rozwiązań. Dobrym przykładem jest FaBIAM – zintegrowana infrastruktura do przechowywania, zarządzania i przetwarzania heterogenicznych danych dotyczących mody. W ramach projektu opracowano również nowoczesną bibliotekę Flair do przetwarzania języka naturalnego (ang. natural language processing, NLP). NLP to dziedzina skupiająca się na programowaniu komputerów do przetwarzania i analizy dużych ilości danych w języku naturalnym. „Flair reprezentuje nowe podejście do podstawowych zadań związanych z NLP, takich jak analiza składniowa i semantyczna”, mówi Checco. „W trakcie realizacji projektu wykazaliśmy, że podejście to znacznie przewyższa wszystkie istniejące metody i jest dostępne jako oprogramowanie typu open source”. Inne ważne wyniki to funkcja typu „end-to-end” służąca do wyszukiwania obrazu na podstawie tekstu, narzędzie do wykrywania czynników wpływających na modę oraz metoda przewidywania trendów (PredTS).
Obecne korzyści dla firm
Zdaniem Checco narzędzia te przynoszą korzyści detalistom, ponieważ umożliwiają świadczenie nowatorskich usług, które poprawiają jakość obsługi klienta i zwiększają lojalność klientów wobec marki. „Dzięki temu klient będzie mógł otrzymywać spersonalizowane rekomendacje i uzyska dostęp do zaawansowanego wyszukiwania produktów według zdjęć, złożonych opisów tekstowych itp.”, mówi badacz. „Sprzedawca detaliczny będzie mógł również stworzyć materiał marketingowy dopasowany do gustu klienta, zamiast jedynie pokazywać mu produkt i jego cenę”. Narzędzia FashionBrain przestały być teoretycznym konceptem i już teraz przynoszą korzyści firmom. Na przykład platforma Zalando odnotowała wymierny wzrost przychodów przypadających na klienta dzięki wykorzystaniu Flair. Dostawca usług analitycznych MonetDB Solutions nie tylko dwukrotnie zwiększył rozmiar firmy, ale także zdobył nowe inwestycje i pozyskał kilku nowych klientów, w tym korporacje międzynarodowe notowane na giełdzie.
Słowa kluczowe
FashionBrain, dane, moda, trendy w modzie, technologia, duże zbiory danych, sklepy odzieżowe, przemysł mody, eksploracja danych, uczenie maszynowe, przetwarzanie języka naturalnego, Zalando
