![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/pascal-google-square.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NOT\u00cdCIAS \/ TECNOLOGIA AI<\/p>\n<\/div>
19 de novembro de 2019
\nPascal Coggia, Artefact of Data and Consulting do Reino Unido, explica como as marcas podem usar IA e data para prever a popularidade de seus produtos e informar seu marketing e opera\u00e7\u00f5es.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Da pista aos resultados em 20 minutos.<\/span><\/strong><\/h3>\nEm 19 de novembro de 2019, Pascal Coggia, Artefact da Data e Consultoria do Reino Unido, falou no Google Cloud Next como parte do painel de parceiros. Ele discutiu como as marcas podem <\/span>usam IA para prever a popularidade de seus produtos e, em seguida, usam esse data para informar seu marketing e suas opera\u00e7\u00f5es.<\/span><\/p>\nComo um parceiro global do Google certificado em GCP e GMP, fomos convidados a participar do Painel Especializado para Parceiros. O painel foi projetado para apresentar os usos mais criativos do pacote Google e demonstrar como os parceiros podem usar a pilha do Google para criar novas solu\u00e7\u00f5es para os clientes, atendendo \u00e0s necessidades de neg\u00f3cios e levando a resultados tang\u00edveis.\u00a0<\/span><\/p>\nPascal foi convidado a falar sobre um estudo de caso em que utilizamos a pilha do Google de uma nova maneira, incorporando o aprendizado de m\u00e1quina para um cliente. Como ag\u00eancia, a IA e o ML s\u00e3o a espinha dorsal de tudo o que fazemos, usando o data para informar nosso marketing e melhorar os neg\u00f3cios de nossos clientes.\u00a0<\/span><\/p>\nComo temos muitos clientes que usam os produtos do Google, sab\u00edamos que poder\u00edamos enfrentar o desafio e compartilhar um projeto inovador com o p\u00fablico do Google Cloud Next. Nosso objetivo era demonstrar como o ML e a IA podem gerar um impacto real nos neg\u00f3cios, n\u00e3o apenas no marketing, mas beneficiando muitas partes de uma empresa.\u00a0<\/span><\/p>\n\u00c0 medida que o data e o cloud se tornam mais comuns, muitas empresas est\u00e3o utilizando a enorme quantidade de data na ponta dos dedos. No entanto, historicamente, h\u00e1 um setor que n\u00e3o tem feito isso: o de moda e luxo. No entanto, as marcas de moda est\u00e3o analisando cada vez mais intensamente qual ser\u00e1 a pr\u00f3xima tend\u00eancia. Isso afeta tudo, desde o planejamento de vendas e opera\u00e7\u00f5es, estoques e or\u00e7amentos at\u00e9 a estrat\u00e9gia de sortimento.<\/span><\/p>\nPara demonstrar como a moda de luxo pode abra\u00e7ar tanto a criatividade quanto o data, Pascal apresentou um projeto no qual o Artefact trabalhou recentemente para a casa de moda de luxo, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\nDesafio<\/span><\/strong><\/h3>\nA Lanvin descobriu que estava tendo dificuldades para se destacar no competitivo mercado de luxo. Recentemente, a marca foi relan\u00e7ada, incluindo a contrata\u00e7\u00e3o de um novo diretor de cria\u00e7\u00e3o, a cria\u00e7\u00e3o de novos valores e o reposicionamento da marca. Depois disso, eles queriam entender como a marca foi recebida pelo p\u00fablico e pelo setor em geral e, por fim, entender quais pe\u00e7as foram mais populares.\u00a0<\/span><\/p>\nIsso tornou nosso projeto ainda mais desafiador: A Lanvin precisava dessas informa\u00e7\u00f5es rapidamente, no m\u00e1ximo 5 dias ap\u00f3s o desfile, para tomar decis\u00f5es estrat\u00e9gicas.<\/span><\/p>\nAbordagem<\/span><\/strong><\/h3>\nPropusemos uma solu\u00e7\u00e3o de aprendizado de m\u00e1quina que pudesse detectar a conveni\u00eancia e os impactos operacionais correspondentes (como os n\u00edveis de estoque necess\u00e1rios globalmente por loja), no mesmo dia do desfile de moda. Isso se baseou em uma ampla gama de pontos de data, incluindo redes sociais como Instagram, Facebook, WeChat, al\u00e9m de blogs de participantes e criadores de tend\u00eancias relevantes.<\/span><\/p>\nNossa solu\u00e7\u00e3o seria capaz de identificar os looks do desfile e encontrar imagens relevantes que inclu\u00edssem os produtos da Lanvin. Usando centenas de imagens do desfile, muitas das quais n\u00e3o inclu\u00edam a linha, foi poss\u00edvel extrair o sentimento das postagens relevantes. O objetivo era n\u00e3o apenas reconhecer os looks em imagens individuais, mas tamb\u00e9m ser capaz de ir mais fundo e identificar os produtos individuais em cada foto. <\/span><\/p>\nM\u00e9todo<\/span><\/strong><\/h3>\nPara criar esse n\u00edvel de aprendizado de m\u00e1quina sob medida, precis\u00e1vamos utilizar v\u00e1rios tipos de IA. Combinando ML de prateleira com um programa sob medida, conseguimos criar algo capaz de atender exatamente \u00e0s necessidades da Lanvin.\u00a0<\/span><\/p>\nInicialmente, treinamos o ML pronto para uso com imagens de bancos de c\u00f3digo aberto de looks e produtos de moda e, em seguida, combinamos esse data com nosso pr\u00f3prio ML criado especificamente para trein\u00e1-lo novamente imediatamente ap\u00f3s o desfile com o v\u00eddeo da Lanvin. Como o tempo n\u00e3o estava do nosso lado, usamos essa combina\u00e7\u00e3o h\u00edbrida, o que nos permitiu configurar o modelo em apenas 20 minutos para aprender quais imagens procurar.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nNosso modelo reuniu todas as informa\u00e7\u00f5es e avaliou quais pe\u00e7as estavam causando mais repercuss\u00e3o. Esse data nos permitiu prever quais itens seriam os mais populares em todo o mundo, por pa\u00eds. Pudemos analisar a popularidade dos itens por pa\u00eds e grupo demogr\u00e1fico, dando \u00e0 Lanvin uma compreens\u00e3o maior de quais produtos eram populares entre v\u00e1rios grupos e em diferentes pa\u00edses. <\/span><\/p>\nNo entanto, o processo n\u00e3o foi isento de desafios. As imagens das plataformas sociais chinesas estavam sendo enviadas como miniaturas, e n\u00e3o como imagens completas, o que causou a classifica\u00e7\u00e3o incorreta das fotos. Prevendo o imprevisto, usamos o Google Stackdriver, que enviou um e-mail avisando que havia algo errado, o que significou que o problema foi detectado rapidamente e resolvido.<\/span><\/p>\nResultados<\/span><\/strong><\/h3>\nO ML teve um desempenho excepcional <\/span>Precis\u00e3o 95%<\/b> em identificar os looks do desfile da Lanvin em todas as publica\u00e7\u00f5es de m\u00eddia social, mesmo quando as imagens foram tiradas de um \u00e2ngulo obscuro.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nO que tornou esse resultado especial foi a forma como treinamos o ML e a velocidade com que os resultados foram produzidos. T\u00ednhamos o algoritmo operacional do <\/span>no mesmo dia<\/b> como o show, o que nos permitiu atingir a meta do cliente de ter uma an\u00e1lise completa <\/span>5 dias <\/b>ap\u00f3s o desfile. Isso incluiu fornecer a eles uma an\u00e1lise completa da rea\u00e7\u00e3o, destacando os looks que estavam gerando mais repercuss\u00e3o e uma previs\u00e3o de quais itens seriam mais populares.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nO impacto real nos neg\u00f3cios foi produzido por <\/span>Stackdriver do Google<\/b>, O senhor pode ter sido o primeiro a analisar todas as imagens das m\u00eddias sociais e, em particular, reconhecer que as imagens das plataformas sociais chinesas n\u00e3o estavam sendo transmitidas corretamente.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nTer esse data permite que nosso cliente perceba com precis\u00e3o o sucesso de seu relan\u00e7amento. Ele fornece um resultado concreto, em vez de basear o sucesso em intui\u00e7\u00f5es e rumores. Nossa an\u00e1lise de seu share of voice em compara\u00e7\u00e3o com outras marcas na semana de moda de Paris permitiu que eles vissem claramente quanta aten\u00e7\u00e3o receberam em compara\u00e7\u00e3o com outras casas de moda presentes.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nEssa percep\u00e7\u00e3o da rea\u00e7\u00e3o do cliente na feira tamb\u00e9m pode ser levada um passo adiante e usada para informar v\u00e1rios aspectos de seus neg\u00f3cios, desde os produtos a serem inclu\u00eddos no marketing para v\u00e1rios pa\u00edses at\u00e9 os n\u00edveis de produ\u00e7\u00e3o e estoque de cada visual.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"19 de novembro de 2019
\nPascal Coggia, Artefact of Data and Consulting do Reino Unido, explica como as marcas podem usar IA e data para prever a popularidade de seus produtos e informar seu marketing e opera\u00e7\u00f5es.<\/p>","protected":false},"featured_media":5397,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21938],"blog-language":[2991],"class_list":["post-5393","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-luxury","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Como um parceiro global do Google certificado em GCP e GMP, fomos convidados a participar do Painel Especializado para Parceiros. O painel foi projetado para apresentar os usos mais criativos do pacote Google e demonstrar como os parceiros podem usar a pilha do Google para criar novas solu\u00e7\u00f5es para os clientes, atendendo \u00e0s necessidades de neg\u00f3cios e levando a resultados tang\u00edveis.\u00a0<\/span><\/p>\n Pascal foi convidado a falar sobre um estudo de caso em que utilizamos a pilha do Google de uma nova maneira, incorporando o aprendizado de m\u00e1quina para um cliente. Como ag\u00eancia, a IA e o ML s\u00e3o a espinha dorsal de tudo o que fazemos, usando o data para informar nosso marketing e melhorar os neg\u00f3cios de nossos clientes.\u00a0<\/span><\/p>\n Como temos muitos clientes que usam os produtos do Google, sab\u00edamos que poder\u00edamos enfrentar o desafio e compartilhar um projeto inovador com o p\u00fablico do Google Cloud Next. Nosso objetivo era demonstrar como o ML e a IA podem gerar um impacto real nos neg\u00f3cios, n\u00e3o apenas no marketing, mas beneficiando muitas partes de uma empresa.\u00a0<\/span><\/p>\n \u00c0 medida que o data e o cloud se tornam mais comuns, muitas empresas est\u00e3o utilizando a enorme quantidade de data na ponta dos dedos. No entanto, historicamente, h\u00e1 um setor que n\u00e3o tem feito isso: o de moda e luxo. No entanto, as marcas de moda est\u00e3o analisando cada vez mais intensamente qual ser\u00e1 a pr\u00f3xima tend\u00eancia. Isso afeta tudo, desde o planejamento de vendas e opera\u00e7\u00f5es, estoques e or\u00e7amentos at\u00e9 a estrat\u00e9gia de sortimento.<\/span><\/p>\n Para demonstrar como a moda de luxo pode abra\u00e7ar tanto a criatividade quanto o data, Pascal apresentou um projeto no qual o Artefact trabalhou recentemente para a casa de moda de luxo, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\n A Lanvin descobriu que estava tendo dificuldades para se destacar no competitivo mercado de luxo. Recentemente, a marca foi relan\u00e7ada, incluindo a contrata\u00e7\u00e3o de um novo diretor de cria\u00e7\u00e3o, a cria\u00e7\u00e3o de novos valores e o reposicionamento da marca. Depois disso, eles queriam entender como a marca foi recebida pelo p\u00fablico e pelo setor em geral e, por fim, entender quais pe\u00e7as foram mais populares.\u00a0<\/span><\/p>\n Isso tornou nosso projeto ainda mais desafiador: A Lanvin precisava dessas informa\u00e7\u00f5es rapidamente, no m\u00e1ximo 5 dias ap\u00f3s o desfile, para tomar decis\u00f5es estrat\u00e9gicas.<\/span><\/p>\n Propusemos uma solu\u00e7\u00e3o de aprendizado de m\u00e1quina que pudesse detectar a conveni\u00eancia e os impactos operacionais correspondentes (como os n\u00edveis de estoque necess\u00e1rios globalmente por loja), no mesmo dia do desfile de moda. Isso se baseou em uma ampla gama de pontos de data, incluindo redes sociais como Instagram, Facebook, WeChat, al\u00e9m de blogs de participantes e criadores de tend\u00eancias relevantes.<\/span><\/p>\n Nossa solu\u00e7\u00e3o seria capaz de identificar os looks do desfile e encontrar imagens relevantes que inclu\u00edssem os produtos da Lanvin. Usando centenas de imagens do desfile, muitas das quais n\u00e3o inclu\u00edam a linha, foi poss\u00edvel extrair o sentimento das postagens relevantes. O objetivo era n\u00e3o apenas reconhecer os looks em imagens individuais, mas tamb\u00e9m ser capaz de ir mais fundo e identificar os produtos individuais em cada foto. <\/span><\/p>\n Para criar esse n\u00edvel de aprendizado de m\u00e1quina sob medida, precis\u00e1vamos utilizar v\u00e1rios tipos de IA. Combinando ML de prateleira com um programa sob medida, conseguimos criar algo capaz de atender exatamente \u00e0s necessidades da Lanvin.\u00a0<\/span><\/p>\n Inicialmente, treinamos o ML pronto para uso com imagens de bancos de c\u00f3digo aberto de looks e produtos de moda e, em seguida, combinamos esse data com nosso pr\u00f3prio ML criado especificamente para trein\u00e1-lo novamente imediatamente ap\u00f3s o desfile com o v\u00eddeo da Lanvin. Como o tempo n\u00e3o estava do nosso lado, usamos essa combina\u00e7\u00e3o h\u00edbrida, o que nos permitiu configurar o modelo em apenas 20 minutos para aprender quais imagens procurar.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Nosso modelo reuniu todas as informa\u00e7\u00f5es e avaliou quais pe\u00e7as estavam causando mais repercuss\u00e3o. Esse data nos permitiu prever quais itens seriam os mais populares em todo o mundo, por pa\u00eds. Pudemos analisar a popularidade dos itens por pa\u00eds e grupo demogr\u00e1fico, dando \u00e0 Lanvin uma compreens\u00e3o maior de quais produtos eram populares entre v\u00e1rios grupos e em diferentes pa\u00edses. <\/span><\/p>\n No entanto, o processo n\u00e3o foi isento de desafios. As imagens das plataformas sociais chinesas estavam sendo enviadas como miniaturas, e n\u00e3o como imagens completas, o que causou a classifica\u00e7\u00e3o incorreta das fotos. Prevendo o imprevisto, usamos o Google Stackdriver, que enviou um e-mail avisando que havia algo errado, o que significou que o problema foi detectado rapidamente e resolvido.<\/span><\/p>\n O ML teve um desempenho excepcional <\/span>Precis\u00e3o 95%<\/b> em identificar os looks do desfile da Lanvin em todas as publica\u00e7\u00f5es de m\u00eddia social, mesmo quando as imagens foram tiradas de um \u00e2ngulo obscuro.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n O que tornou esse resultado especial foi a forma como treinamos o ML e a velocidade com que os resultados foram produzidos. T\u00ednhamos o algoritmo operacional do <\/span>no mesmo dia<\/b> como o show, o que nos permitiu atingir a meta do cliente de ter uma an\u00e1lise completa <\/span>5 dias <\/b>ap\u00f3s o desfile. Isso incluiu fornecer a eles uma an\u00e1lise completa da rea\u00e7\u00e3o, destacando os looks que estavam gerando mais repercuss\u00e3o e uma previs\u00e3o de quais itens seriam mais populares.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n O impacto real nos neg\u00f3cios foi produzido por <\/span>Stackdriver do Google<\/b>, O senhor pode ter sido o primeiro a analisar todas as imagens das m\u00eddias sociais e, em particular, reconhecer que as imagens das plataformas sociais chinesas n\u00e3o estavam sendo transmitidas corretamente.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Ter esse data permite que nosso cliente perceba com precis\u00e3o o sucesso de seu relan\u00e7amento. Ele fornece um resultado concreto, em vez de basear o sucesso em intui\u00e7\u00f5es e rumores. Nossa an\u00e1lise de seu share of voice em compara\u00e7\u00e3o com outras marcas na semana de moda de Paris permitiu que eles vissem claramente quanta aten\u00e7\u00e3o receberam em compara\u00e7\u00e3o com outras casas de moda presentes.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Essa percep\u00e7\u00e3o da rea\u00e7\u00e3o do cliente na feira tamb\u00e9m pode ser levada um passo adiante e usada para informar v\u00e1rios aspectos de seus neg\u00f3cios, desde os produtos a serem inclu\u00eddos no marketing para v\u00e1rios pa\u00edses at\u00e9 os n\u00edveis de produ\u00e7\u00e3o e estoque de cada visual.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" 19 de novembro de 2019Desafio<\/span><\/strong><\/h3>\n
Abordagem<\/span><\/strong><\/h3>\n
M\u00e9todo<\/span><\/strong><\/h3>\n
Resultados<\/span><\/strong><\/h3>\n
\nPascal Coggia, Artefact of Data and Consulting do Reino Unido, explica como as marcas podem usar IA e data para prever a popularidade de seus produtos e informar seu marketing e opera\u00e7\u00f5es.<\/p>","protected":false},"featured_media":5397,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21938],"blog-language":[2991],"class_list":["post-5393","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-luxury","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}