class="img-responsive

NEUIGKEITEN / AI TECHNOLOGIE

19. November 2019
Pascal Coggia, Artefact UK's Managing Partner of Data and Consulting, erklärt, wie Marken AI und data nutzen können, um die Beliebtheit ihrer Produkte zu prognostizieren und ihr Marketing und ihre Abläufe zu informieren.

Startbahn zu den Ergebnissen in 20 Minuten.

Am 19. November 2019 sprach Pascal Coggia, Managing Partner von Artefact UK, Data und Consulting, auf der Google Cloud Next als Teil des Partnerpanels. Er erörterte, wie Marken die AI nutzen können, um die Beliebtheit ihrer Produkte zu prognostizieren, und dann diese data nutzen können, um ihr Marketing und ihren Betrieb zu informieren.

Als globaler Google-Partner, der sowohl für GCP als auch für GMP zertifiziert ist, wurden wir eingeladen, an ihrem Partner Specialised Panel teilzunehmen. Das Panel sollte die kreativsten Anwendungen der Google-Suite vorstellen und zeigen, wie Partner den Google-Stack nutzen können, um neue Lösungen für Kunden zu entwickeln, die sowohl den Geschäftsanforderungen entsprechen als auch zu greifbaren Ergebnissen führen. 

Pascal wurde eingeladen, um über eine Fallstudie zu sprechen, in der wir den Google-Stack auf eine neue Art und Weise genutzt haben - unter Einbeziehung des maschinellen Lernens für einen Kunden. Als Agentur bilden AI und maschinelles Lernen das Rückgrat unserer Arbeit. Wir nutzen data , um unser Marketing zu informieren und die Geschäfte unserer Kunden zu verbessern. 

Da wir eine Vielzahl von Kunden haben, die Google-Produkte nutzen, wussten wir, dass wir die Herausforderung annehmen und ein innovatives Projekt mit der Google Cloud Next-Crowd teilen konnten. Wir wollten zeigen, wie ML und AI echte geschäftliche Auswirkungen haben können, nicht nur im Marketing, sondern in vielen Bereichen eines Unternehmens. 

Mit der zunehmenden Verbreitung von data und der Cloud machen sich viele Unternehmen die riesige Menge an data zu Nutze. Es gibt jedoch eine Branche, die dies bisher noch nicht getan hat - die Mode- und Luxusbranche. Doch Modemarken beschäftigen sich immer intensiver damit, was der nächste Trend sein wird. Dies wirkt sich auf alles aus, von der Verkaufs- und Betriebsplanung über Lagerbestände und Budgets bis hin zur Sortimentsstrategie.

Um zu zeigen, wie Luxusmode sowohl Kreativität als auch data umfassen kann, präsentierte Pascal ein Projekt, an dem Artefact kürzlich für das Luxusmodehaus gearbeitet hat, Lanvin.

Herausforderung

Lanvin hatte Schwierigkeiten, sich auf dem umkämpften Luxusmarkt zu behaupten. Das Unternehmen hatte vor kurzem einen Relaunch seiner Marke durchgeführt - einschließlich der Einstellung eines neuen Kreativdirektors, der Schaffung neuer Werte und der Neupositionierung der Marke. Im Anschluss daran wollten sie herausfinden, wie die Marke in der Öffentlichkeit und in der Branche ankam und welche Stücke am beliebtesten waren. 

Das machte unser Projekt zu einer noch größeren Herausforderung: Lanvin benötigte diese Informationen schnell - spätestens 5 Tage nach der Show, um strategische Entscheidungen zu treffen.

Näherung

Wir schlugen eine Lösung für maschinelles Lernen vor, die noch am Tag der Modenschau die Begehrlichkeit und die entsprechenden betrieblichen Auswirkungen (wie die weltweit benötigten Lagerbestände pro Geschäft) erkennen konnte. Dies geschah auf der Grundlage einer Vielzahl von data Punkten, einschließlich sozialer Netzwerke wie Instagram, Facebook, WeChat sowie Blogs von relevanten Teilnehmern und Trendsettern.

Unsere Lösung sollte in der Lage sein, die Looks der Show zu identifizieren und relevante Bilder zu finden, die die Produkte von Lanvin enthalten. Anhand von Hunderten von Bildern von der Show, von denen viele die Linie gar nicht enthielten, konnte sie dann die Stimmung aus den entsprechenden Posts extrahieren. Ziel war es, nicht nur die Looks auf den einzelnen Bildern zu erkennen, sondern auch die einzelnen Produkte auf jedem Foto zu identifizieren.

Methode

Um dieses Niveau an maßgeschneidertem maschinellem Lernen zu erreichen, mussten wir mehrere Arten von AI nutzen. Durch die Kombination von ML von der Stange mit einem maßgeschneiderten Programm konnten wir etwas schaffen, das genau den Bedürfnissen von Lanvin entsprach. 

Zunächst trainierten wir die Standard-ML mit Bildern aus Open-Source-Banken von Mode-Looks und -Produkten, dann kombinierten wir diese data mit unserer eigens entwickelten ML, um sie unmittelbar nach der Show mit dem Video von Lanvin erneut zu trainieren. Da die Zeit nicht auf unserer Seite war, verwendeten wir diese hybride Kombination, die es uns ermöglichte, das Modell in nur 20 Minuten einzurichten, um zu lernen, nach welchen Bildern es suchen sollte. 

 

Unser Modell nahm alle Informationen auf und bewertete, welche Stücke am meisten Aufsehen erregten. Anhand von data konnten wir dann vorhersagen, welche Artikel in den einzelnen Ländern weltweit am beliebtesten sein würden. Wir waren in der Lage, die Beliebtheit von Artikeln nach Land und Bevölkerungsgruppe zu überprüfen, was Lanvin ein besseres Verständnis dafür verschaffte, welche Produkte bei verschiedenen Gruppen und in verschiedenen Ländern beliebt sind.

Der Prozess war jedoch nicht unproblematisch. Die Bilder von chinesischen sozialen Plattformen wurden als Vorschaubilder und nicht als vollständige Bilder gesendet, was zu einer falschen Klassifizierung der Fotos führte. Da wir das Unerwartete vorhersahen, verwendeten wir Google Stackdriver, das uns per E-Mail darüber informierte, dass etwas nicht stimmte, so dass das Problem schnell erkannt und behoben werden konnte.

Ergebnisse

Der ML hatte eine außergewöhnliche 95%ige Genauigkeit bei der Identifizierung der Looks der Lanvin-Show in allen Social-Media-Posts, selbst wenn die Bilder aus einem unklaren Winkel aufgenommen wurden.

 

Das Besondere an diesem Ergebnis war die Art und Weise, wie wir den ML trainiert haben, und die Geschwindigkeit, mit der die Ergebnisse erzielt wurden. Wir hatten den Algorithmus noch am gleichen Tag der Show einsatzbereit, so dass wir das Ziel des Kunden, eine vollständige Analyse 5 Tage nach der Messe zu haben. Dazu gehörte eine vollständige Analyse der Reaktionen, die aufzeigte, welche Looks am meisten Aufsehen erregten, und eine Vorhersage, welche Artikel am beliebtesten sein würden.

 

Echte Auswirkungen auf das Geschäft wurden erzielt durch Stackdriver von GoogleStackdriver analysierte alle Bilder aus den sozialen Medien und erkannte vor allem, dass die Bilder von den chinesischen sozialen Plattformen nicht korrekt übertragen wurden.

 

Dank data kann unser Kunde den Erfolg seines Relaunches genau einschätzen. Er erhält damit ein konkretes Ergebnis, anstatt den Erfolg auf Intuition und Hörensagen zu stützen. Unsere Analyse ihres Share of Voice im Vergleich zu anderen Marken auf der Pariser Modewoche ermöglichte es ihnen, klar zu erkennen, wie viel Aufmerksamkeit sie im Vergleich zu anderen anwesenden Modehäusern erhielten. 

 

Dieser Einblick in die Kundenreaktionen von der Messe kann auch noch einen Schritt weiter gehen und für verschiedene Aspekte des Geschäfts genutzt werden, von der Auswahl der Produkte für das Marketing in verschiedenen Ländern bis hin zur Produktion und den Lagerbeständen der einzelnen Looks.