Modeschauen als Generatoren von Verbraucherwissen

NACHRICHTEN / KI-TECHNOLOGIE

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

Startbahn zu den Ergebnissen in 20 Minuten.

Am 19. November 2019 sprach Pascal Coggia, Artefact UK's Managing Partner of Data and Consulting, auf der Google Cloud Next im Rahmen des Partnerpanels. Er sprach darüber, wie Marken verwenden KI, um die Beliebtheit ihrer Produkte vorherzusagen und nutzen diese data dann für ihr Marketing und ihren Betrieb.

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 - durch die Integration von maschinellem Lernen für einen Kunden. Als Agentur sind KI und maschinelles Lernen das Rückgrat unserer Arbeit. Wir nutzen data, um unser Marketing zu optimieren und die Geschäfte unserer Kunden zu verbessern. 

Da wir eine Vielzahl von Kunden haben, die Google-Produkte verwenden, 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 KI echte geschäftliche Auswirkungen haben können, nicht nur im Marketing, sondern in vielen Bereichen eines Unternehmens. 

Mit der zunehmenden Verbreitung von data und cloud nutzen viele Unternehmen die riesige Menge an data, die ihnen zur Verfügung steht. 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 Bestände und Budgets bis hin zur Sortimentsstrategie.

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

Herausforderung

Lanvin hatte Schwierigkeiten, sich auf dem umkämpften Luxusmarkt abzuheben. 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.

Annäherung

Wir schlugen eine Lösung für maschinelles Lernen vor, die noch am Tag der Modenschau die Begehrlichkeit und die entsprechenden betrieblichen Auswirkungen (z. B. die weltweit benötigten Lagerbestände pro Geschäft) erkennen konnte. Dies geschah auf der Grundlage einer breiten Palette von data-Punkten, einschließlich sozialer Netzwerke wie Instagram, Facebook, WeChat sowie Blogs relevanter Teilnehmer und Trendsetter.

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 die Lösung dann die Stimmung in den entsprechenden Posts extrahieren. Das Ziel war es, nicht nur die Looks in den einzelnen Bildern zu erkennen, sondern auch die einzelnen Produkte in jedem Foto zu identifizieren.

Methode

Um dieses Maß an maßgeschneidertem maschinellem Lernen zu erreichen, mussten wir mehrere Arten von KI einsetzen. Durch die Kombination von ML von der Stange mit einem maßgeschneiderten Programm waren wir in der Lage, etwas zu schaffen, das genau den Bedürfnissen von Lanvin entsprach. 

Zunächst trainierten wir das Standard-ML mit Bildern aus Open-Source-Banken von Mode-Looks und -Produkten. Dann kombinierten wir dieses data mit unserem eigens erstellten ML, um es 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 dieser data konnten wir dann vorhersagen, welche Artikel in den einzelnen Ländern weltweit am beliebtesten sein würden. Wir waren in der Lage, die Beliebtheit der Artikel 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 den chinesischen sozialen Plattformen wurden als Miniaturansichten 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 einen außergewöhnlichen 95% Genauigkeit bei der Identifizierung der Looks der Lanvin-Show in allen Posts in den sozialen Medien, selbst wenn die Bilder aus einem obskuren 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, der die gleicher Tag als die Show, so dass wir das Ziel des Kunden, eine vollständige Analyse zu erhalten, erreichen konnten 5 Tage nach der Show. Dazu gehörte auch eine umfassende 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 Google, Sie analysierten alle Bilder aus den sozialen Medien und erkannten insbesondere, dass die Bilder von den chinesischen sozialen Plattformen nicht richtig durchgezogen wurden. 

 

Mit diesem data kann unser Kunde den Erfolg seines Relaunches genau einschätzen. Er erhält ein konkretes Ergebnis, anstatt den Erfolg auf Intuition und Hörensagen zu stützen. Unsere Analyse des 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 auf 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 den verschiedenen Ländern bis hin zur Produktion und den Lagerbeständen der einzelnen Looks.