![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/pascal-google-square.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>
19. November 2019
\nPascal Coggia, Artefact UK's Managing Partner of Data and Consulting, erkl\u00e4rt, wie Marken KI und data nutzen k\u00f6nnen, um die Beliebtheit ihrer Produkte zu prognostizieren und ihr Marketing und ihren Betrieb zu informieren.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Startbahn zu den Ergebnissen in 20 Minuten.<\/span><\/strong><\/h3>\nAm 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 dar\u00fcber, wie Marken <\/span>verwenden KI, um die Beliebtheit ihrer Produkte vorherzusagen und nutzen diese data dann f\u00fcr ihr Marketing und ihren Betrieb.<\/span><\/p>\nAls globaler Google-Partner, der sowohl f\u00fcr GCP als auch f\u00fcr 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 k\u00f6nnen, um neue L\u00f6sungen f\u00fcr Kunden zu entwickeln, die sowohl den Gesch\u00e4ftsanforderungen entsprechen als auch zu greifbaren Ergebnissen f\u00fchren.\u00a0<\/span><\/p>\nPascal wurde eingeladen, um \u00fcber eine Fallstudie zu sprechen, in der wir den Google-Stack auf eine neue Art und Weise genutzt haben - durch die Integration von maschinellem Lernen f\u00fcr einen Kunden. Als Agentur sind KI und maschinelles Lernen das R\u00fcckgrat unserer Arbeit. Wir nutzen data, um unser Marketing zu optimieren und die Gesch\u00e4fte unserer Kunden zu verbessern.\u00a0<\/span><\/p>\nDa 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 gesch\u00e4ftliche Auswirkungen haben k\u00f6nnen, nicht nur im Marketing, sondern in vielen Bereichen eines Unternehmens.\u00a0<\/span><\/p>\nMit der zunehmenden Verbreitung von data und cloud nutzen viele Unternehmen die riesige Menge an data, die ihnen zur Verf\u00fcgung steht. Es gibt jedoch eine Branche, die dies bisher noch nicht getan hat - die Mode- und Luxusbranche. Doch Modemarken besch\u00e4ftigen sich immer intensiver damit, was der n\u00e4chste Trend sein wird. Dies wirkt sich auf alles aus, von der Verkaufs- und Betriebsplanung \u00fcber Best\u00e4nde und Budgets bis hin zur Sortimentsstrategie.<\/span><\/p>\nUm zu zeigen, wie Luxusmode sowohl Kreativit\u00e4t als auch data einbeziehen kann, stellte Pascal ein Projekt vor, an dem Artefact k\u00fcrzlich f\u00fcr das Luxusmodehaus gearbeitet hat, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\nHerausforderung<\/span><\/strong><\/h3>\nLanvin hatte Schwierigkeiten, sich auf dem umk\u00e4mpften Luxusmarkt abzuheben. Das Unternehmen hatte vor kurzem einen Relaunch seiner Marke durchgef\u00fchrt - einschlie\u00dflich 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 \u00d6ffentlichkeit und in der Branche ankam und welche St\u00fccke am beliebtesten waren.\u00a0<\/span><\/p>\nDas machte unser Projekt zu einer noch gr\u00f6\u00dferen Herausforderung: Lanvin ben\u00f6tigte diese Informationen schnell - sp\u00e4testens 5 Tage nach der Show, um strategische Entscheidungen zu treffen.<\/span><\/p>\nAnn\u00e4herung<\/span><\/strong><\/h3>\nWir schlugen eine L\u00f6sung f\u00fcr maschinelles Lernen vor, die noch am Tag der Modenschau die Begehrlichkeit und die entsprechenden betrieblichen Auswirkungen (z. B. die weltweit ben\u00f6tigten Lagerbest\u00e4nde pro Gesch\u00e4ft) erkennen konnte. Dies geschah auf der Grundlage einer breiten Palette von data-Punkten, einschlie\u00dflich sozialer Netzwerke wie Instagram, Facebook, WeChat sowie Blogs relevanter Teilnehmer und Trendsetter.<\/span><\/p>\nUnsere L\u00f6sung 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 L\u00f6sung 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. <\/span><\/p>\nMethode<\/span><\/strong><\/h3>\nUm dieses Ma\u00df an ma\u00dfgeschneidertem maschinellem Lernen zu erreichen, mussten wir mehrere Arten von KI einsetzen. Durch die Kombination von ML von der Stange mit einem ma\u00dfgeschneiderten Programm waren wir in der Lage, etwas zu schaffen, das genau den Bed\u00fcrfnissen von Lanvin entsprach.\u00a0<\/span><\/p>\nZun\u00e4chst 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 erm\u00f6glichte, das Modell in nur 20 Minuten einzurichten, um zu lernen, nach welchen Bildern es suchen sollte.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nUnser Modell nahm alle Informationen auf und bewertete, welche St\u00fccke am meisten Aufsehen erregten. Anhand dieser data konnten wir dann vorhersagen, welche Artikel in den einzelnen L\u00e4ndern weltweit am beliebtesten sein w\u00fcrden. Wir waren in der Lage, die Beliebtheit der Artikel nach Land und Bev\u00f6lkerungsgruppe zu \u00fcberpr\u00fcfen, was Lanvin ein besseres Verst\u00e4ndnis daf\u00fcr verschaffte, welche Produkte bei verschiedenen Gruppen und in verschiedenen L\u00e4ndern beliebt sind. <\/span><\/p>\nDer Prozess war jedoch nicht unproblematisch. Die Bilder von den chinesischen sozialen Plattformen wurden als Miniaturansichten und nicht als vollst\u00e4ndige Bilder gesendet, was zu einer falschen Klassifizierung der Fotos f\u00fchrte. Da wir das Unerwartete vorhersahen, verwendeten wir Google Stackdriver, das uns per E-Mail dar\u00fcber informierte, dass etwas nicht stimmte, so dass das Problem schnell erkannt und behoben werden konnte.<\/span><\/p>\nErgebnisse<\/span><\/strong><\/h3>\nDer ML hatte einen au\u00dfergew\u00f6hnlichen <\/span>95% Genauigkeit<\/b> 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.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nDas 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 <\/span>gleicher Tag<\/b> als die Show, so dass wir das Ziel des Kunden, eine vollst\u00e4ndige Analyse zu erhalten, erreichen konnten <\/span>5 Tage <\/b>nach der Show. Dazu geh\u00f6rte auch eine umfassende Analyse der Reaktionen, die aufzeigte, welche Looks am meisten Aufsehen erregten, und eine Vorhersage, welche Artikel am beliebtesten sein w\u00fcrden.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nEchte Auswirkungen auf das Gesch\u00e4ft wurden erzielt durch <\/span>Stackdriver von Google<\/b>, Sie analysierten alle Bilder aus den sozialen Medien und erkannten insbesondere, dass die Bilder von den chinesischen sozialen Plattformen nicht richtig durchgezogen wurden.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nMit diesem data kann unser Kunde den Erfolg seines Relaunches genau einsch\u00e4tzen. Er erh\u00e4lt ein konkretes Ergebnis, anstatt den Erfolg auf Intuition und H\u00f6rensagen zu st\u00fctzen. Unsere Analyse des Share of Voice im Vergleich zu anderen Marken auf der Pariser Modewoche erm\u00f6glichte es ihnen, klar zu erkennen, wie viel Aufmerksamkeit sie im Vergleich zu anderen anwesenden Modeh\u00e4usern erhielten.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nDieser Einblick in die Kundenreaktionen auf der Messe kann auch noch einen Schritt weiter gehen und f\u00fcr verschiedene Aspekte des Gesch\u00e4fts genutzt werden, von der Auswahl der Produkte f\u00fcr das Marketing in den verschiedenen L\u00e4ndern bis hin zur Produktion und den Lagerbest\u00e4nden der einzelnen Looks.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"19. November 2019
\nPascal Coggia, Artefact UK's Managing Partner of Data and Consulting, erkl\u00e4rt, wie Marken KI und data nutzen k\u00f6nnen, um die Beliebtheit ihrer Produkte zu prognostizieren und ihr Marketing und ihren Betrieb zu informieren.<\/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\/de\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Als globaler Google-Partner, der sowohl f\u00fcr GCP als auch f\u00fcr 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 k\u00f6nnen, um neue L\u00f6sungen f\u00fcr Kunden zu entwickeln, die sowohl den Gesch\u00e4ftsanforderungen entsprechen als auch zu greifbaren Ergebnissen f\u00fchren.\u00a0<\/span><\/p>\n Pascal wurde eingeladen, um \u00fcber eine Fallstudie zu sprechen, in der wir den Google-Stack auf eine neue Art und Weise genutzt haben - durch die Integration von maschinellem Lernen f\u00fcr einen Kunden. Als Agentur sind KI und maschinelles Lernen das R\u00fcckgrat unserer Arbeit. Wir nutzen data, um unser Marketing zu optimieren und die Gesch\u00e4fte unserer Kunden zu verbessern.\u00a0<\/span><\/p>\n 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 gesch\u00e4ftliche Auswirkungen haben k\u00f6nnen, nicht nur im Marketing, sondern in vielen Bereichen eines Unternehmens.\u00a0<\/span><\/p>\n Mit der zunehmenden Verbreitung von data und cloud nutzen viele Unternehmen die riesige Menge an data, die ihnen zur Verf\u00fcgung steht. Es gibt jedoch eine Branche, die dies bisher noch nicht getan hat - die Mode- und Luxusbranche. Doch Modemarken besch\u00e4ftigen sich immer intensiver damit, was der n\u00e4chste Trend sein wird. Dies wirkt sich auf alles aus, von der Verkaufs- und Betriebsplanung \u00fcber Best\u00e4nde und Budgets bis hin zur Sortimentsstrategie.<\/span><\/p>\n Um zu zeigen, wie Luxusmode sowohl Kreativit\u00e4t als auch data einbeziehen kann, stellte Pascal ein Projekt vor, an dem Artefact k\u00fcrzlich f\u00fcr das Luxusmodehaus gearbeitet hat, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\n Lanvin hatte Schwierigkeiten, sich auf dem umk\u00e4mpften Luxusmarkt abzuheben. Das Unternehmen hatte vor kurzem einen Relaunch seiner Marke durchgef\u00fchrt - einschlie\u00dflich 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 \u00d6ffentlichkeit und in der Branche ankam und welche St\u00fccke am beliebtesten waren.\u00a0<\/span><\/p>\n Das machte unser Projekt zu einer noch gr\u00f6\u00dferen Herausforderung: Lanvin ben\u00f6tigte diese Informationen schnell - sp\u00e4testens 5 Tage nach der Show, um strategische Entscheidungen zu treffen.<\/span><\/p>\n Wir schlugen eine L\u00f6sung f\u00fcr maschinelles Lernen vor, die noch am Tag der Modenschau die Begehrlichkeit und die entsprechenden betrieblichen Auswirkungen (z. B. die weltweit ben\u00f6tigten Lagerbest\u00e4nde pro Gesch\u00e4ft) erkennen konnte. Dies geschah auf der Grundlage einer breiten Palette von data-Punkten, einschlie\u00dflich sozialer Netzwerke wie Instagram, Facebook, WeChat sowie Blogs relevanter Teilnehmer und Trendsetter.<\/span><\/p>\n Unsere L\u00f6sung 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 L\u00f6sung 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. <\/span><\/p>\n Um dieses Ma\u00df an ma\u00dfgeschneidertem maschinellem Lernen zu erreichen, mussten wir mehrere Arten von KI einsetzen. Durch die Kombination von ML von der Stange mit einem ma\u00dfgeschneiderten Programm waren wir in der Lage, etwas zu schaffen, das genau den Bed\u00fcrfnissen von Lanvin entsprach.\u00a0<\/span><\/p>\n Zun\u00e4chst 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 erm\u00f6glichte, das Modell in nur 20 Minuten einzurichten, um zu lernen, nach welchen Bildern es suchen sollte.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Unser Modell nahm alle Informationen auf und bewertete, welche St\u00fccke am meisten Aufsehen erregten. Anhand dieser data konnten wir dann vorhersagen, welche Artikel in den einzelnen L\u00e4ndern weltweit am beliebtesten sein w\u00fcrden. Wir waren in der Lage, die Beliebtheit der Artikel nach Land und Bev\u00f6lkerungsgruppe zu \u00fcberpr\u00fcfen, was Lanvin ein besseres Verst\u00e4ndnis daf\u00fcr verschaffte, welche Produkte bei verschiedenen Gruppen und in verschiedenen L\u00e4ndern beliebt sind. <\/span><\/p>\n Der Prozess war jedoch nicht unproblematisch. Die Bilder von den chinesischen sozialen Plattformen wurden als Miniaturansichten und nicht als vollst\u00e4ndige Bilder gesendet, was zu einer falschen Klassifizierung der Fotos f\u00fchrte. Da wir das Unerwartete vorhersahen, verwendeten wir Google Stackdriver, das uns per E-Mail dar\u00fcber informierte, dass etwas nicht stimmte, so dass das Problem schnell erkannt und behoben werden konnte.<\/span><\/p>\n Der ML hatte einen au\u00dfergew\u00f6hnlichen <\/span>95% Genauigkeit<\/b> 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.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n 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 <\/span>gleicher Tag<\/b> als die Show, so dass wir das Ziel des Kunden, eine vollst\u00e4ndige Analyse zu erhalten, erreichen konnten <\/span>5 Tage <\/b>nach der Show. Dazu geh\u00f6rte auch eine umfassende Analyse der Reaktionen, die aufzeigte, welche Looks am meisten Aufsehen erregten, und eine Vorhersage, welche Artikel am beliebtesten sein w\u00fcrden.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Echte Auswirkungen auf das Gesch\u00e4ft wurden erzielt durch <\/span>Stackdriver von Google<\/b>, Sie analysierten alle Bilder aus den sozialen Medien und erkannten insbesondere, dass die Bilder von den chinesischen sozialen Plattformen nicht richtig durchgezogen wurden.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Mit diesem data kann unser Kunde den Erfolg seines Relaunches genau einsch\u00e4tzen. Er erh\u00e4lt ein konkretes Ergebnis, anstatt den Erfolg auf Intuition und H\u00f6rensagen zu st\u00fctzen. Unsere Analyse des Share of Voice im Vergleich zu anderen Marken auf der Pariser Modewoche erm\u00f6glichte es ihnen, klar zu erkennen, wie viel Aufmerksamkeit sie im Vergleich zu anderen anwesenden Modeh\u00e4usern erhielten.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Dieser Einblick in die Kundenreaktionen auf der Messe kann auch noch einen Schritt weiter gehen und f\u00fcr verschiedene Aspekte des Gesch\u00e4fts genutzt werden, von der Auswahl der Produkte f\u00fcr das Marketing in den verschiedenen L\u00e4ndern bis hin zur Produktion und den Lagerbest\u00e4nden der einzelnen Looks.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" 19. November 2019Herausforderung<\/span><\/strong><\/h3>\n
Ann\u00e4herung<\/span><\/strong><\/h3>\n
Methode<\/span><\/strong><\/h3>\n
Ergebnisse<\/span><\/strong><\/h3>\n
\nPascal Coggia, Artefact UK's Managing Partner of Data and Consulting, erkl\u00e4rt, wie Marken KI und data nutzen k\u00f6nnen, um die Beliebtheit ihrer Produkte zu prognostizieren und ihr Marketing und ihren Betrieb zu informieren.<\/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\/de\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}