NOTICIAS / TECNOLOGÍA AI

19 de noviembre de 2019
Pascal Coggia, Artefact del Reino Unido, Managing Partner de Data y Consultoría, explica cómo las marcas pueden utilizar la IA y la data para prever la popularidad de sus productos e informar su marketing y operaciones.

De la pista a los resultados en 20 minutos.

El 19 de noviembre de 2019, el Managing Partner de Artefact y Consultoría del Reino Unido, Pascal Coggia, habló en Google Cloud Next como parte del panel de socios. Habló de cómo las marcas pueden utilizan la IA para prever la popularidad de sus productos y, a continuación, utilizan esa data para informar a sus departamentos de marketing y operaciones.

Como socio global de Google certificado tanto en GCP como en GMP, se nos invitó a participar en su panel especializado para socios. El panel se diseñó para mostrar los usos más creativos de la suite de Google y demostrar cómo los socios pueden hacer uso de la pila de Google para crear nuevas soluciones para los clientes, tanto para satisfacer las necesidades empresariales como para obtener resultados tangibles. 

Pascal fue invitado a hablar sobre un caso práctico en el que habíamos utilizado la pila de Google de una forma nueva, incorporando el aprendizaje automático para un cliente. Como agencia, la IA y el ML son la columna vertebral de todo lo que hacemos, utilizando data para informar nuestro marketing y mejorar los negocios de nuestros clientes. 

Al contar con un gran número de clientes que utilizan productos de Google, sabíamos que podíamos estar a la altura del desafío y compartir un proyecto innovador con el público de Google Cloud Next. Nuestro objetivo era demostrar cómo el ML y la IA pueden impulsar un impacto empresarial real, no sólo dentro del marketing, sino beneficiando a muchas partes de una empresa. 

A medida que el data y el cloud se generalizan, muchas empresas utilizan la enorme cantidad de data que tienen a su alcance. Sin embargo, históricamente hay una industria que no lo ha hecho: la moda y el lujo. Sin embargo, las marcas de moda se fijan cada vez más en cuál será la próxima tendencia. Esto repercute en todo, desde la planificación de ventas y operaciones, las existencias y los presupuestos hasta la estrategia de surtido.

Para demostrar cómo la moda de lujo puede abarcar tanto la creatividad como data, Pascal presentó un proyecto en el que Artefact trabajó recientemente para la casa de moda de lujo, Lanvin. 

Desafío

Lanvin se dio cuenta de que estaba luchando por destacar dentro del competitivo mercado del lujo. Recientemente habían relanzado su marca, lo que incluía la contratación de un nuevo director creativo, la creación de nuevos valores y el reposicionamiento de su marca. A raíz de ello, querían entender cómo era recibida por el público y la industria en general y, en última instancia, comprender qué piezas habían sido las más populares. 

Haciendo nuestro proyecto aún más desafiante: Lanvin necesitaba esta información con rapidez, a más tardar 5 días después del desfile para tomar decisiones estratégicas.

Acérquese a

Propusimos una solución de aprendizaje automático que pudiera detectar la deseabilidad y los correspondientes impactos operativos (como los niveles de existencias necesarios globalmente por tienda), el mismo día del desfile de moda. Para ello nos basamos en una amplia gama de puntos data, incluidas redes sociales como Instagram, Facebook, WeChat, además de blogs de asistentes relevantes y creadores de tendencias.

Nuestra solución sería capaz de identificar los looks del desfile y encontrar imágenes relevantes que incluyeran los productos de Lanvin. A partir de cientos de imágenes del desfile, muchas de las cuales no incluían la línea en absoluto, fue capaz de extraer el sentimiento de las publicaciones relevantes. El objetivo era no sólo reconocer los looks dentro de imágenes individuales, sino poder profundizar e identificar los productos individuales dentro de cada foto.

Método

Para crear este nivel de aprendizaje automático a medida necesitábamos utilizar varios tipos de IA. Combinando el ML "off the shelf" con un programa a medida, pudimos crear algo capaz de satisfacer exactamente las necesidades de Lanvin. 

Inicialmente, entrenamos el ML off-the-shelf con imágenes de bancos de código abierto de looks y productos de moda, y después combinamos este data con nuestro propio ML creado específicamente para entrenarlo de nuevo inmediatamente después de que hubiera tenido lugar el desfile con el vídeo de Lanvin. Como el tiempo no estaba de nuestra parte, utilizamos esta combinación híbrida, que nos permitió configurar el modelo en sólo 20 minutos para aprender qué imágenes buscar. 

 

Nuestro modelo tomó toda la información y evaluó qué piezas estaban creando más buzz. A continuación, este data nos permitió prever qué artículos serían los más populares en todo el mundo por países. Pudimos revisar la popularidad de los artículos por países y grupos demográficos, lo que permitió a Lanvin comprender mejor qué productos eran populares entre diversos grupos y en distintos países.

Sin embargo, el proceso no estuvo exento de dificultades. Las imágenes de las plataformas sociales chinas se enviaban como miniaturas en lugar de las imágenes completas, lo que provocaba una clasificación errónea de las fotos. Anticipándonos a lo imprevisto, utilizamos Google Stackdriver, que envió un correo electrónico avisando de que había algo mal, lo que significó que el problema se detectó rápidamente y se resolvió.

Resultados

El ML tuvo un Precisión 95% en la identificación de los looks del desfile de Lanvin en todas las publicaciones de las redes sociales, incluso cuando las imágenes se tomaron desde un ángulo poco claro. 

 

Lo que hizo especial este resultado fue cómo entrenamos el ML y la velocidad a la que se produjeron los resultados. Teníamos el algoritmo operativo el el mismo día como el espectáculo, lo que nos permitió alcanzar el objetivo del cliente de disponer de un análisis completo 5 días después del desfile. Esto incluía proporcionarles un análisis completo de la reacción, destacando qué looks estaban generando más expectación, y una predicción de qué artículos serían los más populares. 

 

El impacto empresarial real se produjo Stackdriver de Google, analizando todas las imágenes de las redes sociales y, en particular, reconociendo que las imágenes de las plataformas sociales chinas no se estaban transmitiendo correctamente. 

 

Disponer de este data permite a nuestro cliente percibir con precisión el éxito de su relanzamiento. Les proporciona un resultado concreto, en lugar de basar el éxito en intuiciones y rumores. Nuestro análisis de su cuota de voz en comparación con otras marcas en la semana de la moda de París les permitió ver claramente cuánta atención recibieron en comparación con otras casas de moda presentes. 

 

Este conocimiento de la reacción de los clientes a partir del salón también puede llevarse un paso más allá y utilizarse para informar sobre diversos aspectos de su negocio, desde qué productos incluir en el marketing para diversos países, hasta la producción y los niveles de existencias de cada look.