NOTICIAS / AI TECNOLOGÍA
19 de noviembre de 2019
Pascal Coggia, socio director de Data y consultoría de Artefact UK, explica cómo las marcas pueden utilizar AI y 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 socio director de Data y consultoría de Artefact UK, Pascal Coggia, habló en Google Cloud Next como parte del panel de socios. Habló sobre cómo las marcas pueden utilizar AI para pronosticar la popularidad de sus productos y, a continuación, utilizar esos data para informar su 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 utilizar 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, AI y ML son la columna vertebral de todo lo que hacemos, utilizando data para informar nuestro marketing y mejorar los negocios de nuestros clientes.
Como tenemos muchos clientes que utilizan productos de Google, sabíamos que podíamos estar a la altura del reto y compartir un proyecto innovador con el público de Google Cloud Next. Nuestro objetivo era demostrar cómo el ML y la AI pueden tener un impacto empresarial real, no solo en el ámbito del marketing, sino también en muchas áreas de la empresa.
A medida que data y la cloud se generalizan, muchas empresas utilizan la enorme cantidad de data que tienen a su alcance. Sin embargo, históricamente hay un sector que no lo ha hecho: el de la moda y el lujo. Sin embargo, las marcas de moda se fijan cada vez más en cuál será la próxima tendencia. Esto afecta a 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 tenía dificultades para destacar en el 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 la marca. A continuación, querían saber qué acogida había tenido entre el público y el sector y, en última instancia, qué prendas habían sido las más populares.
Esto hizo que nuestro proyecto fuera aún más difícil: Lanvin necesitaba esta información rápidamente, 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 las repercusiones operativas correspondientes (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 de data , incluidas redes sociales como Instagram, Facebook y WeChat, además de blogs de asistentes y creadores de tendencias relevantes.
Nuestra solución debía ser capaz de identificar los looks del desfile y encontrar imágenes relevantes que incluyeran productos de Lanvin. Utilizando 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 no era solo reconocer los looks en imágenes individuales, sino poder profundizar e identificar los productos individuales en cada foto.
Método
Para crear este nivel de aprendizaje automático a medida, necesitábamos utilizar varios tipos de AI. Combinando el ML estándar 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 luego combinamos este data con nuestro ML creado específicamente para entrenarlo de nuevo inmediatamente después de que el desfile hubiera tenido lugar con el vídeo de Lanvin. Como no disponíamos de tiempo, 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 expectación. Este data nos permitió prever qué artículos serían los más populares en todo el mundo por países. Pudimos analizar la popularidad de los artículos por países y grupos demográficos, lo que permitió a Lanvin comprender mejor qué productos eran populares entre distintos 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 y no como 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 algo iba mal, lo que permitió detectar el problema rápidamente y resolverlo.
Resultados
El ML tuvo una excepcional 95% de precisión a la hora de identificar los looks del desfile de Lanvin en todas las publicaciones de las redes sociales, incluso cuando las imágenes estaban tomadas 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. Tuvimos el algoritmo operativo el mismo día mismo día que el espectáculo, lo que nos permitió alcanzar el objetivo del cliente de tener un análisis completo en 5 días. 5 días días después de la feria. Esto incluía proporcionarles un análisis completo de la reacción, destacando los looks que generaban más expectación y una predicción de los artículos que serían más populares.
El impacto empresarial real se produjo gracias a Stackdriver de Googleanalizando todas las imágenes de las redes sociales y, en particular, detectando que las imágenes de las plataformas sociales chinas no se transmitían correctamente.
Disponer de este data permite a nuestro cliente percibir con precisión el éxito de su relanzamiento. Les da un resultado concreto, en lugar de basar el éxito en intuiciones y rumores. Nuestro análisis de su share of voice 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 en el 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 los niveles de producción y existencias de cada look.
