ACTUALITÉS / TECHNOLOGIE DE L'AI

19 novembre 2019
Pascal Coggia, Artefact UK's Managing Partner of Data and Consulting, explique comment les marques peuvent utiliser l'IA et data pour prévoir la popularité de leurs produits et informer leur marketing et leurs opérations.

De la piste aux résultats en 20 minutes.

Le 19 novembre 2019, le Managing Partner de Data et Consulting de Artefact UK, Pascal Coggia, est intervenu à Google Cloud Next dans le cadre du panel des partenaires. Il a discuté de la façon dont les marques peuvent utilisent l'IA pour prévoir la popularité de leurs produits, puis utilisent cette data pour informer leur marketing et leurs opérations.

En tant que partenaire mondial de Google certifié GCP et GMP, nous avons été invités à participer à leur panel spécialisé de partenaires. Ce panel avait pour but de présenter les utilisations les plus créatives de la suite Google et de démontrer comment les partenaires peuvent utiliser la pile Google pour créer de nouvelles solutions pour leurs clients, en répondant aux besoins des entreprises et en aboutissant à des résultats tangibles. 

Pascal a été invité à parler d'une étude de cas dans laquelle nous avons utilisé la pile Google d'une nouvelle manière - en incorporant l'apprentissage automatique pour un client. En tant qu'agence, l'IA et l'apprentissage automatique sont au cœur de tout ce que nous faisons, en utilisant data pour informer notre marketing et améliorer les activités de nos clients. 

Ayant de nombreux clients qui utilisent les produits Google, nous savions que nous pouvions relever le défi et partager un projet innovant avec la foule de Google Cloud Next. Notre objectif était de démontrer comment la ML et l'IA peuvent avoir un impact réel sur l'activité, non seulement dans le domaine du marketing, mais aussi dans de nombreux secteurs de l'entreprise. 

Avec la généralisation du data et du cloud, de nombreuses entreprises utilisent l'énorme quantité de data qu'elles ont à portée de main. Cependant, historiquement, il y a une industrie qui ne l'a pas fait - la mode et le luxe. Pourtant, les marques de mode s'intéressent de plus en plus à ce qui sera la prochaine tendance. Cela a un impact sur tout, de la planification des ventes et des opérations à la stratégie d'assortiment, en passant par les stocks et les budgets.

Pour montrer comment la mode de luxe peut embrasser à la fois la créativité et data, Pascal a présenté un projet sur lequel Artefact a récemment travaillé pour la maison de couture de luxe, Lanvin. 

Défi

Lanvin a constaté qu'elle avait du mal à se démarquer sur le marché concurrentiel du luxe. Elle a récemment relancé sa marque en engageant un nouveau directeur de la création, en créant de nouvelles valeurs et en repositionnant sa marque. Elle souhaitait ensuite comprendre comment elle était accueillie par le public et l'industrie au sens large et, enfin, savoir quelles pièces avaient été les plus populaires. 

Ce qui a rendu notre projet encore plus difficile : Lanvin avait besoin de ces informations rapidement - au plus tard 5 jours après le salon pour prendre des décisions stratégiques.

Approche

Nous avons proposé une solution d'apprentissage automatique capable de détecter la désirabilité et les impacts opérationnels correspondants (comme les niveaux de stock nécessaires à l'échelle mondiale par magasin), le jour même du défilé de mode. Cette solution était basée sur une vaste gamme de points data, y compris les réseaux sociaux comme Instagram, Facebook, WeChat, ainsi que les blogs des participants et des créateurs de tendances concernés.

Notre solution devait être capable d'identifier les looks du défilé et de trouver des images pertinentes incluant les produits Lanvin. En utilisant des centaines d'images du défilé, dont beaucoup n'incluaient pas du tout la ligne, il a ensuite été possible d'extraire le sentiment des messages pertinents. L'objectif était non seulement de reconnaître les looks dans les images individuelles, mais aussi d'aller plus loin et d'identifier les produits individuels dans chaque photo.

Méthode

Pour créer ce niveau d'apprentissage automatique sur mesure, nous avons dû utiliser plusieurs types d'IA. En combinant l'intelligence artificielle disponible sur le marché avec un programme sur mesure, nous avons pu créer quelque chose qui répondrait exactement aux besoins de Lanvin. 

Dans un premier temps, nous avons entraîné le ML prêt à l'emploi avec des images provenant de banques ouvertes de looks et de produits de mode, puis nous avons combiné ce data avec notre propre ML spécialement créé pour l'entraîner à nouveau immédiatement après le défilé avec la vidéo de Lanvin. Le temps ne jouant pas en notre faveur, nous avons utilisé cette combinaison hybride, qui nous a permis de configurer le modèle en seulement 20 minutes pour apprendre quelles images rechercher. 

 

Notre modèle a pris en compte toutes ces informations et a évalué les pièces qui suscitaient le plus d'intérêt. Cela nous a ensuite permis de prévoir quels articles seraient les plus populaires dans le monde, par pays. Nous avons pu examiner la popularité des articles par pays et par groupe démographique, ce qui a permis à Lanvin de mieux comprendre quels produits étaient populaires auprès de différents groupes et dans différents pays.

Toutefois, le processus n'a pas été exempt de difficultés. Les images provenant des plateformes sociales chinoises étaient envoyées sous forme de vignettes plutôt que sous forme d'images complètes, ce qui entraînait une mauvaise classification des photos. Anticipant l'imprévu, nous avons utilisé Google Stackdriver, qui a envoyé un e-mail de réchauffement indiquant que quelque chose n'allait pas, ce qui a permis de détecter et de résoudre rapidement le problème.

Résultats

Le ML a bénéficié d'une 95% précision en identifiant les looks du défilé Lanvin dans tous les posts des médias sociaux, même lorsque les images étaient prises sous un angle obscur. 

 

La particularité de ce résultat réside dans la manière dont nous avons formé le ML et dans la rapidité avec laquelle les résultats ont été obtenus. Nous avions l'algorithme opérationnel du le même jour comme l'émission, ce qui nous a permis d'atteindre l'objectif fixé par le client, à savoir une analyse complète de la situation. 5 jours après le défilé. Il s'agissait notamment de leur fournir une analyse complète des réactions, de mettre en évidence les looks qui suscitaient le plus d'intérêt et de prédire quels articles seraient les plus populaires. 

 

L'impact réel sur les entreprises a été produit par Stackdriver de Google, Il s'agit de l'analyse de toutes les images provenant des médias sociaux et, en particulier, de la reconnaissance du fait que les images provenant des plateformes sociales chinoises n'étaient pas correctement prises en compte. 

 

Le fait de disposer de ce data permet à notre client de percevoir avec précision le succès de son relancement. Cela lui donne un résultat concret, plutôt que de baser le succès sur l'intuition et les ouï-dire. Notre analyse de leur part de voix par rapport à d'autres marques lors de la semaine de la mode à Paris leur a permis de voir clairement l'attention qu'ils ont reçue par rapport aux autres maisons de mode présentes. 

 

Cette connaissance de la réaction des clients à la suite du salon peut également être approfondie et utilisée pour informer divers aspects de leur activité, qu'il s'agisse des produits à inclure dans le marketing pour les différents pays ou de la production et des niveaux de stock pour chaque look.