NOTIZIE / TECNOLOGIA AI
19 novembre 2019
Pascal Coggia, Managing Partner di Data and Consulting di Artefact UK, spiega come i marchi possono utilizzare l'AI e i dati per prevedere la popolarità dei loro prodotti e informare il marketing e le operazioni.
Dalla pista ai risultati in 20 minuti.
Il 19 novembre 2019, Pascal Coggia, Managing Partner Data and Consulting di Artefact UK, è intervenuto al Google Cloud Next come parte del panel dei partner. Ha parlato di come i marchi possono utilizzare l'intelligenza artificiale per prevedere la popolarità dei loro prodotti, quindi utilizzare questi dati per informare il marketing e le operazioni.
In qualità di partner globale di Google certificato sia in GCP che in GMP, siamo stati invitati a partecipare al loro Partner Specialised Panel. Il panel è stato ideato per presentare gli usi più creativi della suite di Google e dimostrare come i partner possano utilizzare lo stack di Google per creare nuove soluzioni per i clienti, soddisfacendo le esigenze aziendali e portando a risultati tangibili.
Pascal è stato invitato a parlare di un caso di studio in cui abbiamo utilizzato lo stack di Google in modo nuovo, incorporando l'apprendimento automatico per un cliente. Come agenzia, l'AI e il ML sono alla base di tutto ciò che facciamo, utilizzando i dati per informare il nostro marketing e migliorare le attività dei nostri clienti.
Avendo molti clienti che utilizzano i prodotti Google, sapevamo di poter essere all'altezza della sfida e di poter condividere un progetto innovativo con il pubblico di Google Cloud Next. Il nostro obiettivo era dimostrare come il ML e l'AI possano avere un reale impatto sul business, non solo nell'ambito del marketing, ma anche a beneficio di molte parti dell'azienda.
Con la diffusione dei dati e del cloud , molte aziende stanno utilizzando l'enorme quantità di dati a loro disposizione. Tuttavia, storicamente, c'è un settore che non lo ha fatto: quello della moda e del lusso. Tuttavia, i marchi di moda guardano sempre più intensamente a quella che sarà la prossima tendenza. Ciò influisce su tutto, dalla pianificazione delle vendite e delle operazioni, alle scorte e ai budget, fino alla strategia di assortimento.
Per dimostrare come la moda di lusso possa abbracciare sia la creatività che i dati, Pascal ha presentato un progetto a cui Artefact ha recentemente lavorato per una casa di moda di lusso, Lanvin.
Sfida
Lanvin ha scoperto di avere difficoltà a distinguersi nel competitivo mercato del lusso. Di recente hanno rilanciato il loro marchio, assumendo un nuovo direttore creativo, creando nuovi valori e riposizionando il marchio. In seguito, volevano capire come era stato accolto dal pubblico e dall'industria in generale e, in ultima analisi, capire quali fossero i pezzi più popolari.
Il che ha reso il nostro progetto ancora più impegnativo: Lanvin aveva bisogno di queste informazioni in tempi rapidi, al massimo 5 giorni dopo la sfilata, per prendere decisioni strategiche.
Approccio
Abbiamo proposto una soluzione di Machine Learning in grado di rilevare la desiderabilità e i corrispondenti impatti operativi (come i livelli di stock necessari a livello globale per ogni negozio), il giorno stesso della sfilata. La soluzione si basava su una vasta gamma di dati, tra cui i social network come Instagram, Facebook e WeChat, oltre ai blog dei partecipanti e dei trend setter.
La nostra soluzione doveva essere in grado di identificare i look della sfilata e trovare immagini pertinenti che includessero i prodotti Lanvin. Utilizzando centinaia di immagini della sfilata, molte delle quali non includevano affatto la linea, è stato possibile estrarre il sentiment dai post pertinenti. L'obiettivo era quello di riconoscere non solo i look all'interno delle singole immagini, ma anche di andare più a fondo e identificare i singoli prodotti all'interno di ogni foto.
Metodo
Per creare questo livello di apprendimento automatico su misura abbiamo dovuto utilizzare diversi tipi di IA. Combinando l'intelligenza artificiale con un programma su misura, siamo riusciti a creare qualcosa in grado di soddisfare esattamente le esigenze di Lanvin.
Inizialmente, abbiamo addestrato il ML off-the-shelf con immagini provenienti da banche open source di look e prodotti di moda, poi abbiamo combinato questi dati con il nostro ML creato appositamente per addestrarlo nuovamente subito dopo la sfilata con il video di Lanvin. Poiché il tempo non era dalla nostra parte, abbiamo utilizzato questa combinazione ibrida, che ci ha permesso di impostare il modello in soli 20 minuti per imparare quali immagini cercare.
Il nostro modello ha preso in considerazione tutte le informazioni e ha valutato quali pezzi stavano creando il maggior clamore. Questi dati ci hanno poi permesso di prevedere quali articoli sarebbero stati i più popolari nel mondo in base al Paese. Siamo stati in grado di esaminare la popolarità degli articoli in base al Paese e alla fascia demografica, consentendo a Lanvin di capire meglio quali prodotti erano popolari tra i vari gruppi e nei diversi Paesi.
Tuttavia, il processo non è stato privo di difficoltà. Le immagini provenienti dalle piattaforme sociali cinesi venivano inviate come miniature anziché come immagini complete, causando una classificazione errata delle foto. Anticipando l'imprevisto, abbiamo utilizzato Google Stackdriver, che ha inviato un'e-mail di riscaldamento per segnalare che c'era qualcosa che non andava; in questo modo il problema è stato individuato rapidamente e risolto.
Risultati
La ML ha ottenuto un'eccezionale 95% di precisione nell'identificare i look della sfilata di Lanvin in tutti i post sui social media, anche quando le immagini erano state scattate da un'angolazione poco chiara.
A rendere speciale questo risultato è stato il modo in cui abbiamo addestrato la ML e la velocità con cui sono stati prodotti i risultati. Abbiamo reso operativo l'algoritmo il stesso giorno della mostra, permettendoci di raggiungere l'obiettivo del cliente di avere un'analisi completa in 5 giorni. 5 giorni dopo lo spettacolo. Questo includeva la fornitura di un'analisi completa delle reazioni, evidenziando i look che avevano generato il maggior clamore e una previsione di quali articoli sarebbero stati più popolari.
L'impatto aziendale reale è stato prodotto da Stackdriver di Googleche ha analizzato tutte le immagini provenienti dai social media e, in particolare, ha riconosciuto che le immagini provenienti dalle piattaforme sociali cinesi non venivano trasmesse correttamente.
Disporre di questi dati permette al nostro cliente di percepire con precisione il successo del suo rilancio. Fornisce loro un risultato concreto, anziché basarsi sull'intuizione e sul sentito dire. La nostra analisi della share of voice rispetto ad altri marchi alla settimana della moda di Parigi ha permesso di vedere chiaramente quanta attenzione hanno ricevuto rispetto alle altre case di moda presenti.
Questa conoscenza della reazione dei clienti alla fiera può anche essere portata avanti e utilizzata per informare vari aspetti della loro attività, da quali prodotti includere nel marketing per i vari paesi, alla produzione e ai livelli di stock di ogni look.
