NIEUWS / AI TECHNOLOGIE
19 november 2019
Pascal Coggia, Artefact UK's Managing Partner van Data en Consulting, legt uit hoe merken AI en data kunnen gebruiken om de populariteit van hun producten te voorspellen en hun marketing en activiteiten te informeren.
Van startbaan tot resultaten in 20 minuten.
Op 19 november 2019 sprak Artefact UK's Managing Partner van Data en Consulting, Pascal Coggia, op Google Cloud Next als onderdeel van het partnerpanel. Hij besprak hoe merken AI kunnen gebruiken om de populariteit van hun producten te voorspellen en vervolgens die data kunnen gebruiken om hun marketing en activiteiten te informeren.
Als wereldwijde Google-partner, gecertificeerd in zowel GCP als GMP, werden we uitgenodigd om deel te nemen aan hun Partner Specialised Panel. Het panel was bedoeld om de meest creatieve toepassingen van de Google-suite te laten zien en te laten zien hoe partners gebruik kunnen maken van de Google-stack om nieuwe oplossingen voor klanten te creëren, die zowel voldoen aan zakelijke behoeften als leiden tot tastbare resultaten.
Pascal was uitgenodigd om te spreken over een casestudy waarbij we de Google-stack op een nieuwe manier hadden gebruikt - door machine learning in te zetten voor een klant. Als bureau vormen AI en ML de ruggengraat van alles wat we doen, waarbij we data gebruiken om onze marketing te informeren en de bedrijven van onze klanten te verbeteren.
Omdat we veel klanten hebben die Google-producten gebruiken, wisten we dat we de uitdaging aan konden gaan en een innovatief project konden delen met het Google Cloud Next-publiek. Ons doel was om te laten zien hoe ML en AI echte zakelijke impact kunnen hebben, niet alleen binnen marketing, maar in vele delen van een bedrijf.
Nu data en cloud steeds meer gemeengoed worden, maken veel bedrijven gebruik van de enorme hoeveelheid data die ze tot hun beschikking hebben. Er is echter één branche die dat historisch gezien nog niet heeft gedaan: mode en luxe. Toch kijken modemerken steeds intensiever naar wat de volgende trend zal zijn. Dit heeft invloed op alles, van verkoop- en operationele planning, voorraden en budgetten tot assortimentsstrategie.
Om te laten zien hoe luxe mode zowel creativiteit als data kan omarmen, presenteerde Pascal een project waar Artefact onlangs aan werkte voor het luxe modehuis, Lanvin.
Uitdaging
Lanvin had moeite om zich te onderscheiden in de concurrerende luxemarkt. Ze hadden onlangs hun merk opnieuw gelanceerd, inclusief het aannemen van een nieuwe creatief directeur, het creëren van nieuwe waarden en het herpositioneren van hun merk. Vervolgens wilden ze weten hoe het merk werd ontvangen door het publiek en de industrie, en uiteindelijk welke stukken het populairst waren.
Dit maakte ons project nog uitdagender: Lanvin had deze informatie snel nodig - uiterlijk 5 dagen na de show om strategische beslissingen te kunnen nemen.
Benadering
We stelden een Machine Learning-oplossing voor die op dezelfde dag als de modeshow de wenselijkheid en de bijbehorende operationele gevolgen kon detecteren (zoals de wereldwijd benodigde voorraadniveaus per winkel). Dit was gebaseerd op een groot aantal data punten, waaronder sociale netwerken zoals Instagram, Facebook en WeChat, plus blogs van relevante deelnemers en trendsetters.
Onze oplossing zou in staat zijn om de looks van de show te identificeren en relevante afbeeldingen te vinden met producten van Lanvin. Met behulp van honderden foto's van de show, waarvan vele helemaal geen Lanvin producten bevatten, was het vervolgens mogelijk om het sentiment uit de relevante berichten te halen. Het doel was om niet alleen de looks in de afzonderlijke afbeeldingen te herkennen, maar ook om dieper te kunnen gaan en de individuele producten in elke foto te identificeren.
Methode
Om dit niveau van machine learning op maat te creëren, moesten we meerdere soorten AI gebruiken. Door ML van de plank te combineren met een programma op maat, konden we iets creëren dat precies aan de behoeften van Lanvin kon voldoen.
In eerste instantie trainden we de off-the-shelf ML met beelden uit open source banken van modeblikken en -producten. Vervolgens combineerden we deze data met onze eigen specifiek ontwikkelde ML om het model direct na de show opnieuw te trainen met de video van Lanvin. Omdat we geen tijd hadden, gebruikten we deze hybride combinatie, waardoor we het model in slechts 20 minuten konden instellen om te leren naar welke beelden we moesten zoeken.
Ons model nam alle informatie en beoordeelde welke stukken de meeste buzz veroorzaakten. Op basis van data konden we vervolgens voorspellen welke artikelen wereldwijd het populairst zouden zijn per land. We konden de populariteit van artikelen per land en bevolkingsgroep bekijken, waardoor Lanvin meer inzicht kreeg in welke producten populair waren bij verschillende groepen en in verschillende landen.
Het proces verliep echter niet probleemloos. De afbeeldingen van Chinese sociale platforms werden verzonden als miniaturen in plaats van de volledige afbeeldingen, waardoor de foto's verkeerd werden geclassificeerd. Anticiperend op het onverwachte, gebruikten we Google Stackdriver, dat een e-mail stuurde met de melding dat er iets mis was, waardoor het probleem snel werd ontdekt en opgelost.
Resultaten
De ML had een uitzonderlijke 95% nauwkeurigheid in het identificeren van de looks van de Lanvin show in alle social media posts, zelfs als de foto's vanuit een onduidelijke hoek waren genomen.
Wat dit resultaat bijzonder maakte, was de manier waarop we de ML hadden getraind en de snelheid waarmee de resultaten werden geproduceerd. We hadden het algoritme operationeel op dezelfde dag als de show, waardoor we de doelstelling van de klant konden halen om een volledige analyse te hebben 5 dagen na de show te hebben. Dit hield in dat we hen een volledige analyse van de reactie gaven, waarbij we benadrukten welke looks de meeste buzz genereerden en een voorspelling van welke items het populairst zouden zijn.
Echte zakelijke impact werd geproduceerd door Google's Stackdriverdie alle afbeeldingen van sociale media analyseerde en met name herkende dat de afbeeldingen van de Chinese sociale platforms niet goed doorkwamen.
Met deze data kan onze klant het succes van hun herlancering nauwkeurig inschatten. Het geeft hen een concreet resultaat, in plaats van het succes te baseren op intuïtie en geruchten. Door onze analyse van hun share of voice in vergelijking met andere merken tijdens de Parijse modeweek konden ze duidelijk zien hoeveel aandacht ze kregen in vergelijking met andere aanwezige modehuizen.
Dit inzicht in de reactie van de klant op de show kan nog een stap verder worden genomen en worden gebruikt om verschillende aspecten van hun bedrijf te informeren, van welke producten in de marketing voor verschillende landen moeten worden opgenomen tot de productie en voorraadniveaus van elke look.
