![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/pascal-google-square.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NIEUWS \/ AI TECHNOLOGIE<\/p>\n<\/div>
19 november 2019
\nPascal 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.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Startbaan tot resultaten in 20 minuten.<\/span><\/strong><\/h3>\nOp 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 kunnen <\/span>gebruiken AI om de populariteit van hun producten te voorspellen en gebruiken die data vervolgens om hun marketing en activiteiten te informeren.<\/span><\/p>\nAls wereldwijde Google-partner, gecertificeerd in zowel GCP als GMP, werden wij 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 cre\u00ebren, die zowel aan de bedrijfsbehoeften voldoen als tot tastbare resultaten leiden.\u00a0<\/span><\/p>\nPascal 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 agentschap 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.\u00a0<\/span><\/p>\nOmdat 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. We wilden laten zien hoe ML en AI een echte zakelijke impact kunnen hebben, niet alleen binnen marketing, maar in vele onderdelen van een bedrijf.\u00a0<\/span><\/p>\nNu 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 \u00e9\u00e9n branche die dit historisch gezien 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 assortimentstrategie.<\/span><\/p>\nOm 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, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\nUitdaging<\/span><\/strong><\/h3>\nLanvin had moeite om zich te onderscheiden op de concurrerende luxemarkt. Ze hadden onlangs hun merk opnieuw gelanceerd - inclusief het aannemen van een nieuwe creatief directeur, het cre\u00ebren van nieuwe waarden en het herpositioneren van hun merk. Vervolgens wilden ze weten hoe het merk door het publiek en de industrie werd ontvangen en, uiteindelijk, welke kledingstukken het populairst waren.\u00a0<\/span><\/p>\nDit maakte ons project nog uitdagender: Lanvin had deze informatie snel nodig - uiterlijk 5 dagen na de show om strategische beslissingen te kunnen nemen.<\/span><\/p>\nBenadering<\/span><\/strong><\/h3>\nWij stelden een Machine Learning-oplossing voor die de wenselijkheid en de bijbehorende operationele gevolgen (zoals de wereldwijd benodigde voorraadniveaus per winkel) op dezelfde dag als de modeshow kon detecteren. Dit was gebaseerd op een groot aantal data-punten, waaronder sociale netwerken zoals Instagram, Facebook en WeChat, plus blogs van relevante bezoekers en trendsetters.<\/span><\/p>\nOnze oplossing zou in staat zijn om de looks van de show te identificeren en relevante afbeeldingen te vinden die producten van Lanvin bevatten. 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 afzonderlijke producten in elke foto te identificeren. <\/span><\/p>\nMethode<\/span><\/strong><\/h3>\nOm dit niveau van machine learning op maat te cre\u00ebren, moesten we meerdere soorten AI gebruiken. Door ML uit het assortiment te combineren met een programma op maat, konden we iets cre\u00ebren dat precies aan de behoeften van Lanvin voldeed.\u00a0<\/span><\/p>\nIn 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 gecre\u00eberde ML om deze onmiddellijk 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.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nOns model nam alle informatie en beoordeelde welke stukken de meeste buzz veroorzaakten. Aan de hand van dit data model konden we vervolgens per land voorspellen welke artikelen wereldwijd het populairst zouden zijn. 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. <\/span><\/p>\nHet 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 opwarmende e-mail stuurde waarin stond dat er iets mis was, waardoor het probleem snel werd ontdekt en opgelost.<\/span><\/p>\nResultaten<\/span><\/strong><\/h3>\nDe ML had een uitzonderlijke <\/span>95% nauwkeurigheid<\/b> 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.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nWat dit resultaat speciaal maakte, was de manier waarop we de ML getraind hadden en de snelheid waarmee de resultaten geproduceerd werden. We hadden het algoritme operationeel de <\/span>dezelfde dag<\/b> als de show, waardoor we het doel van de klant konden bereiken om een volledige analyse te hebben <\/span>5 dagen <\/b>na de show. Dit hield ook in dat we hen een volledige analyse van de reacties gaven, waarbij we benadrukten welke looks de meeste buzz genereerden en een voorspelling deden van welke items het populairst zouden worden.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nEchte zakelijke impact werd geproduceerd door <\/span>Google's Stackdriver<\/b>, Het analyseren van alle afbeeldingen van sociale media en met name het herkennen dat de afbeeldingen van de Chinese sociale platforms niet goed doorkwamen.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nMet 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 intu\u00eftie en geruchten. Dankzij 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.\u00a0<\/span><\/p>\n\u00a0<\/span><\/p>\nDit inzicht in de reactie van de klant op de show kan ook 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.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"19 november 2019
\nPascal 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.<\/p>","protected":false},"featured_media":5397,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21938],"blog-language":[2991],"class_list":["post-5393","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-luxury","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Als wereldwijde Google-partner, gecertificeerd in zowel GCP als GMP, werden wij 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 cre\u00ebren, die zowel aan de bedrijfsbehoeften voldoen als tot tastbare resultaten leiden.\u00a0<\/span><\/p>\n 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 agentschap 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.\u00a0<\/span><\/p>\n 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. We wilden laten zien hoe ML en AI een echte zakelijke impact kunnen hebben, niet alleen binnen marketing, maar in vele onderdelen van een bedrijf.\u00a0<\/span><\/p>\n 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 \u00e9\u00e9n branche die dit historisch gezien 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 assortimentstrategie.<\/span><\/p>\n 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, <\/span>Lanvin<\/i><\/b>.\u00a0<\/span><\/p>\n Lanvin had moeite om zich te onderscheiden op de concurrerende luxemarkt. Ze hadden onlangs hun merk opnieuw gelanceerd - inclusief het aannemen van een nieuwe creatief directeur, het cre\u00ebren van nieuwe waarden en het herpositioneren van hun merk. Vervolgens wilden ze weten hoe het merk door het publiek en de industrie werd ontvangen en, uiteindelijk, welke kledingstukken het populairst waren.\u00a0<\/span><\/p>\n Dit maakte ons project nog uitdagender: Lanvin had deze informatie snel nodig - uiterlijk 5 dagen na de show om strategische beslissingen te kunnen nemen.<\/span><\/p>\n Wij stelden een Machine Learning-oplossing voor die de wenselijkheid en de bijbehorende operationele gevolgen (zoals de wereldwijd benodigde voorraadniveaus per winkel) op dezelfde dag als de modeshow kon detecteren. Dit was gebaseerd op een groot aantal data-punten, waaronder sociale netwerken zoals Instagram, Facebook en WeChat, plus blogs van relevante bezoekers en trendsetters.<\/span><\/p>\n Onze oplossing zou in staat zijn om de looks van de show te identificeren en relevante afbeeldingen te vinden die producten van Lanvin bevatten. 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 afzonderlijke producten in elke foto te identificeren. <\/span><\/p>\n Om dit niveau van machine learning op maat te cre\u00ebren, moesten we meerdere soorten AI gebruiken. Door ML uit het assortiment te combineren met een programma op maat, konden we iets cre\u00ebren dat precies aan de behoeften van Lanvin voldeed.\u00a0<\/span><\/p>\n 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 gecre\u00eberde ML om deze onmiddellijk 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.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Ons model nam alle informatie en beoordeelde welke stukken de meeste buzz veroorzaakten. Aan de hand van dit data model konden we vervolgens per land voorspellen welke artikelen wereldwijd het populairst zouden zijn. 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. <\/span><\/p>\n 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 opwarmende e-mail stuurde waarin stond dat er iets mis was, waardoor het probleem snel werd ontdekt en opgelost.<\/span><\/p>\n De ML had een uitzonderlijke <\/span>95% nauwkeurigheid<\/b> 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.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Wat dit resultaat speciaal maakte, was de manier waarop we de ML getraind hadden en de snelheid waarmee de resultaten geproduceerd werden. We hadden het algoritme operationeel de <\/span>dezelfde dag<\/b> als de show, waardoor we het doel van de klant konden bereiken om een volledige analyse te hebben <\/span>5 dagen <\/b>na de show. Dit hield ook in dat we hen een volledige analyse van de reacties gaven, waarbij we benadrukten welke looks de meeste buzz genereerden en een voorspelling deden van welke items het populairst zouden worden.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Echte zakelijke impact werd geproduceerd door <\/span>Google's Stackdriver<\/b>, Het analyseren van alle afbeeldingen van sociale media en met name het herkennen dat de afbeeldingen van de Chinese sociale platforms niet goed doorkwamen.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n 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 intu\u00eftie en geruchten. Dankzij 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.\u00a0<\/span><\/p>\n \u00a0<\/span><\/p>\n Dit inzicht in de reactie van de klant op de show kan ook 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.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" 19 november 2019Uitdaging<\/span><\/strong><\/h3>\n
Benadering<\/span><\/strong><\/h3>\n
Methode<\/span><\/strong><\/h3>\n
Resultaten<\/span><\/strong><\/h3>\n
\nPascal 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.<\/p>","protected":false},"featured_media":5397,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995,21938],"blog-language":[2991],"class_list":["post-5393","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-category-luxury","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/5393","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/5397"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=5393"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=5393"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=5393"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}