В честь Международного женского дня, 8 марта, мы собрали для вас 15 интересных кейсов о том, как большие данные (Big Data) и машинное обучение (Machine Learning, ML) используются в индустрии моды и красоты. Читайте в нашей сегодняшней статье как Zara, H&M, Burberry и другие fashion-гиганты внедряют умные примерочные, виртуальных стилистов, прогнозируют модные тенденции с помощью ML-моделей, создают новые коллекции и стимулируют нас к покупкам.
Big Data и Machine Learning для модной персонализации
Мы уже рассказывали, как технологии больших данных изменили современный маркетинг, сделав его персональным. В мире моды индивидуальное взаимодействие с клиентом особенно ценится. Причем как в случае товаров широкого потребления, так и в luxury-сегменте. Например, в феврале 2017 года шведская компания H&M выпустила линейку одежды «Data Dress» на основе анализа данных о поведении своих клиентов. Сбор сведений о характере перемещения, занятий, погоде, индивидуальных предпочтениях и еще множестве параметров осуществлялся с помощью специального приложения. В результате были выявлены пожелания клиентов относительно одежды для разных мероприятий и создана целая коллекция нарядов, подходящих под то или иное событие: работа, учеба, спорт, прогулка с друзьями и пр. [1]. Это отличный пример цифровизации маркетинга и современного подхода к взаимодействию с клиентами.
Британская марка Burberry также стремится стать ближе к каждому из своих клиентов. Компания запустила программу лояльности и рекомендательную систему на базе Big Data и Machine Learning. Программа лояльности стимулирует потребителей писать подробные отзывы о своих покупках с фотографиями и размещением в соцсетях. Рекомендательная система собирает эти данные и анализирует их, предлагая клиенту предметы похожего стиля или дополняющие его образ. Кроме того, сервис интегрирован с офлайн-магазинами: когда покупатель приходит в бутик, продавцы в курсе его предыдущих покупок и индивидуальных предпочтений. Таким образом, уровень релевантности рекомендаций, как онлайн, так и офлайн, существенно вырос и в 2 раз увеличил средний чек покупки [1]. Обычно такие рекомендательные системы реализуются с помощью алгоритмов машинного обучения для классификации объектов и выдачи предиктивных прогнозов.
А американская компания Ralph Lauren выпустила серию «умных» спортивных рубашек с IoT-датчиками, которые фиксируют физическую активность владельца в тренажерном зале/ Сенсоры собирают сведения о частоте сердечных сокращений и ритме дыхания, отправляя полученные данные в облачное хранилище клиента. После тренировки пользователь получает эту информацию вместе с рекомендациями по улучшению своих тренировок [1]. Можно сказать, что это успешный пример бытовой системы интернета вещей (Internet of Things, IoT), отлично интегрированной в повседневную жизнь.
Большие данные для создания новой продукции
Американский интернет-магазин нижнего белья True&Co проанализировал данные о параметрах более 7 миллионов женщин, чтобы создать линейку идеальных бюстгальтеров для каждого типа фигуры. На основании анализа данных было составлено 6 тысяч моделей, каждая из которых отличалась по характеристикам грудной клетки, спины, плеч, особенностям носки и прочим неочевидным на первый взгляд аспектам. В результате такого масштабного анализа данных была создана новая линейка бра, которая продавалась настолько успешно, что выручка компании увеличилась в 6 раз всего за несколько месяцев [1].
Аналогичный подход к созданию новой продукции применила другая компания из США, веганский бренд средств по уходу за кожей Versed. В маркетинговых исследованиях анализировались предпочтения 16 миллионов женщин, а при разработке продуктов учитывалось мнение 9 тысяч клиентов. На основании закономерностей, выявленных с помощью технологий Big Data и Machine Learning, были определены требования к косметике и разработаны уникальные составы новых средств [2].
Корейский бренд люксовой косметики IOPE также применяет технологии Big Data для разработки своих продуктов. Компания собирает и анализирует данные о состоянии кожи клиентов, в последствие создавая новые средства косметического ухода [3].
Подобным образом сотрудники лондонского Imperial College исследовали более 10 тысяч наименований парфюмерной продукции, проанализировав 1000 ингредиентов и их влияние на востребованность аромата. В результате исследований было выявлено, что наиболее популярные композиции включают запахи лаванды, ванили и герани, а также парные сочетания, в частности, жасмин и мята, мускус и ветивер. Вообще исследование было направлено на то, чтобы выявить факторы, от которых больше всего зависит популярность аромата среди потребителей и создать объективный инструмент для выбора пахучих ингредиентов [2].
Во всех вышеуказанных случаях использовались методы подготовки данных (Data Preparation) к ML-моделированию и интеллектуальному анализу (Data Mining), чтобы очистить данные от шума, кластеризовать их и выделить переменные, которые больше всего влияют на конечный результат.
Виртуальные стилисты и онлайн-примерочные
Alexa fashion, виртуальный ассистент от Amazon, может оценивать внешний вид человека, определять стиль и отслеживать сочетаемость предметов гардероба в соответствии с текущими модными тенденциями, а также выдавать рекомендации по приобретению новой одежды и аксессуаров. Немецкий онлайн-ритейлер Zalando также выпустил виртуального стилиста на базе методов Machine Learning, который подбирает наряд персонально для каждого клиента [4].
Говоря о виртуальном подборе одежды, стоит отметить технологию онлайн-примерочных, которая с каждым годом все активнее используется во множестве магазинов по всему миру. Например, американский ритейлер Neiman Marcus применяет продукт MemoryMirror™ для примерки солнцезащитных очков, чтобы со всех сторон показать потребителю его полную проекцию, изменять цвет вещей, виртуально примерять несколько аксессуаров и публиковать полученные изображения в соцсетях [5].
С подобной целью израильский розничный продавец одежды Renuar и японский ритейлер Uniqlo запустили на своих сайтах приложение Sizer, которое позволяет клиенту измерить себя всего за пару минут с помощью обычной камеры мобильного телефона. Благодаря трехмерному измерению параметров тела, приложение точно замеряет особенности фигуры пользователя и дает рекомендации по выбору размера и посадке. Это упрощает процесс шоппинга и спасает онлайн-ритейлеров от возвратов неподходящего товара [5].
Похожий сервис работает на сайте украинского онлайн-ритейлера итальянской обуви и одежды Modoza. Приложение автоматически в режиме реального времени комбинирует одежду и аксессуары, создавая множество образов с выбранным товаром в разных стилях. Такая интерактивная коммуникация привлекает клиентов, делая онлайн-шопинг персональным, интересным и простым [5].
Все вышеуказанные кейсы модно назвать отличными примерами дополненной и виртуальной реальности (AR/VR), которая, наряду с Big Data и Machine Learning, относится к технологиям 4-ой промышленной революции (Industry 4.0).
Машинное обучение для прогнозирования спроса
Наконец, fashion-индустрия активно использует Machine Learning по прямому назначению, прогнозируя долгосрочный и сиюминутный спрос на отдельные товары. В частности, благодаря отслеживанию текущих клиентских запросов на розовые шарфы в 2015 году, испанская торговая сеть Zara выпустила лимитированную партию этих изделий. 2000 магазинов по всему миру продали 500 тысяч таких предметов всего за 3 дня. Также Zara собирает отзывы на свою продукцию, отслеживая публикации в блогах и соцсетях, чтобы учесть мнения своих потребителей при разработке новых коллекций [1]. Не вдаваясь в технические подробности реализации такого решения, отметим, что оно может быть разработано на базе Apache Kafka и Spark Streaming, подобно тому, как мы описывали здесь.
Asos, британский интернет-магазин одежды, аксессуаров и косметики, также использует мощь технологий Big Data и Machine Learning, ежедневно анализируя отзывы на свою продукцию и сопоставляя их с динамикой продаж. На основе такого анализа принимаются решения о закупке отдельных товаров или снятия продукции с онлайн-витрин [1]. Такая система также может быть реализована с использованием Apache Kafka и Spark Streaming или клиентской библиотеки Kafka Streams. Подробное сравнение таких подходов мы рассматривали в этой статье.
Еще больше практических примеров успешного использования больших данных и машинного обучения в конкретных бизнес-кейсах для успешной цифровизации вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:
Источники
- http://algomost.com/ru/news/fashion
- https://posta-magazine.ru/article/big-data-beauty-technologies/
- https://novostivl.ru/post/72387/
- https://e-pepper.ru/news/4-trenda-globalnogo-fashion-riteyla-zhdushchikh-rossiyskiy-rynok-uzhe-zavtra.html
- https://kfund-media.com/ru/fashion-digital-ynnovatsyy-2018-goda/
