Зачем fashion-индустрии машинное обучение
Выбрать одну вещь из тысячи
Один из самых ярких трендов fashion ― это персонализация. И, если раньше за индивидуальным подходом приходилось идти в ателье или к стилисту, то машинное обучение позволяет сделать персонализацию более доступной для массового потребителя.
Ежегодно модная индустрия производит более 150 миллиардов предметов одежды. Для того чтобы выбрать нужный, даже онлайн, покупателю придется потратить от 4 до 6 часов.
В ответ на потребность упростить поиск одежды появились технологичные сервисы по индивидуальному подбору образов: Stitch Fix и Trunk Club в США, Lookiero, Thread, Zalon и Outfittery в Европе, а в России ― Freestylo. Платформы используют нейронные сети для того, чтобы «мэтчить» конкретные вещи с предпочтениями пользователей по цветам, формам, фасонам и фактурам. Алгоритм машинного обучения может анализировать в миллион раз больше вариантов в секунду, чем человек, так что задачка поиска, к примеру, идеальной черной футболки из миллиона вариантов ему как раз по зубам. Такие сервисы сокращают время, которое средний пользователь тратит на поиск одежды и помогают создать гармоничный гардероб, поэтому и пользуются большой популярностью у потребителей.
Помощь от умных сервисов
Согласно исследованию BCG и Google, покупатели готовы платить за персонализированные услуги и сервисы на 40% больше. Это мотивирует бизнес внедрять инструменты для того, чтобы сделать клиентский опыт комфортным для каждого пользователя, в частности, на основе машинного обучения.
Например, решение Qubit Commerce AI анализирует активность покупателей в Instagram (Социальная сеть признана экстремистской и запрещена на территории Российской Федерации) и подбирает похожие продукты из ассортимента интернет-магазина, а сервис Nosto не просто рекомендует купить шапку к тому зимнему свитеру с оленями, но и постоянно уточняет сегментацию и тестирует разные стратегии для каждого сегмента. Dynamic Yield, в свою очередь, позволяет делать персонализированные рассылки с товарами, которыми раньше интересовался покупатель, а также сортировать товары в соответствии с динамически меняющимися показателями, такие, как погодные условия, акции или скидки,
Расширенный поиск
Нейронные сети позволяют упростить поиск до минимума, к примеру, за счет авто-тэггинга, то есть автоматического расширения мета-данных. ИИ старается подражать нашему мышлению: никто не будет забивать в поисковик «платье с коротким рукавом вырез лодочка», как это обычно описывают поставщики в карточах товаров, мы ищем «платье на вечеринку» или «красное платье миди». Решения на основе машинного обучения, такие как Syte, анализируют изображение и автоматически добавляют новые тэги в описание, и наши шансы найти нужную вещь повышаются. Кроме того, некоторые магазины внедряют решения для поиска по визуалу, к примеру, Pixyle, который подбирает похожие товары по заданному референсу.
Предсказание трендов
Мода ― это в первую очередь бизнес. Дизайнерские марки анализируют огромный объем информации, чтобы определить ключевые тренды будущих сезонов и выпускать коммерчески успешные коллекции. Но это не всегда работает: пандемия сократила горизонт планирования. К тому же, сейчас тренды диктуют не дизайнеры, а инфлюенсеры, и срок их годности стал еще меньше. Там, где больше не работает интуиция, приходит на помощь машинное обучение.
Так, алгоритм Neuritech анализирует изображения, которые публикуют в соцсетях ключевые инфлюенсеры для того, чтобы сформировать гипотезу о нишевых тенденциях, которые станут модными в течение года, а Stylumia позволяет сделать прогноз продаж по каждому конкретному товару — модные марки смогут заранее оценить спрос на новый продукт и не запускать в производство заведомо неудачную модель.
Виртуальная примерка
Тренд на виртуальную примерку появился с ростом количества заказов онлайн. При этом возвраты в онлайн-магазинах могут достигать до 70%, и основная причина ― неверно подобранный размер. Для того, чтобы помочь решить эту проблему, активно развиваются сервисы сайзинга, которые по фотографии или по введенным параметрам автоматически формируют 3D-модель тела покупателя, а затем с помощью машинного обучения подбирают оптимальный размер одежды. В России это, к примеру, сервис определения размеров одежды Sizolution или сканер для обуви Neatsy. Онлайн-примерочные есть не только у отдельных брендов, таких как Levi’s и Zara, но и у крупных онлайн-платформ, таких, как Asos и Nordstrom.
В будущем виртуальная примерка будет естественным продолжение цифрового производства: бренд будет отдавать магазину виртуальную 3D-модель вещи с качественными текстурами, которые можно фотореалистично «примерить» на модели или изображении человека.
Материал подготовлен Freestylo