Αναγέννηση των επιχειρήσεων Ένδυσης στην εποχή του Recommendation Engineering!

14:13 2/6/2021 - Πηγή: Reporter

Η αναγέννηση των επιχειρήσεων ένδειξης είναι εφικτή με τη σωστή χρήση των διαθέσιμων data.

Ένα χαρακτηριστικό παράδειγμα είναι η Stitch Fix, η οποία μπήκε στο χρηματιστήριο NASDAQ το 2017.

Η εταιρεία ξεκίνησε το 2011 σαν online συνδρομητική υπηρεσία προσωποποιημένης (personalized)

αγοράς ειδών ένδυσης για Γυναικά ,Άνδρα και Παΐδι.

Το 2018 είχε έσοδα 1.25 Δις Δολάρια.

Η βασική φιλοσοφία της επιχείρησης βασίζεται, όπως υπογραμμίζει η mobiplus στο Recommendation Engineering.

Χρησιμοποιεί δηλαδή Δεδομένα πελατών έτσι ώστε να Μαντεύει τι θέλουν να αγοράσουν, που θέλουν να πάνε την ζωή τους και το προτείνει.

Χρησιμοποιεί την φιλοσοφία Choice Architecture έτσι ώστε να έχουν μια επιχείρηση της οποίας ο ρόλος της είναι να συμβουλεύει τους πελάτες πως θα κάνουν την εμφάνιση τους καλύτερη.

Αυτή είναι η κεντρική Αρχιτεκτονική της επιχείρησης.

Ο no 2 της επιχείρησης μετά την CEO Katrina Lake είναι ο Eric Colson Chief Algorithm Officer –CAO ο οποίος ήταν ο αντιπρόεδρος Data Science & Engineering της Netflix.

H CEO Katrina Lake λέει:

Data science είναι η κουλτούρα μας.

Η καρδία της επιχείρησης μας.

Χτίζουμε τους Αλγορίθμους της επιχείρησης γύρω από τους πελάτες μας και τις ανάγκες τους.

To τμήμα του Data Science αναφέρει απευθείας σε εμένα.

Για να δημιουργήσεις το διαφορετικό στυλ του κάθε πελάτη χρειάζεσαι σημαντικά data:

To πρώτο πράγμα που ζητούν από τον πελάτη όταν μπαίνει στην υπηρεσία είναι λεπτομερή στοιχειά για προσωπικές προτιμήσεις, νούμερα και χρήματα που θέλουν να δαπανούν.

Χρησιμοποιούν ένα είδος παιχνιδιού όπου ο πελάτης βλέπει ανακατεμένα ρούχα και αξεσουάρ και κάνοντας swipe αριστερά η δεξιά μπορεί να πει εάν του αρέσει αυτό που βλέπει.

Έτσι δίνει στον Recommender σημαντικά στοιχειά για τα βασικά χαρακτηριστικά του.

O Recommender επιλέγει τις καλύτερες προτάσεις από 700 περίπου Brands που διαθέτει η επιχείρηση και αρκετές άλλα οι όποιες είναι μάρκες της επιχείρησης.

Στην συνεχεία οι προτάσεις αυτές πηγαίνουν σε έναν από τους 3500 Στυλίστες που διαθέτει η επιχείρηση για review.

Ο στυλίστας επιλέγει 5 προϊόντα — fix—και τα στέλνουν στον πελάτη κάθε 15 μέρες , μήνα η τρίμηνο ανάλογα τον πελάτη.

Μέσα στο πακέτο περιλαμβάνονται προσωπικές συμβουλές για τον συνδυασμό των αντικειμένων.

Αφού λάβουν το πακέτο οι πελάτες αξιολογούν κάθε προϊόν στο προσωπικό τους λογαριασμό στο σίτε.

Έτσι μπορεί και μαθαίνει συνεχεία ο Recommender τις ανάγκες του πελάτη και να εξελίσσεται.

Για να μάθεις πως οι κορυφαιες εταιρειες στον κοσμο αυξανουν τα εσοδα εως 30% απο τους υπαρχοντες πελατες χρησιμόποιοντας Recommendation Systems και Personalization διαβασε το παρακατω βιβλιο.

Οι εικόνες όμως δίνουν πολλή καλύτερα στοιχεία στο Recommender από λέξεις:

Το δεύτερο πράγμα που ζητούν να κάνουν οι πελάτες είναι να δημιουργήσουν προσωπικό άλμπουμ ρουχισμού και στυλ στο Pinterest.

Επιλέγοντας ρούχα και αξεσουάρ μέσα από εκατομμύρια προτάσεις του Interest δημιουργούν έτσι το προσωπικό τους στυλ.

Στην συνεχεία χρησιμοποιούν Machine Vectorisation στις παραπάνω εικόνες και εξάγουν χαρακτηριστικά από της φωτογραφίες χρήσιμα για το Recommendation Engineering.

Στην συνεχεία χρησιμοποιούν Convolution Neural Network αρχιτεκτονικές και συγκεκριμένα Alexnet , για να ταυτίσουν τα χαρακτηριστικά των επίλογων του πελάτη από το άλμπουμ Pinterest με δικά τους προϊόντα.

Αυτό το Νευρωνικό Δίκτυο ταυτίζει τις επιθυμίες του πελάτη με τα προϊόντα Stitch Fix σε εκπληκτικό βαθμό.

Alexnet είναι η κορυφαία Neural Net αρχιτεκτονική η οποία χρησιμοποιεί Convolution, κέρδισε τον διαγωνισμό Image Net LSVR το 2012 και είναι εξαιρετική για image processing.

Επιπλέον χρησιμοποιούν και άλλους αλγορίθμους Recommendation engineering και Machine Learning όπως:

-Collaborative filters

-Mixed effects models

-Naïve Bays

Για ένα πρώτο πέρασμα έτσι ώστε να βρουν το στυλ του κάθε πελάτη .

Στην συνεχεία για να μπορέσουν να βελτιώσουν τον Recommender αφού πάρουν feedback από τον πελάτη χρησιμοποιουν αλγορίθμους όπως

-Gambit neural networks

-Mixed effects model

Αρά πολλή προχωρημένα Μαθηματικό βρίσκουν τα βασικά χαρακτηριστικά των προϊόντων , με την ματιά του πελάτη , και απλά μαθηματικά υπολογίζουν ομοιοτες μεταξύ προϊόντων .

Στην συνεχεία πηγαίνουν την προσωποιηση βαθύτερα βάζοντας στο παιχνίδι και τον ανθρωπο….Στυλιστα.

Οι άνθρωποι επεξεργάζονται βαθύτερες διακυμάνσεις των Recommendations ,όπως εάν μερικά προϊόντα είναι πολλή ιδία, η πολλή προχωρημένα και τροποποιούν τα recommendations ανάλογα.

Η CΕΟ Katrina Lake λέει:

Ένας κάλος στυλίστας και ένας καλός αλγόριθμος είναι σαφώς ανώτερος από έναν καλό στυλίστα η έναν καλό αλγόριθμο.

Η Επιχείρηση λοιπόν στην εποχή του Digital Revolution έχει σαν κεντρικό χαρακτηριστικό τα DATA.

ΈνδυσηςΕμπόριοΕΠΙΧΕΙΡΗΣΕΙΣRecommendation Engineering