Online-Händler locken Kunden seit langem mit der Möglichkeit, eine große Auswahl an Waren von zu Hause aus zu durchsuchen, Preise und Angebote schnell zu vergleichen und Waren bequem an ihre Haustür liefern zu lassen. Aber ein Großteil des persönlichen Einkaufserlebnisses ist verloren gegangen, nicht zuletzt das Anprobieren von Kleidung, um zu sehen, wie sie passt, wie die Farben mit Ihrem Teint funktionieren und so weiter.

Unternehmen mögen Stitch Fix, Wünschenswert und Trunk Verein haben versucht, dieses Problem zu lösen, indem Sie Fachleute eingestellt haben, die Kleidung anhand Ihrer benutzerdefinierten Parameter auswählen und an Sie versenden. Sie können Dinge anprobieren, behalten, was Ihnen gefällt, und zurückschicken, was Sie nicht möchten. Die Version dieses Dienstes von Stitch Fix heißt Fixes. Kunden erhalten eine personalisierte Style Card mit einer Outfit-Inspiration. Es ist algorithmisch gesteuert und hilft Experten im menschlichen Stil, ein Kleidungsstück einem bestimmten Käufer zuzuordnen. Jeder Fix enthielt eine Style-Karte, auf der Kleidungsoptionen zum Vervollständigen von Outfits basierend auf den verschiedenen Gegenständen im Fix eines Kunden aufgeführt waren. Aufgrund der großen Nachfrage begann das Unternehmen im vergangenen Jahr, eine Möglichkeit für Käufer zu testen, diese verwandten Artikel über ein Programm namens "Shop Your Looks" direkt bei Stitch Fix zu kaufen.

KI ist eine natürliche Ergänzung für solche Dienste, und Stitch Fix hat die Technologie zur Beschleunigung und Verbesserung von Shop Your Looks übernommen. Auf technischer Ebene steht das Unternehmen damit in direktem Wettbewerb mit Giganten Facebook, Amazon und Google, die alle aggressiv KI-basierte Einkaufserlebnisse für Kleidung aufbauen.

Stitch Fix teilte VentureBeat mit, dass während der Beta-Phase von Shop Your Looks „mehr als ein Drittel der Kunden, die über Shop Your Looks gekauft haben, sich mehrmals mit dieser Funktion beschäftigt haben, und ungefähr 60% der Kunden, die über das Angebot gekauft haben, zwei oder mehr Artikel gekauft haben . ” Es war erfolgreich genug, dass das Unternehmen kürzlich um ein ganzes Unternehmen erweitert wurde einkaufbare Sammlung Verwenden Sie dieselbe zugrunde liegende Technologie, um Outfit- und Artikelempfehlungen beim Einkaufen zu personalisieren.

Die Datenwissenschaftler Hilary Parker und Natalia Gardiol von Stitch Fix erklärten VentureBeat in einem E-Mail-Interview, was das Unternehmen dazu bewogen hat, Shop Your Looks zu entwickeln. wie das Team KI benutzte, um es aufzubauen; und die Methoden, die sie verwendeten, wie Faktorisierungsmaschinen.

In dieser Fallstudie:

• Problem: Wie man den Umfang seines Service erweitert, der Outfits mit einer Mischung aus Algorithmen und menschlichem Fachwissen an Online-Kunden anpasst.
• Das Ergebnis ist "Shop Your Looks".
• Es entstand aus einem Experiment eines kleinen Teams von Stitch Fix-Datenwissenschaftlern, das dann auf andere Einheiten innerhalb des Unternehmens ausgeweitet wurde.
• Die größte Herausforderung bestand darin, herauszufinden, was ein „gutes“ Outfit ist, wenn der Geschmack so subjektiv ist und der Kontext eine Rolle spielt.
• Stitch Fix verwendete eine Kombination von von Menschen gestalteten Regeln zum Speichern, Sortieren und Bearbeiten von Daten sowie aufgerufene KI-Modelle Faktorisierungsmaschinen

Dieses Interview wurde aus Gründen der Klarheit und Kürze bearbeitet.

VentureBeat: Hat sich Stitch Fix in ein KI-Werkzeug oder eine KI-Technik verliebt und dies als Inspiration für die Herstellung eines Produkts mit diesem Werkzeug oder dieser Technik verwendet? Oder hat das Unternehmen mit einem Problem oder einer Herausforderung begonnen und sich schließlich für eine KI-gestützte Lösung entschieden?

Stitch Fix: Um Shop Your Looks zu erstellen, mussten wir unsere Algorithmusfunktionen von der Zuordnung eines Kunden zu einem einzelnen Artikel in einem Fix bis hin zur Zuordnung eines gesamten Outfits basierend auf den früheren Einkäufen und Vorlieben eines Kunden weiterentwickeln. Dies ist eine unglaublich komplexe Herausforderung, da nicht nur verstanden wird, welche Artikel zusammenpassen, sondern auch, welche dieser Outfits einem einzelnen Kunden tatsächlich gefallen werden. Zum Beispiel mag eine Person mutige Muster, die miteinander gemischt sind, und eine andere Person mag ein fettgedrucktes Oberteil mit einem gedämpften Unterteil bevorzugen.

Um dieses Problem zu lösen, haben wir unser vorhandenes Framework genutzt, das Stylisten Elementempfehlungen für einen Fix bietet, und ermittelt, welche neuen Informationen wir benötigen, um in dieses Framework einzuspeisen, und wie wir sie sammeln können.

Zunächst ist es wichtig zu verstehen, wie Kunden derzeit Informationen mit uns teilen:

• Stilprofil: Wenn sich ein Kunde für Stitch Fix anmeldet, erhalten wir 90 verschiedene Datenpunkte - vom Stil über den Preis bis zur Größe.
• Feedback an der Kasse: 85% unserer Kunden teilen uns mit, warum sie einen Artikel behalten oder zurückgeben. Dies sind unglaublich umfangreiche Daten, einschließlich Details zu Passform und Stil - kein anderer Einzelhändler erhält dieses Feedback.
• Style Shuffle: Eine interaktive Funktion in unserer App und auf unserer Website, mit der Kunden ein Bild eines Artikels oder eines Outfits mit den Daumen nach oben oder nach unten drücken können. Sie können dies jederzeit tun - also nicht nur, wenn sie einen Fix erhalten. Bisher haben wir unglaubliche 4 Milliarden Artikelbewertungen von Kunden erhalten.
• Personalisierte Anforderungsnotizen für Stylisten: Kunden geben ihren Stylisten spezifische Anfragen, z. B. ob sie ein Outfit für eine Veranstaltung suchen oder ob sie einen Artikel gesehen haben, den sie wirklich mögen.

Für Shop Your Looks ergänzen wir dies mit Informationen darüber, welche Artikel zusammenpassen. Die Outfits in Style Cards, Outfits, die unser Creative Styling Team zusammenstellt, und Outfits, die wir Kunden in Style Shuffle anbieten, geben uns wertvolle zusätzliche Einblicke in die Stilvorlieben eines Kunden

VB: Wie haben Sie dieses Projekt gestartet? Mussten Sie neue Talente einstellen?

SF: Data Science ist der Kern unseres Handelns. Wir haben mehr als 125 Datenwissenschaftler, die in unserem Unternehmen tätig sind, darunter in den Bereichen Empfehlungssysteme, Personalberechnung, Ressourcenmanagement, Bestandsmanagement und Bekleidungsdesign.

Datengesteuertes Experimentieren ist ein wichtiger Teil der Teamkultur. Wie viele Initiativen bei Stitch Fix entstand Shop Your Looks aus einem Experiment eines kleinen Teams von Datenwissenschaftlern. Als das Projekt über die anfängliche Datenerfassungsphase hinaus in den Betatest überging, arbeitete das Data Science-Team mit anderen Gruppen im gesamten Unternehmen zusammen. Zum Beispiel ist unser Creative Styling Team auf die Bedürfnisse der Kunden abgestimmt und kann Looks empfehlen, die zugänglich, ehrgeizig und inspirierend sind.

VB: Was war die größte oder interessanteste Herausforderung, die Sie bei der Erstellung von Shop Your Looks bewältigen mussten?

SF: Das Erstellen von Outfits für Kunden ist ein sehr komplexes Problem, da das, was ein gutes Outfit ausmacht, für jeden Einzelnen so subjektiv ist. Was eine Person für ein tolles Outfit hält, könnte eine andere nicht. Der schwierigste Teil bei der Lösung dieses Problems ist, dass ein Outfit keine feste Einheit ist - es ist grundsätzlich kontextbezogen. Um dieses Problem anzugehen, mussten neue Erkenntnisse gewonnen werden, nicht nur über bestimmte Elemente, die Kunden mögen, sondern auch darüber, wie Kunden auf zusammen gruppierte Elemente reagierten.

Und weil der Stil so subjektiv ist, mussten wir überdenken, wie wir ein „gutes“ Outfit für unsere Algorithmen qualifiziert haben, da es nicht nur ein perfektes Outfit gibt. Kunden haben unterschiedliche Stilvorlieben, daher glauben wir, dass ein „gutes“ Outfit einem bestimmten Kundenkreis gefällt, aber nicht unbedingt allen.

Wir lernen viel darüber, wie Kunden auf Artikel reagieren, die in Gruppen zusammengefasst sind, wenn wir Outfits mit Kunden teilen und sie bitten, diese über Style Shuffle zu bewerten.

VB: Welche KI-Tools und -Techniken verwendet Stitch Fix - im Allgemeinen und für Shop Your Looks?

SF: Shop Your Looks kombiniert KI-Modelle und von Menschen gestaltete Regeln, um Daten zu speichern, zu sortieren und zu bearbeiten.

Das System basiert grob auf einer Klasse von KI-Modellen, die als Faktorisierungsmaschinen bezeichnet werden, und weist einige unterschiedliche Schritte auf. Da das Generieren von Outfits kompliziert ist, können wir nicht einfach ein Outfit erstellen und es als gut bezeichnen. Im ersten Schritt erstellen wir ein Paarungsmodell, mit dem Paare von Elementen vorhergesagt werden können, die gut zusammenpassen, z. B. ein Paar Schuhe und ein Rock oder eine Hose und ein T-Shirt.

Wir fahren dann mit der nächsten Stufe fort - der Outfit-Montage. Hier wählen wir eine Reihe von Elementen aus, die alle zusammen ein zusammenhängendes Outfit bilden (basierend auf den Vorhersagen des Paarungsmodells). In diesem System verwenden wir „Outfit-Vorlagen“, die eine Richtlinie dafür liefern, woraus ein Outfit besteht. Eine Vorlage besteht beispielsweise aus Oberteilen, Hosen, Schuhen und einer Tasche, und eine andere aus einem Kleid, einer Halskette und Schuhen.

In der letzten Phase der Empfehlung von Outfits für Shop Your Looks spielen mehrere Faktoren eine Rolle. Wir setzen einen Ankergegenstand, einen Gegenstand, den der Kunde aus einem früheren Fix behalten hat, um den wir Outfits bauen möchten. Der Algorithmus muss auch berücksichtigen, welches Inventar zu einem bestimmten Zeitpunkt verfügbar ist. Sobald dies erledigt ist, entwickelt der Algorithmus personalisierte Empfehlungen, die auf die Vorlieben jedes Kunden zugeschnitten sind. Kunden können diese Looks dann direkt auf der Registerkarte "Shop" auf dem Handy oder Desktop durchsuchen und einkaufen. Die Outfit-Empfehlungen werden den ganzen Tag über aktualisiert, sodass Kunden regelmäßig nach neuen Outfit-Inspirationen suchen können.

VB: Was haben Sie gelernt, das für zukünftige KI-Projekte gilt?

SF: Wir haben Shop Your Looks letztes Jahr einer kleinen Anzahl unserer Kunden in den USA vorgestellt und während dieser ersten Beta-Phase viel darüber gelernt, wie sie mit dem Produkt interagieren und wie unsere Algorithmen funktionieren.

Ein wesentlicher Grundsatz unseres Personalisierungsmodells ist, dass wir ihre Empfehlungen umso besser personalisieren können, je mehr Informationen Kunden teilen. Wir sind normalerweise in der Lage, das Modell basierend auf dem Feedback unserer Kunden anzupassen. Regelbasierte Systeme sind jedoch im Allgemeinen nicht adaptiv. Das System muss aus dem Kundenfeedback zu den empfohlenen Outfits lernen. Wir erhalten äußerst hilfreiches Feedback, wie Kunden mit den Outfit-Empfehlungen umgehen, und auch von einem maßgeschneiderten internen QS-System. Das Modell steckt noch in den Anfängen und wir fügen ständig weitere Informationen hinzu, um den Kunden individuellere Outfits zu zeigen. Während beispielsweise saisonale Trends insgesamt wichtig sind, sollten Empfehlungen an das lokale Klima eines Kunden angepasst werden, damit Kunden, die Sommerwetter früher als andere erleben, Sommerartikel erhalten, bevor sie in kühleren Klimazonen sind.

Da wir mehr Kunden bedienen, erhalten wir einen zusätzlichen Datensatz, der die Rückkopplungsschleife stärkt und unsere Personalisierungsfunktionen weiter stärkt.

VB: Was ist das nächste AI-bezogene Projekt für Stitch Fix (über das Sie sprechen können)?

SF: Einer der interessantesten Aspekte der Datenwissenschaft bei Stitch Fix ist das ungewöhnliche Ausmaß, in dem sich das Algorithmus-Team mit praktisch allen Aspekten des Geschäfts beschäftigt - vom Marketing über die Verwaltung von Inventar und Betrieb bis hin zur Unterstützung unserer Stylisten bei der Auswahl der Artikel unserer Kunden werde lieben.

Wir glauben, dass sich das Data Science-Team mit Blick auf die Zukunft weiterhin auf die Verbesserung der Personalisierung konzentrieren wird. Dies kann alles umfassen, von der Größe bis zur Vorhersage Ihrer Styling-Anforderungen, bevor Sie überhaupt wissen, dass Sie etwas benötigen.