Αναγέννηση των επιχειρήσεων ένδυσης στην εποχή του Recommendation Engineering

Το 2018 είχε έσοδα 1,25 δισεκατομμυρίων δολαρίων. Η βασική φιλοσοφία της εντοπίζεται στο Recommendation Engineering. Χρησιμοποιεί δεδομένα πελατών, έτσι ώστε να μαντεύει τι θέλουν να αγοράσουν οι πελάτες, που θέλουν να κατευθύνουν την ζωή τους, και το προτείνει. Χρησιμοποιεί τη φιλοσοφία «Choice Architecture», οπότε ο ρόλος της είναι να τους συμβουλεύει γύρω από το πώς θα κάνουν την εμφάνιση τους καλύτερη.

Αυτή είναι η κεντρική αρχιτεκτονική της. Ο «no 2» της επιχείρησης, μετά την CEO, Katrina Lake, είναι ο Eric Colson, Chief Algorithm Officer – CAO, ο οποίος ήταν αντιπρόεδρος Data Science & Engineering της Netflix. H CEO λέει: «Το 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 ή 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. Στη συνεχεία, οι προτάσεις αυτές πηγαίνουν σε έναν από τους 3.500 στυλίστες που διαθέτει η επιχείρηση για review. Ο στυλίστας επιλέγει 5 προϊόντα και τα στέλνει στον πελάτη ανά 15 μέρες, μήνα ή τρίμηνο, ανάλογα με 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 site. Έτσι, μπορεί να μαθαίνει συνεχεία ο Recommender τις ανάγκες του πελάτη και να εξελίσσεται.

Οι πελάτες προσφέρουν πλούσια στοιχειά κατά την αξιολόγηση, όπως εφαρμογή, πώς φαίνεται επάνω τους το ρούχο, εάν τους αρέσει το στυλ και άλλα. Αυτή η λεπτομέρεια είναι απίστευτα χρήσιμη στο Recommendation Engine. Οι εικόνες, όμως, δίνουν πολύ καλύτερα στοιχειά στον 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, δημιουργούν έτσι το προσωπικό τους στυλ. Μετά, χρησιμοποιούν Machine Vectorisation στις εικόνες και εξάγουν χαρακτηριστικά από της φωτογραφίες, χρήσιμα για το Recommendation Engineering.

Στη συνεχεία, χρησιμοποιούν Convolution Neural Network αρχιτεκτονικές -και συγκεκριμένα Alexnet- για να ταυτίσουν τα χαρακτηριστικά των επίλογων του πελάτη από το Pinterest με δικά τους προϊόντα. Αυτό το Νευρωνικό Δίκτυο ταυτίζει τις επιθυμίες του πελάτη με τα προϊόντα Stitch Fix σε εκπληκτικό βαθμό. Το Alexnet αποτελεί την 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 να μπορέσουν να βελτιώσουν τον Recommender αφού πάρουν feedback από τον πελάτη, χρησιμοποιούν αλγορίθμους όπως Gambit neural networks, Mixed effects model. Δηλαδή, με εξαιρετικά προχωρημένα μαθηματικά βρίσκουν τα βασικά χαρακτηριστικά των προϊόντων, με την ματιά του πελάτη, και υπολογίζουν ομοιότητες μεταξύ προϊόντων. Στη συνεχεία πηγαίνουν την προσωποποίηση βαθύτερα, βάζοντας στο παιχνίδι και τον άνθρωπο, τον στυλίστα. Οι άνθρωποι επεξεργάζονται βαθύτερες διακυμάνσεις των Recommendations και τροποποιούν τα recommendations ανάλογα.

Η CΕΟ Katrina Lake λέει: «Ένας κάλος στυλίστας και ένας καλός αλγόριθμος είναι σαφώς ανώτερος από έναν καλό στυλίστα ή έναν καλό αλγόριθμο». Με λίγα λόγια, η επιχείρηση, στην εποχή του Digital Revolution, πρέπει να έχει σαν κεντρικό χαρακτηριστικό τα δεδομένα.