Cómo Stitch Fix usó AI para personalizar su experiencia de compra en línea


Los minoristas en línea han estado atrayendo a los clientes durante mucho tiempo para que exploren una amplia gama de productos desde su hogar, comparen rápidamente los precios y las ofertas, y reciban los productos convenientemente en su puerta. Pero gran parte de la experiencia personal de compra se ha perdido, entre otras cosas probándose ropa para ver cómo le queda, cómo funcionan los colores con su cutis, etc.

Empresas como Stitch Fix, Wantable y Trunk Club han intentado resolver este problema mediante la contratación de profesionales para elegir ropa en función de sus parámetros personalizados y enviársela. Puedes probar cosas, conservar lo que te gusta y devolver lo que no quieres. La versión de este servicio Stitch Fix se llama Fixes. Los clientes reciben una tarjeta de estilo personalizada con un atuendo inspirado. Está controlado algorítmicamente y ayuda a los expertos en estilo humano a asignar una prenda a un comprador específico. Cada arreglo incluía una tarjeta de estilo que describía las opciones de ropa para completar conjuntos basados ​​en los diferentes elementos en el arreglo de un cliente. Debido a la gran demanda, el año pasado la compañía comenzó a probar una forma para que los compradores compren estos artículos relacionados directamente de Stitch Fix a través de un programa llamado Shop Your Looks.

AI es una adición natural a dichos servicios, y Stitch Fix tiene la tecnología para acelerar y mejorar Shop Your Looks. A nivel técnico, la compañía compite directamente con los gigantes de Facebook, Amazon y Google, todos los cuales están desarrollando agresivamente experiencias de compra de ropa basadas en inteligencia artificial.

Stitch Fix compartió esto durante la versión beta de Shop Your Looks con "Más de un tercio de los clientes que compraron a través de Shop Your Looks han usado esta función varias veces, y aproximadamente el 60% de los clientes que tienen compró sobre la oferta, compró dos o más artículos ". Fue lo suficientemente exitoso que la compañía se expandió recientemente para incluir una colección comprable completa que utiliza la misma tecnología subyacente para personalizar las recomendaciones de atuendos y artículos al comprar.

VB Transform 2020 en línea – 15.-17. Julio. Únase a los principales líderes de IA: regístrese para la transmisión en vivo gratuita.

Los científicos de datos de Stitch Fix, Hilary Parker y Natalia Gardiol, le dijeron a VentureBeat en una entrevista por correo electrónico lo que llevó a la compañía a desarrollar Shop Your Looks. cómo el equipo usó IA para construirlo; y los métodos que usaron, como las máquinas de factoraje.

En este estudio de caso:

  • Problema: Cómo ampliar el alcance de su servicio, personalizando equipos con una combinación de algoritmos y experiencia humana para clientes en línea. [19659009] El resultado es "Compre sus looks".
  • Resultó de un experimento realizado por un pequeño equipo de científicos de datos de Stitch Fix, que luego se expandió a otras unidades dentro de la empresa.
  • El mayor desafío fue determinar qué es un atuendo "bueno" cuando el sabor es tan subjetivo y el contexto es importante.
  • Stitch Fix usó una combinación de reglas diseñadas por humanos para almacenar, ordenar y manipular datos, así como modelos de IA llamados máquinas de factorización.

Esta entrevista fue editada en aras de la claridad y la brevedad.

VentureBeat: ¿Se enamoró Stitch Fix de una herramienta o técnica de IA y la usó como inspiración para hacer un producto con esta herramienta o técnica? ¿O la empresa comenzó con un problema o un desafío y finalmente eligió una solución basada en IA?

corrección de puntada : para crear Shop Your Looks, tuvimos que desarrollar aún más nuestras funciones de algoritmo a partir de la coincidencia. de un cliente Este es un desafío increíblemente complejo porque no solo comprende qué elementos encajan entre sí, sino también cuál de estos conjuntos le gustará realmente a un solo cliente. Por ejemplo, a una persona le pueden gustar los patrones en negrita que se mezclan, y otra persona puede preferir una parte superior en negrita con un fondo amortiguado.

Para resolver este problema, utilizamos nuestro marco existente, que ofrece recomendaciones de artículos de estilistas para un correcto y determinar qué nueva información necesitamos para alimentar a este marco y cómo podemos recopilarlo.

En primer lugar, es importante comprender cómo los clientes comparten información con nosotros actualmente:

  • Perfil de estilo: cuando un cliente inicia sesión en Stitch Fix, recibimos 90 puntos de datos diferentes, desde el estilo hasta el precio y el tamaño.
  • Comentarios sobre el pago: el 85% de nuestros clientes nos dicen por qué conservan o devuelven un artículo. Estos son datos increíblemente extensos, incluidos detalles de ajuste y estilo; ningún otro minorista recibe esta retroalimentación.
  • Style Shuffle: una función interactiva en nuestra aplicación y en nuestro sitio web, con la cual los clientes pueden "aprobar" o "rechazar". una foto de un artículo o atuendo. Puede hacerlo en cualquier momento, no solo cuando obtiene una solución. Hasta ahora hemos recibido la increíble cantidad de 4 mil millones de comentarios de clientes.
  • Notas de solicitud personalizadas para estilistas: los clientes dan a sus estilistas solicitudes específicas, p. Por ejemplo, si está buscando un atuendo para un evento o si ha visto un artículo que realmente le gusta.

Para Shop Your Looks, complementamos esto con información sobre qué artículos encajan. Los conjuntos en tarjetas de estilo, conjuntos que nuestro equipo de diseño creativo reúne y conjuntos que ofrecemos a los clientes en estilo aleatorio nos brindan una valiosa información adicional sobre las preferencias de estilo de un cliente.

VB: ¿Cómo comenzaste este proyecto? ¿Tuviste que contratar nuevos talentos?

SF: La ciencia de datos es el núcleo de nuestro trabajo. Tenemos más de 125 científicos de datos trabajando en nuestra empresa, incluidos sistemas de referencia, contabilidad de recursos humanos, gestión de recursos, gestión de inventario y diseño de indumentaria.

La experimentación basada en datos, como muchos otros, es una parte importante de la cultura del equipo. Las iniciativas en Stitch Fix, Shop Your Looks surgieron de un experimento realizado por un pequeño equipo de científicos de datos. Cuando el proyecto entró en pruebas beta más allá de la fase inicial de recopilación de datos, el equipo de ciencia de datos trabajó con otros grupos en toda la empresa. Por ejemplo, nuestro equipo de diseño creativo se adapta a las necesidades del cliente y puede recomendar looks accesibles, ambiciosos e inspiradores.

VB: ¿Cuál fue el desafío más grande o más interesante que tuvo que enfrentar en este proceso?

SF: Crear atuendos para clientes es un problema muy complejo porque lo que hace que un buen atuendo sea muy subjetivo para todos. Lo que una persona piensa que es un gran atuendo, otra no. La parte más difícil de resolver este problema es que un atuendo no es una entidad fija, es básicamente contextual. Para abordar este problema, se tuvieron que obtener nuevos conocimientos, no solo sobre ciertos artículos que les gustan a los clientes, sino también sobre cómo los clientes responden a los artículos agrupados.

Y debido a que el estilo es tan subjetivo, tuvimos que repensar cómo calificamos un atuendo “bueno” para nuestros algoritmos, ya que no hay un solo atuendo perfecto. Los clientes tienen diferentes preferencias de estilo, por lo que creemos que un atuendo "bueno" es uno que le gusta a cierto grupo de nuestros clientes, pero no necesariamente a todos.

Aprendemos mucho sobre cómo los clientes responden a los elementos que se agrupan cuando compartimos conjuntos con los clientes y les pedimos que los califiquen con Style Shuffle.

VB: ¿Qué herramientas y técnicas de IA utiliza Stitch Fix, en general y para Shop Your Looks?

SF: ] Shop Your Looks combina modelos de IA y reglas hechas por el hombre para almacenar, ordenar y editar datos.

El sistema se basa aproximadamente en una clase de modelos de IA llamados máquinas de factorización y consta de varios pasos diferentes. Debido a que generar atuendos es complicado, no podemos crear un atuendo y llamarlo bueno. En el primer paso, creamos un modelo de emparejamiento que se puede utilizar para predecir pares de artículos que coincidan bien, p. B. un par de zapatos y una falda o pantalón y una camiseta.

Luego pasamos a la siguiente etapa: montaje de vestimenta. Aquí seleccionamos una serie de elementos que juntos forman un conjunto coherente (basado en las predicciones del modelo de apareamiento). En este sistema, utilizamos "plantillas de atuendos" que proporcionan una guía de lo que está hecho un atuendo. Por ejemplo, una plantilla consiste en tops, pantalones, zapatos y una bolsa, y otra consiste en un vestido, collar y zapatos.

Varios factores juegan un papel en la fase final de los conjuntos para Shop Your Looks. Establecemos un elemento de anclaje, que es un elemento que el cliente ha retenido de una reparación anterior y para el que nos gustaría construir conjuntos. El algoritmo también debe tener en cuenta qué inventario está disponible en un momento determinado. Una vez hecho esto, el algoritmo desarrolla recomendaciones personalizadas que se adaptan a las preferencias de cada cliente. Los clientes pueden buscar y comprar estos looks directamente en la pestaña "Comprar" en su dispositivo móvil o de escritorio. Las recomendaciones de atuendos se actualizan a lo largo del día para que los clientes puedan buscar regularmente inspiración para nuevos atuendos.

VB: ¿Qué has aprendido que se aplicará a futuros proyectos de IA?

SF: Presentamos Shop Your Looks a un pequeño número de nuestros clientes en los Estados Unidos el año pasado, y durante esta primera fase beta aprendimos mucho sobre cómo interactúan con el producto y cómo Los algoritmos funcionan.

Un principio importante de nuestro modelo de personalización es: cuanta más información compartan los clientes, mejor podremos personalizar sus recomendaciones. Por lo general, podemos personalizar el modelo según los comentarios de los clientes. Sin embargo, los sistemas basados ​​en reglas generalmente no son adaptables. El sistema debe aprender de los comentarios de los clientes sobre los conjuntos recomendados. Recibimos comentarios extremadamente útiles sobre cómo los clientes manejan las recomendaciones del equipo y también de un sistema de control de calidad interno personalizado. El modelo aún está en pañales y constantemente estamos agregando más información para mostrar a los clientes más atuendos individuales. Por ejemplo, si bien las tendencias estacionales generales son importantes, las recomendaciones deben adaptarse al clima local del cliente para que los clientes que experimentan el clima de verano antes que otros reciban artículos de verano antes que aquellos en climas más fríos.

A medida que servimos a más clientes, recibimos un conjunto de datos adicional que fortalece el ciclo de retroalimentación y fortalece aún más nuestras habilidades de personalización.

VB: ¿Cuál es el próximo proyecto relacionado con AI para Stitch Fix (puede hablar)?

SF: Uno de los aspectos más interesantes de la ciencia de datos en Stitch Fix es el grado inusual en el que el equipo de algoritmos se ocupa de prácticamente todos los aspectos del negocio, desde el marketing hasta la gestión de inventario y operación. y, por supuesto, al elegir nuestros estilistas al elegir artículos que les encantarán a nuestros clientes.

Creemos que el equipo de Data Science continuará enfocándose en mejorar la personalización con la vista puesta en el futuro. Esto puede incluir cualquier cosa, desde el tamaño hasta la predicción de sus necesidades de estilo, incluso antes de que sepa que Necesitas algo.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *