Меня зовут Габи (моя биография), я генеральный директор и соучредитель Chicisimo. Мы запустили его три года назад, наша цель заключалась в том, чтобы предлагать автоматизированные советы по подбору одежды. Сегодня, когда в приложении используют более 4 миллионов женщин, мы хотим поделиться тем, как наш подход к данным и машинному обучению помог нам расти. Это было хаотично, но теперь все под контролем.
Наш тезис: одежда и туалеты - лучшее средство для понимания вкусов людей. Понимание вкуса преобразит онлайн-моду
Если мы хотели создать инструмент на уровне человека, который предлагал бы автоматизированные советы по выбору одежды, нам нужно было понимать, что люди любят в моде. Подруга может посоветовать нам одежду, потому что, увидев, что мы обычно носим, она узнала наш стиль. Как мы могли бы построить систему, которая учит модному вкусу?
У нас был предыдущий опыт работы с проектами, основанными на вкусе, и опыт машинного обучения в музыке и других секторах. Мы видели, как инструмент совместной фильтрации превратил музыкальную индустрию из слепоты в полностью понимающую людей (посмотрите историю Audioscrobbler). Это также сделало жизнь тех, кто любит музыку, лучше, и на этом пути появилось несколько единорогов.
На этом фоне мы сделали следующий тезис: онлайн-мода изменится с помощью инструмента, который понимает вкус. Потому что, если вы понимаете вкус, вы можете радовать людей релевантным контентом и значимым опытом. Мы также думали, что «o utfits» и «наши личные туалеты» - это активы, которые позволят понять вкус, узнать, что люди носят то повседневное платье, для которого они одеваются, и стиль, который нравится каждому из нас.
Интернет-мода преобразится с помощью инструмента, который понимает вкус. Потому что, если вы понимаете вкус, вы можете радовать людей. «O utfits» и «личные туалеты» - это активы, которые позволяют понять вкус
Мы решили, что создадим этот инструмент, чтобы понимать вкус. Мы закончили создание инфраструктуры для автоматизации рекомендаций по экипировке: (i) потребительское приложение, хранящее одежду в вашем шкафу, и интерфейс, ориентированный на получение правильных входных данных и обеспечение правильных выходных данных; (ii) платформу данных, которая автоматизирует работу по интерпретации входящих данных (вкус) и обеспечению правильного вывода для механизмов доставки; (iii) набор данных, отражающий то, что люди носят, что у них есть в шкафу, и как люди думают, когда думают об одежде; (iv) и портфель ИС, защищающий все вышеперечисленное.
1-й шаг: создание приложения, позволяющего людям выражать свои потребности
Из предыдущего опыта создания мобильных продуктов, даже в Symbian, мы знали, что привлечь людей к приложению легко, но трудно удержать их. Поэтому мы сосредоточились на небольших итерациях, чтобы учиться как можно быстрее.
Мы запустили очень раннюю альфа-версию приложения Chicisimo с одной ключевой функцией. Мы запустились под другим именем и в другой стране. Вы не могли даже загружать фотографии ... но это позволило нам использовать реальные данные и получить много качественной информации. В какой-то момент мы запустили настоящий Chicisimo и удалили эту альфа-версию из App Store.
Мы долго пытались понять, каковы наши истинные рычаги удержания и какие алгоритмы нам нужны для сопоставления контента и людей.
С удержанием помогли три вещи:
(а) определить рычаги удержания с помощью поведенческих когорт (для этого мы используем Mixpanel). Мы проверяем когорты не только на действия, которые выполняли люди, но и на ценность, которую они получили. Это было сложно представить для такого приложения, как Chicisimo. Мы думали о том, какую конкретную и поддающуюся измерению ценность получили люди, измерили ее и провели когорты по этим событиям, а затем мы смогли перебирать полученную ценность, а не только действия, которые люди выполняли. Мы также определили и удалили антирычаги (все те шумные вещи, которые отвлекают от основной ценности) и получили все соответствующие показатели для разных периодов времени: первая сессия, первый день, первая неделя и т. Д. сверхспецифические метрики позволили нам повторить итерацию;
(б) переосмыслить процесс адаптации, когда мы узнаем рычаги удержания. Мы определяем адаптацию как процесс, с помощью которого новые подписчики обнаруживают ценность приложения как можно скорее, прежде чем мы потеряем их. Мы четко сформулировали себе, что должно произойти (что и когда). Это выглядело примерно так: Если люди не нажимают [рычаг] в течение первых 7 минут первого сеанса, они больше не вернутся. Поэтому нам нужно изменить опыт, чтобы это произошло. Мы также проводим множество пользовательских тестов с разными типами людей и наблюдаем, как они воспринимают (или в основном не понимают) рычаг удержания;
(c) определить, как мы учимся. Описанный выше подход к данным является ключевым, но при создании продукта, который нравится людям, нужны не только данные. В нашем случае, прежде всего, мы думаем, что проблема что надеть очень важна, и мы искренне ее уважаем. Мы зациклены на понимании проблемы и на понимании того, как наше решение помогает или нет. Это наш способ выразить уважение.
Это подводит меня к одному из самых удивительных аспектов IMO создания продукта: тому факту, что мы регулярно получаем доступ к новым массивам знаний, которых у нас не было раньше, которые помогают нам значительно улучшить продукт. Когда мы получали эти революционные уроки, мы всегда всегда концентрировались на двух аспектах: как люди относятся к проблеме и как люди относятся к продукту (красные стрелки на изображении ниже). . В этих двух отношениях происходит миллион тонкостей, и мы строим Chicisimo, пытаясь понять их. Теперь мы знаем, что в любой момент есть что-то важное, чего мы не знаем, и поэтому всегда возникает вопрос: как мы можем научиться… раньше?
Разговаривая с одной из моих коллег, она однажды сказала мне: Дело не в данных, а в людях. И правда в том, что с первого дня, беседуя с женщинами, мы многое узнали о том, как они относятся к проблеме и к ее решениям. Мы используем несколько механизмов: общение лицом к лицу, чтение электронных писем, которые мы получаем от женщин без заранее определенных вопросов, или запрос обратной связи по конкретным темам (теперь мы используем Typeform и его отличный инструмент для понимания продукта). А затем мы разговариваем между собой и пытаемся сформулировать выводы. Мы также ищем внешние ссылки: мы разговариваем с другими разработчиками продукта, играем с вдохновляющими приложениями и перечитываем статьи, которые помогают нам думать. Этот процесс позволяет нам учиться, а затем создавать продукт и разрабатывать технологии.
В какой-то момент нам посчастливилось быть замеченными командой App Store, и мы были отмечены как приложение дня во всем мире (см. Описание Chicisimo от Apple, здесь). 31 декабря Chicisimo был представлен в обзоре приложений, созданных командой App Store, мы - розовая буква C. на левом изображении ниже 😀.
Благодаря этой функции приложение было просмотрено 957 437 уникальными посетителями, в общей сложности 1,3 миллиона раз. В нашем случае у функций приложения коэффициент конверсии от показа к установке приложения составляет 0,5% (обычно: показ ›просмотр страницы продукта› установка); У ASO конверсия 3%, а у рефереров 45%. Кстати, мы также разработали метод роста с помощью ASO и опубликовали соответствующий пост на тему Alexa Skills SEO - Amazon Alexa Skills Store Optimization.
В видео ниже вы можете просмотреть итерацию нашего приложения для iOS. Он показывает один из механизмов добавления одежды в ваш умный виртуальный шкаф и то, как система дает немедленные идеи для вашей одежды.
2-й шаг: создание платформы данных для изучения потребностей людей в моде.
Наши приложения созданы для того, чтобы люди могли выражать свои потребности в том, что им надеть, от объективных (тип одежды, цвет, ткань, принт…) до субъективных (стили, случаи, возраст…). Получая доступ к этой информации, мы можем лучше предлагать идеи для одежды. Простой акт доставки нужного контента абсолютно вау людей.
Контент Chicisimo на 100% создается пользователями, и это создает некоторые проблемы: системе необходимо автоматически классифицировать различные типы контента, создавать правильные стимулы и понимать, как согласовывать ввод и вывод.
Вскоре мы увидели, что поступает много данных. Подумав: «эй, какие мы классные, посмотри на все эти данные, которые у нас есть», мы поняли, что на самом деле это был кошмар, потому что хаотичность , данные не требуют действий. Это было совсем не круто. Но затем мы решили начать структурировать части данных и закончили изобретать то, что мы назвали Графиком социальной моды. График - это компактное представление о том, как взаимосвязаны потребности, оборудование и люди - концепция, которая помогла нам создать платформу данных. Платформа данных создает высококачественный набор данных, связанный с миром обучения и тренировок, нашим приложением, которое, следовательно, улучшается с каждым новым выражением вкуса.
Мы думали об нарядах как о плейлистах: наряд - это комбинация предметов, которые имеет смысл использовать вместе. Используя совместную фильтрацию, зафиксированные здесь отношения позволяют нам предлагать рекомендации в различных областях приложения.
В данных по-прежнему было много шума, и одной из самых сложных задач было понять, как люди выражают одни и те же модные потребности по-разному, что еще больше затрудняло сопоставление контента и потребностей. Многим людям могут понадобиться идеи, чтобы пойти в школу и выразить эту конкретную потребность сотнями различных способов. Как вы уловите это разнообразие и как вы структурируете его? В итоге мы создали нашу онтологию моды - многоуровневый список всех дескрипторов, которые необходимы для определения модного продукта или одежды, и отношений между всеми этими дескрипторами. Это позволяет нам автоматически классифицировать контент по многим факторам, легко сопоставлять разные каталоги, а для членов команды использовать общий язык.
Теперь мы понимаем, что наряд, потребность или человек может иметь много понятных данных, если вы позволяете людям свободно выражать свое мнение (приложение), имея при этом правильную систему (платформу). . Структурирование данных дало нам контроль, а поддержка неструктурированных данных дала нам знания и гибкость.
В то время как пользователи предоставляют ввод и отвечают на вывод, весь опыт побуждает их вносить дополнительные данные. Вклад приходит в форме (i) выраженного вкуса, например, выражения того, какой стиль им нравится, выражения того, какие случаи имеют отношение к ним с точки зрения одежды, какой тип одежды им нравится или у них есть. Вход также поступает в форме (ii) категоризации контента, например группировки одежды в описанные альбомы, маркировки одежды, установления корреляций между элементами, предоставления соответствующих запросов и т. Д. Эти входные данные предоставляют нашей команде обратную связь для создания более эффективных интерфейсов и накопления данных. чтобы мы могли с его помощью реагировать на более сложные входные данные.
Конечным результатом является наша текущая модель обучения без учителя. Система, которая изучает значение одежды, то, как реагировать на потребность, или вкус человека.
3-й шаг: алгоритмы
Когда мы создавали рекомендательные системы для музыки и других продуктов, это было довольно легко (это то, что мы думаем сейчас, очевидно, в то время мы так не думали :). Во-первых, было легко запечатлеть, что вам понравилась данная песня. Тогда было легко зафиксировать последовательность, в которой вы и другие слушали эту песню, и, следовательно, вы могли зафиксировать корреляции. С этими данными вы можете многое сделать.
Однако, как мы вскоре выяснили, у моды есть свои проблемы. Не существует простого способа подобрать одежду для покупаемого товара (подумайте о большинстве предметов одежды в вашем гардеробе, скорее всего, вы не найдете ссылки для просмотра / покупки этих предметов одежды в Интернете, что вы можете сделать для многих других товаров, которые у вас есть дома). Еще одна проблема: индустрия не фиксирует то, как люди описывают одежду или наряды, поэтому существует сильная пропасть между многими коммерческими предприятиями и их покупателями (мы думаем, что мы решили эту проблему. Также над Similar.ai и Twiggle работают. Это). Еще одна проблема: стиль сложно зафиксировать и классифицировать с помощью машины.
Наша онтология решила эту проблему. Кроме того, наша система преобразует модные продукты в метапродукты, которые являются абстракциями конкретных продуктов любого каталога или шкафа. Модный продукт эфемерен, а его дескрипторы - нет, поэтому система сохраняет ценность. Мета-продукт - это самое базовое, но актуальное описание продукта, и одна из первых задач нашей инфраструктуры - преобразовать любой поступающий модный продукт в мета-продукт.
Почему Google, Amazon и Alibaba переодеваются? Идет гонка за рынок стоимостью 123 миллиарда долларов
Одежда - ключевой актив в гонке за рынок одежды США, который оценивается в 123 миллиарда долларов. Данные также являются причиной того, что многие игроки ставят одежду на передний план в области технологий: одежда - это повседневная привычка, которая оказалась отличным средством для привлечения и удержания покупателей и сбора их данных. Многие игроки представляют раздел Приобрести внешний вид с нарядами реальных людей: Amazon, Zalando или Google - вот лишь несколько примеров.
Google недавно представил новую функцию под названием Идеи стиля, показывающую, как продукт можно носить в реальной жизни. В том же месяце Amazon запустила свой Alexa Echo Look, чтобы помочь вам с вашей одеждой, а персональный стилист Alibaba по искусственному интеллекту помог им добиться рекордных продаж во время Дня холостяков.
ОБНОВЛЕНИЕ: в октябре 2020 года мы закрыли Chicisimo.
Я редактирую этот пост, чтобы сообщить, что, к сожалению, мы закрыли Chicisimo. О том, что произошло, читайте в Chicisimo Post-Mortem.
Если вам нужно связаться, напишите мне по адресу [email protected]
