Примечание редактора: Габриэль Алдамиз, автор этой статьи, является основателем и генеральным директором Chicisimo, программного обеспечения для модной одежды, которое фокусируется на предоставлении советов по выбору одежды для женщин и использует искусственный интеллект для привлечения большого количества пользователей. В этой статье подробно объясняются идеи дизайна и методы машинного обучения APP.Ниже приводится компиляция исходного текста Лунжи.
Мы запустили Chcisimo три года назад с целью автоматически предлагать пользователям варианты одежды. Сегодня у приложения более 4 миллионов пользователей женского пола, и мы здесь, чтобы поделиться данными и методами машинного обучения, которые нам помогли.
Подбор одежды - лучший инструмент для понимания вкуса, понимание вкуса потребителей изменит онлайн-моду.
Если мы хотим создать программное обеспечение для автоматического подбора одежды на уровне человека, нам нужно понять вкусы людей в моде. Подруга может дать вам совет, потому что она знает ваши обычные предпочтения в одежде. Но как построить систему, способную изучать модный вкус?
До этого мы также работали над проектами, связанными с личными вкусами, а также с применением машинного обучения в музыке и других областях. Мы увидели, как инструменты совместной фильтрации превратили слепую музыкальную индустрию в удобную для пользователя жизнь любящих музыку людей к лучшему, и родилось несколько единорогов.
На этом фоне нам пришла в голову мысль, что инструменты для понимания вкусов людей изменят онлайн-моду. Если вы знаете чьи-то вкусы, вы можете порадовать их соответствующим контентом и значимой информацией.
Поэтому мы решили создать инструмент для понимания вкусов людей. Сначала мы сосредоточились на создании правильной базы данных, а затем разработали два продукта: мобильный клиент и платформу данных.
Шаг 1: Создайте приложение, которое может публиковать ваши потребности
Из нашего прошлого опыта создания мобильных продуктов, даже в эпоху Symbian, мы обнаружили, что заставить людей использовать приложение было легко, но удержать его было сложно. Поэтому мы сосредотачиваемся на небольших итерациях, чтобы учиться как можно быстрее.
В ранней версии Chicisimo, которую мы изначально запустили, была ключевая функция: мы переименовали программное обеспечение в другой стране и в то время даже не могли загружать фотографии. Но он может выполнять итерации с реальными данными и получать много значимых входных данных. Наконец-то мы выпустили официальную версию Chicisimo. Мы долго думали о том, что является реальным ключом к удержанию пользователей и какие алгоритмы нам нужны для сопоставления контента и пользователей. Есть три ключевых момента:
-
Используйте поведение пользователя для определения методов удержания (здесь мы используем Mixpanel). Мы управляем не только поведением пользователей, но и ценностью, которую они получают. Сложно придумать такое приложение, как Chicisimo. Мы верим в измерение конкретной измеримой ценности, которую получают люди, проведение когортного анализа этих событий, а затем повторение полученной ценности, а не только действий пользователя. Мы также определяем и удаляем антирычаги (шум, отвлекающий главные ценности) и получаем все соответствующие критерии для разных периодов времени: первая сессия, первый день, первая неделя и т. д. Эти конкретные критерии помогают нашему продукту развиваться.
-
Как только удержание определено, мы пересматриваем первое взаимодействие пользователя с программным обеспечением. Этот процесс относится к минимальному времени, в течение которого вновь зарегистрированный пользователь находит свое значение в программном обеспечении. У нас есть четкие критерии для этого периода времени:Если пользователи не предпримут никаких действий в течение семи минут после первого сеанса, они перестанут использовать продукт.Поэтому нам нужно улучшить их опыт. Мы также протестировали различные типы пользователей, чтобы увидеть, как они реагируют на методы удержания.
-
Определите, как мы учимся. Упомянутый выше подход к данным является ключевым, но когда дело доходит до создания продукта, который понравится пользователям, одних данных недостаточно. В нашем случае, в первую очередь, мы думали, что что надеть — действительно очень важный вопрос, и мы сосредоточились на понимании этого, но также и на понимании того, как наш подход помог пользователю или почему он не помог. Это также способ, которым мы уважаем наших пользователей.
На мой взгляд, эти ключевые моменты были самыми удивительными аспектами создания приложения. Фактически, у нас часто есть доступ к базе знаний, которой у нас никогда не было, что помогает нам значительно улучшать наши продукты. Зная это, мы сосредоточились на двух вещах: как связать пользователей с проблемами и как связать пользователей с продуктами. В этих двух отношениях есть бесчисленное множество нюансов, и мы пытаемся построить Chicisimo, понимая их. Итак, вопрос в том, как мы можем учиться быстрее?
Я поговорил с коллегой, и она сказала мне: «Дело не в данных, а в людях». На самом деле, мы многому научились с первого дня, разговаривая с женщинами об их проблемах и способах их решения. Мы используем различные методы общения: беседы лицом к лицу, проверку электронных писем от пользователей-женщин или просьбы оставить отзыв по конкретным вопросам. Затем обменивайтесь опытом друг с другом, а также ищите мнения со стороны: общайтесь с другими пользователями продукта. Мы также испытываем другие интересные приложения и перечитываем статьи, которые помогают нам думать. Этот процесс позволяет нам учиться, а затем разрабатывать продукты и технологии.
Пока однажды мы не привлекли внимание команды App Store и не были выбраны лучшим программным обеспечением дня для продвижения его по всему миру. Chicisimo также был представлен в команде App Store 31 декабря прошлого года.
Благодаря этому показу Chicisimo имеет 957 437 новых посетителей и 1,3 миллиона посещений. Коэффициент конверсии приложения от показа до установки составляет 0,5% (обычно показ > страница продукта > установка), коэффициент конверсии ASO — 3 %, а реферальный коэффициент — 45 %.
Шаг 2. Создайте платформу данных, чтобы понять потребности пользователей в моде.
Это приложение предназначено для понимания вкусов пользователей, чтобы предлагать лучшие идеи для одежды. Дать правильный совет в нужное время, безусловно, открывает глаза, хотя этот инструмент довольно сложно сделать.
Контент Chicisimo на 100 % создается пользователями, и это создает некоторые проблемы: система должна автоматически классифицировать различные типы контента, создавать правильные стимулы и понимать, как сопоставить контент и потребности.
Вскоре мы увидели, что генерируется много данных, и были приятно удивлены тем, что это был кошмар, потому что беспорядочные данные — это совсем не круто. Затем мы решили использовать некоторые данные для формирования некоторой структуры и прекратили создание того, что мы называем Social Fashion Graph. Диаграмма представляет собой структуру, которая представляет отношения между потребностями, одеждой и пользователями, концепция, которая помогла нам построить нашу платформу данных. Платформы данных создают высококачественные наборы данных, которые связывают обучение с обучением, позволяя улучшать приложения с каждым новым вкусом.
Мы думаем об одежде как о плейлистах: наряды — это комбинации, которые можно купить вместе. Используя совместную фильтрацию, зафиксированные здесь отношения позволяют нам давать рекомендации в различных областях приложения.
В данных по-прежнему много шума, и одна из самых сложных вещей —Понимание того, как пользователи по-разному выражают одни и те же потребности в моде, усложняет сопоставление контента и потребностей.. Как уловить это разнообразие, как установить связи между ними? Мы создали систему, которая собирает концепции и фиксирует эквиваленты, которые выражают одни и те же потребности по-разному, в конечном итоге создавая список всех потребностей в одежде в мире, который мы называем онтологией. Это действительно очищает набор данных и помогает нам понять данные, которые у нас есть. Это понимание облегчает выбор продукта.
Теперь мы понимаем, что к предмету одежды, потребности или пользователю привязано множество понятных данных. Создание данных дает нам контроль, а работа с несистематическими данными дает нам знания и гибкость.
В итоге у нас есть система, которая есть сегодня, которая может узнать значение набора одежды, ответить на определенную потребность и понять вкус определенного пользователя.
Перед нами огромная нагрузка, но все под контролем. Одной из новых областей, которую мы в настоящее время разрабатываем, является добавление четвертого элемента в таблицу социальной моды:Товары, доступные для покупки. Эта система может автоматически подключаться к элементам одежды, чтобы помочь клиентам решить, стоит ли покупать. Это весьма захватывающе.
Шаг 3: Алгоритм
Вспомните, когда мы создавали рекомендательные системы для музыки и других продуктов, это было довольно просто. Во-первых, если пользователю нравится песня, рекомендованная системой, система может легко ее захватить. Затем легко зафиксировать порядок, в котором каждый человек слушал песню, чтобы вы могли понять взаимосвязь. С этими данными мы можем многое сделать.
Однако вскоре мы обнаружили, что у моды есть свои проблемы. Не существует простого способа сопоставить наряды с предметами; кроме того, индустрия не улавливает то, как люди описывают одежду или наряды, поэтому многие операторы и покупатели не сопоставляют информацию; наконец, машинам сложно определить определенный стиль одежды и классифицировать его.
Теперь новые инструменты, полученные благодаря глубокому обучению, можно добавить к другим механизмам и решить исходную головоломку. Вооружившись правильным набором данных, мы можем сосредоточиться на системах рекомендаций по одежде и предоставлять пользователям ценность с помощью алгоритмов, а не тратить время на сбор и очистку данных. Личный стиль пользователя может быть таким же действенным, как и метаданные, и прозрачным. Поскольку Chicisimo уже хорошо принят, мы можем скрыть первые результаты этих алгоритмов и использовать обратную связь для постоянного улучшения.
Почему Google, Amazon и Alibaba занялись одеждой?
Сопоставление одежды является важным элементом рынка одежды стоимостью 123 миллиарда долларов США. Данные также являются причиной того, что многие практикующие специалисты применяют технологии в одежде: подбор одежды — это ежедневная привычка и важное средство привлечения и удержания потребителей и сбора данных. Amazon, Google, Zalando и другие запустили сервисы Shop the Look.
Google недавно запустил новую функцию под названием «Идеи стиля», которая показывает, как продукт можно носить в реальности. В том же месяце Alexa Echo Look от Amazon, которая помогает выбирать одежду, и сваха Alibaba с искусственным интеллектом помогли компании установить рекорды продаж в День холостяка.
следующие десять лет
Некоторые считают, что данные о моде имеют тот же статус, что и данные о музыке в 2003 году, и вот-вот сыграют важную роль. Хорошая новость заключается в том, что нам нужно думать о том, что надеть каждый день, и необходимость покупать новую одежду никуда не делась.
Итак, где мы будем через десять лет? Создадут ли данные о вкусах людей в одежде уникальный опыт онлайн-покупок? Как машинное обучение изменит электронную коммерцию? давайте подождем и увидим!
Исходный адрес: hackernoon.com/how-we-grow-from-0-to-4-million-women-on-our-fashion-app-with-a-vertical-machine-learning-approach-f8b7fc0a89d7.