Stylista rozszerzony

Idée fixe pojawiła się w mojej głowie podczas zakupów online, a konkretnie w czasie trwającego Black Friday, kiedy kompletowałem zimową garderobę. Nie jest więc przypadkiem, że branża modowa jest osią tego artykułu. W dalszej części okaże się, że ten przykład jest niemal idealny… ale po kolei.

Mój tajemniczy stylista

Kiedy wybrałem już kilka ciuchów, które stanowiły główny cel moich zakupów, zacząłem niefrasobliwie scrollować stronę i przeglądać inne oferty (w końcu black friday jest tylko raz do roku). Nagle wydarzyło się coś nietypowego.

Zauważyłem, że zacząłem przeglądać lekkie wiosenne kurtki, mimo że dokładnie tego samego dnia, poranek przywitał nas pierwszym przymrozkiem. Ok, zimą najlepiej kupować ubrania na lato, a latem na zimę, to oczywiste. Czekają wtedy na nas najciekawsze oferty, jednak tych kurtek nie było ani w ofercie promocji sezonowych, ani w black friday’owych przecenach. Po chwili uświadomiłem sobie, że moja ścieżka zakupowa została zmieniona przez całkiem niezły outfit, stworzony przez stylistów marki i zaprezentowany na dobrej fotografii dołączonej do zdjęć przedmiotu. Wow!

Tak się złożyło, że w tym samym czasie pisałem obszerny przewodnik dotyczący strategii rekomendacji oparty przede wszystkim na rekomendacjach wykorzystujących sztuczną inteligencję. W efekcie moje myśli zaczęły zaprzątać dwa pytania, które nie mogły dać mi spokoju:

Czy rekomendacje tradycyjne, oparte na ludzkim doświadczeniu i wiedzy eksperckiej są wciąż lepsze od tych opartych na sztucznej inteligencji?

Kto okaże się lepszym sprzedawcą, gdy kompletujemy garderobę – doradca stworzony za pomocą sztucznej inteligencji, czy stylista marki, projektujący zestawy na sesje zdjęciowe i kreujący jej ogólny styl?

Jeśli wygra sztuczna inteligencja, to jaka strategia rekomendacji będzie najlepsza dla branży modowej? Jeśli to jednak stylista z krwi i kości jest lepszy, to dlaczego nieco przestarzałe podejście marketingowe, czyli one-to-many, okazuje się wciąż lepsze? Przecież styl to kwestia bycia unikalnym. Dlaczego więc jedna stylówka, okazuje się równie dobra dla każdego? Z drugiej strony:

Kto tak na prawdę tworzy modę?

Czy istnieje możliwość, że rekomendacje stworzone przez sztuczną inteligencję tworzą własne trendy? Czy istnieje szansa że AI tworzy własne stylówki (oczywiście nieświadomie), albo przynajmniej ma wpływ na outfity klientów?

W końcu trendy opierają się na jakichś preferencjach albo wpływaniu na panujący w danym czasie styl. Czy branża modowa, będąca w pewnym sensie sztuką, czyli ostatnim bastionem człowieczeństwa, powoli wpada w objęcia sztucznej inteligencji?

Odpowiedź nie jest ani łatwa, ani oczywista. W dodatku wymaga spojrzenia na problem z kilku perspektyw.

Rekomendacja, czyli rozmowa

Pierwszy podstawowy podział rekomendacji to podział na explicit oraz implicit. Te pierwsze to jawne, bezpośrednie informacje. „Szukasz bielizny damskiej czy męskiej?” Algorytm wybiera właściwą ofertę na podstawie naszego wyboru.

Znacznie przydatniejsze są rekomendacje implicit, kiedy nie deklarujemy wprost naszych preferencji, jednak w pewny sposób je ujawniamy. Są skuteczniejsze, bo jak powszechnie wiadomo „czyny mówią więcej niż słowa nie słowa”. W tym przypadku powiedzonko można potraktować całkiem dosłownie.

Rekomendacje oparte na sztucznej inteligencji, które są tematem artykułu, w większości przypadków są właśnie rekomendacjami implicit.

Rekomendacja, czyli filtr

Tekst zaczęliśmy nieco kontrowersyjnie, więc może to dobry moment żeby powiedzieć głośno i wyraźnie, co następuje. Rekomendacje stanowią nieocenioną pomoc w obszarze właściwej obsługi klienta. Nawet te najprostsze, np. Ostatnio przeglądane produkty, mogą pomóc w finalizacji zakupów. To nie ulega wątpliwości.

Ta metoda to tzw. Segment-Of-One lub oficjalniej metoda komunikacji marketingowej machine-to-one. Dana marka reprezentowana jest przez zautomatyzowany system, który komunikuje się z klientem w taki sposób, który stwarza wrażenie, że oferta marki jest przygotowana specjalnie dla niego.

Metoda zastąpiła przestarzałe podejścia oparte na modelach takich jak np. one-to-many, o którym już wspomniałem. Każdy klient jest inny i z założenia ma inne oczekiwania, potrzeby, a przede wszystkim ma inne gusta, co w kontekście modowych rozważań jest szczególnie ważne. Dlatego prezentowanie tego samego zestawu produktów jest ryzykowne i powoduje obniżenie współczynnika konwersji w porównaniu z dynamicznymi ofertami nakierowanymi na klienta. Całkiem oczywiste, prawda?

Co więcej, takie rekomendacje dzięlą się na kilka typów, co wiąże się z różnymi strategiami i technikami sprzedaży.

• Rekomendacje oparte na różnych danych wejściowych mogą wskazać różne produkty. Te weykorzystujące historię przeglądanych produktów będą się różnić od tych opartych na danych dotyczących zakupów. Co więcej:
• Gdy mówimy o modzie, liczą się też takie kwestie jak, z braku lepszego określenia, jej poziom. I tak na przykład Gucci, Off-white czy Pepco to marki o różnych strategiach marketingowych, prawda? Ich komunikacja i strategia sprzedażowa różni się całkiem znacznie. To samo jest prawdą, gdy przychodzi nam dobrać odpowiednią strategię rekomendacji.

Jednym z najbardziej popularnych systemów rekomendacji jest tzw. filtrowanie wspólne, czyli Collaborative Filtering, które działa nie tylko w branży modowej. System przetwarza najważniejsze wydarzenia dotyczące zachowań klienta, czyli historię przeglądania, produkty dodawane do koszyka i te zakupione.

Następnie algorytm porównuje powstały w ten sposób model behawioralny, z modelami innych klientów. Na podstawie tego podobieństwa proponuje produkty.

Czy kojarzycie okienka „Oferta przygotowana specjalnie dla Ciebie”, które wyskakują tu i ówdzie w trakcie zakupów online? W większości przypadków to właśnie wynik działania collaborative filtering.

A co z ofertą „Te produkty także mogą Ci się spodobać!”, pojawiającą się w momencie przejścia do płatności? To okienko generowane jest na podstawie analizy koszyka, Market Basket Analysis, analizy koszykowej, czyli kolejnego złotego standardu w świecie rekomendacji.

Podczas gdy collaborative filtering, opiera się na ogólnym modelu behawioralnym, market basket analysis (w szerszym znaczeniu nazywana także affinity analysis) skupia się na realnych wyborach klienta, czyli wyłącznie produktach zakupionych.

Jak dokładnie przebiega polega analiza koszykowa, nie jest teraz najważniejszą kwestią. Ważne jest to, że relacja między dwoma produktami może być określona za pomocą liczby, mierzona.

Im niższa wartość (a konkretnie mniej niż 1), tym większa szansa, że w praktyce produkt jest substytutem drugiego. Im wyższa wartość (powyżej 1), tym większe prawdopodobieństwo, że produkty są komplementarne.

Jeśli przypomina Ci to dwie często stosowane techniki sprzedaży: up-selling i cross-selling, to przypomina Ci je słusznie. Analiza koszykowa może być traktowana jako ich połączenie, w dodatku na sterydach. Klasyczne techniki wspomagane sztuczną inteligencją.

Techniki stosowane powszechnie oparte są na wyborach konsumenckich. Czy oznacza to, że tak naprawdę rekomendacje oparte na sztucznej inteligencji to odzwierciedlenie trendów ustalonych przez ludzi?

Rekomendacje, czyli medium kreowania trendów

Działania opisane powyżej sprawdzają się w przypadków niemalże wszystkich typów klientów, zwłaszcza tych chaotycznych, skaczących między stronami i łatwo się rozpraszających.

Opierają się przede wszystkim, jak zapewne zauważyłeś, na wyborach innych klientów, a co za tym idzie, czy możemy określić rekomendery AI mianem generatora trendów. A może medium wymiany trendów?

Zadaniem sztucznej inteligencji przy rekomendowaniu produktów jest właściwe przewidzenie wyborów klienta w oparciu o ich preferencje, ale przede wszystkim wybory, które są uzależnione od wyborów innych klientów, z dodatkiem ich osobistych preferencji. Same preferencje bowiem, nie zawsze znajdują odbicie w rzeczywistości.

1. Dostępność produktów – może skutecznie ograniczyć swobodę twórczą.
2. Panujące trendy modowe – mają nieraz większy wpływ, na to, czy coś się nam na prawdę podoba, czy nie.

Wszystko zaczyna się powoli komplikować… Uprośćmy więc te zależności. Poniższy diagram przygotowałem w researchu do tego tekstu.

Wciąż niewystarczająco jasne? Cóż, grafika pokazuje zaledwie najważniejsze zależności między elementami układanki, a z pewnością w praktyce jest jeszcze bardziej skomplikowana. Inspiracje, propozycje i możliwości – jest tego na prawdę dużo. Dodatkowo:

Algorytmy rekomendacji poprzez swoje będąc osobnymi jednostkami w tej sieci zależności także wpływają na nasze wybory dotyczące stylu!

Wybory sztucznej inteligencji są oparte na danych wejściowych, ale dane wyjściowe wciąż charakteryzuje pewna dowolność, losowość. Każda rekomendacja AI to lista produktów, z obliczonym współczynnikiem trafności rekomendacji. Jeśli w efekcie mamy kilka propozycji (a zazwyczaj jest ich stała, z góry ustalona ilość), znajdą się też te mniej, lub bardzo mało trafne… które nieoczekiwanie mogą spodobać się klientowi, zwiększając szanse na ponowne pojawienie się w rekomendacjach.

Co więcej, ten margines błędu jest istotnym elementem działania systemu rekomendacji (i innych algorytmów uczenia maszynowego). Jeśli zmusimy maszynę, aby zawsze dawała 100% trafne wyniki, dosłownie zaćwiczymy ją na śmierć. Przy nadmiernym dopasowaniu (overfitting: przetrenowanie modelu), system traci swoją zdolność do generalizacji, a tym samym adaptacji do rzeczywistości, na której przecież pracuje.

Jeśli napotka dane wejściowe, które różnią się od tych, na których system był trenowany, nie jest w stanie podać żadnych sensownych wyników – będą one praktycznie wylosowane. Przeuczenie powoduje utratę inteligencji.

Czyli jednak sztuczna inteligencja może w pewnym stopniu sama kreować trendy!

Kto tak naprawdę jest arbiter elegantiarum w świecie pogrążonym w postmodernizmie?

Nie ma na to właściwej odpowiedzi, co zresztą zasugerowałem już we wstępie artykułu. Im bardziej wgryzałem się w temat, tym bardziej stawało się dla mnie jasne, że im szybciej świat staje się globalną wioską, tym bardziej pojęcia takie jak styl, oryginalność, stają się rozmyte.

Wpływa na to dosłownie wszystko! Mamy praktycznie nieograniczony dostęp do mody, zarówno high jak i tej zwykłej. Inspiracji możemy szukać w internecie na setki sposobów na dziesiątkach platform. Mamy także więcej swobody w mieszaniu różnych stylów – pozwalamy sobie tworzyć coraz mniej oczywiste zestawienia, coraz częściej sięgając po inspirację z różnych okresów i trendów w historii – wszystkie w pełni akceptowalne i dozwolone, jako przejaw autoekspresji.

Nie można pozostawać obojętnym w tym wszystkim na rolę sztucznej inteligencji. Rekomendacje AI to katalizatory, przekaźniki wyborów innych indywidualności. Pozwalają na przekazywanie inspiracji na dalekie odległości – bez wchodzenia w relacje z osobą, która nieświadomie, w ten sposób została zainspirowana.

Myśl na do widzenia

Wspominałem o rekomendacjach implicit i explicit. Podnoszę stawkę. Co jeśli w kwestii mody, pozostajemy pod wpływem silniejszego, przerażającego i wszechobecnego systemu rekomendacji, z którego ledwie zdajemy sobie sprawę, czyli mediów społecznościowych? W sumie każdy z nas jest więźniem własnej bańki informacyjnej i dlatego powiew świeżej weny, ma znacznie utrudnioną drogę.

Inspirację zazwyczaj czerpiemy od ludzi, których podziwiamy lub co najmniej szanujemy, ale także od otaczającego nas świata, którym w coraz większym stopniu są właśnie media społecznościowe. To bardzo znaczące, że że coś tak niepozornego może wywierać na nas znacznie silniejszy wpływ nić większość wyszukanych systemów rekomendacji.