Algorithmic Fashion Companion

Baggrund

Hos Zalando, Europas førende online platform for mode og livsstil, er visionen at bringe mennesker og mode sammen. Det er blandet andet blandingen af premium-brands og fast fashion, høje og lave prispunkter og de nyeste trends, der gør Zalando til det oplagte udgangspunkt for modekøb.

Med mere end 2.000 modebrands og 300.000 artikler at vælge imellem er det imidlertid vigtigt at vise kunden et kurateret og relevant sortiment. Hos Zalando er personalisering i fokus på tværs af hele virksomheden, lige fra et personligt tilpasset feed i webshoppen og i appen til leverings- og betalingsmetoder, der er tilpassede til kundens præferencer. Zalando mener, at hver shoppingoplevelse skal afspejle hver enkelt kundes personlighed og præferencer. Med mere end 25 millioner kunder, er der derfor brug for 25 millioner butikker for at levere på dette løfte.

Derudover har en omfattende kundeundersøgelse foretaget af Zalando vist, at inspiration sker på et outfit-niveau snarere end på et produkt-niveau. Det fremgik af undersøgelsen, at kunderne har svært ved at kombinere enkelte artikler og ønsker at lade sig inspirere af forskellige stilarter, når de shopper. Dette understreges af data, der viser, at kunder, der interagerer med outfits snarere end enkelte artikler, f.eks. i Zalandos ‘Get The Look’-sektion, har en dobbelt så høj konverteringsrate, og at basket size øges med næsten 40%.

Løsning

For at imødekomme behovet for kurateret sortiment samt inspiration via outfits har Zalando udviklet sin helt egen algoritme-stylist: The Algorithmic Fashion Companion (AFC). AFC er en digital, skalérbar funktion, som samler artikler fra webshoppen i individuelle outfit-anbefalinger ved hjælp af maskinlæring.

Forestil dig, at du har købt et par nye sneakers hos Zalando. Næste gang du besøger webshoppen, vises dine sneakers sammen med et par jeans, en T-shirt og et bælte, som tilsammen udgør et outfit, som matcher din personlige smag og sæsonens trends. Ligeledes vil du, når du besøger din ønskeliste hos Zalando, ud for hver enkelt artikel se et fuldt outfit, som passer til netop den artikel, du allerede ønsker dig og din personlige stil.

The Algorithmic Fashion Companion er udviklet internt af Zalandos eget data science-team, der stræber efter at skabe den mest personlige og inspirerende oplevelse for virksomhedens mere end 25 millioner kunder i Europa. Kundernes outfit-anbefalinger er baseret på en “anker-artikel''. Det vil sige en artikel, som kunden har købt eller for nylig tilføjet til deres ønskeliste. AFC’en genererer en outfit-anbefaling med modeartikler, der matcher anker-artiklen. I forbindelse med en ny sæson eller trend, vil stylister igen manuelt sammensætte sæsonspecifikke outfits, som algoritmen indlærer for at sikre, at dens trend-anbefalinger er opdaterede.

Med udgangspunkt i træningsdata bestående af 1,5 millioner eksisterende outfits sammensat af professionelle stylister og brugerdata fra Zalandos platform, udviklede teamet flere outfit-genererende algoritmer baseret på en række af de nyeste deep learning-teknikker: convolutional neural networks (CNNs), siamese networks og recurrent neural networks (RNNs), samtidig med at de arbejdede med en ny teknik udviklet internt i Zalando, nemlig Fashion DNA (fDNA).

Da stil er en subjektiv størrelse, er de outfits, som indgår i algoritmens træningsdata, sammensat af henholdsvis stylister, merchandisers og influenter, så data er baseret på forskellige input. Algoritmen er trænet i at generere inspirerende anbefalinger til kunderne ved at studere over en million manuelt skabte outfits dermed forstå, hvad der skaber et godt outfit. Algoritmen træner derefter sig selv ved at analysere data og generere et ubegrænset antal outfits, der præsenteres for kunderne på Zalando.

En stor fordel ved AFC’en er, at den er ekstremt skalérbar, og at udgifterne forbundet med servicen forbliver meget lave. Der genereres ubegrænsede outfits, som skaber en højere kommerciel værdi end individuelle artikler, og som kan eksponeres for alle Zalando-kunder med meget lave omkostninger for virksomheden.