动点科技 | ID:technode
基于大数据和人工智能的 AIda 爱搭能取代人工导购,成为我们的“私人服装搭配师”么?
某天,身为法国服装软件公司 Lectra 的大中国区负责人吴斌在从参加一次宴会前犯了难,他纠结徘徊于西服,衬衣,领带的搭配,这让他感到头大,这时候他想要是身边有一个随时随地能给他搭配衣服的私人管家就好了。
“像我衣服这么少,又不太注重打扮的男性都这么纠结,更何况是有很多衣服的女性呢。”吴斌意识到了这一市场需求,一个想法油然而生,能不能利用 AI,大数据,算法等技术来构建一个智能搭配师。
于是,吴斌开始行动起来,机缘巧合结识了上海交通大学的校友、人工智能领域专家谢志峰,有 30 年形象美学和服装从业经验的倪渑,他们决定将 AI 与美学这两个概念融合,打造一个融合人性美学的人工智能系统,后来他们取名为 AIda 爱搭。2018 年,吴斌组建了团队,并成为第一批NodeSpace 上海智慧供应链加速空间的入驻团队。
智能推荐服装搭配这并不是一个新颖的词汇,阿里智能推送已经实践很久,类似于蘑菇街,衣二三等to C 的智能搭配服务也屡见不鲜,但吴斌发现平台推荐服装受制于服装品牌数据不足,在服装品类上推荐精准度不高,同时 to C 的服务过于不稳定和主观。反而 to B 的服装品牌拥有大量的数据无法得到利用没有能力转化为个性化服务,导购的主观性强缺乏数据支撑。吴斌意识到 to B 的企业服务或许就是突破口。
智能分析与决策离不开数据的支撑和训练,吴斌介绍,AIda 爱搭与服装品牌是深度合作,AIda 爱搭基于品牌方大量的顾客消费数据,包括会员的购买记录、体貌特征、生日偏好等上传到 AI 云中,这些信息数据通过技术手段进行保密。
产生智能分析与决策的过程,吴斌强调这是一个人机协同的混合增强智能。这其中过程包括依托品牌内部设计开发销售数据、顾客的信息、AIda 美学专家加入美学的元素、外部天气等数据,依靠 AIda 机器学习和智能识别引擎技术实现融入美学知识、专家经验和个人喜好的人工智能搭配方案。
AIda 爱搭之所以坚定地走 to B 的智能搭配服务,是因为他们意识到现在的服装品牌都在走会员定制化、个性化服务的方向。“我们可以发现,目前大多数中高端品牌,他们的顾客很多都是会员,越来越多的人发现一个适合自己的品牌就会持续购买,如何留存住这些老顾客,增加与顾客的粘性是大多数品牌在考虑的问题。”吴斌说道。
如何把服装智能搭配与会员制度紧密联系在一起?吴斌举例说明,AIda 爱搭拿到会员的个人信息和购买记录之后,会根据其购物偏好、体貌特征、购物记录再结合品牌的上新商品不定期的推荐给会员一整套服装搭配,每位会员都有自己专属的推荐,甚至还会附上与其体貌特征相仿的明星模特穿着图片。吴斌强调说:“这种个性化、专属服务,让服装品牌与会员之间的互动和沟通都会更加密切,甚至可以实现不同的衣服分别找到适合它的人并且可以直接推送给他,这大大提高了服装的销售率。”
吴斌介绍,相比于传统人工导购来讲,AIda 爱搭的推荐效率要高百倍,精准度要高 300%。而与传统的淘宝推荐商品来讲,对同一品牌的专一推荐有利于其拿到更多有利数据进行更精准化推荐,同时在品类上,淘宝推荐倾向于按照品类商品推荐,而 AIda 爱搭将会深入顾客内心喜好和体貌特征,更加智能化的进行延伸性整套服装推荐,顾客喜欢还穿的好看。
除了帮助服装品牌线上导购推荐之外,AIda 爱搭在线下服装零售店中也有相应的硬件设备。其计划在门店中设立智能导购终端,顾客站在屏幕前,后台便可读取其体貌特征,结合其购买记录,外部数据和美学知识等进行智能化推荐,顾客可以在门店中直接找到其推荐商品。
尽管如此,美学和服装搭配属于个人主观感受的范畴,而人工智能依靠的只有冰冷的数据,这中间的壁垒能否打破?吴斌提到了“解构”,他表示,AIda 爱搭美学团队尝试将服装元素进行数据化解构,将我们感受到的美学和潮流趋势进行数字化,融入进数据模型中,通过不断的调整抓取顾客行为数据,进行不断的学习和训练,让数据变得更加“懂你”。
据介绍,AIda 爱搭采用 B2B2C 模式,为服装品牌提供 SaaS 化智能化服务,通过服装品牌放大效应服务众多客户,从而向服装品牌收费。其中包括 AI 算法服务、销售增长额佣金以及不同品类产品交叉销售额佣金。吴斌提到,目前全球服装品牌市场规模巨大,其中头部品牌占据半壁江山,导购的平均提成数额巨大,而人工智能虚拟助手将成为零售业转型的契机。对于 AIda 爱搭来讲,迅速占领 to B 的服装品牌市场是目前的首要任务。
吴斌透露,目前 AIda 爱搭系统已经通过的价值测试,正在与三家国际知名服装品牌进行试点服务,另外还有 20 余家服装品牌已经表明了合作意向。AIda 爱搭目前正在寻求天使轮融资,吴斌称,此次融资将用于升级智能推荐算法和产品以及智能获取人体美学特征算法和产品。
- - - - - - - - END - - - - - - - -
推荐阅读
点击图片即可阅读往期文章