С июня 2020 г. я больше не буду использовать Medium для публикации новых историй. Пожалуйста, посетите мой личный блог, если вы хотите продолжить читать мои статьи: https://vallant.in.

Покупка нужного товара в нужный момент является проблемой для многих интернет-магазинов, но это становится еще более серьезной проблемой, когда мы говорим о моде. Модные товары обычно имеют короткий срок годности, и покупка слишком большого количества товара, который не будет продаваться, означает потерю денег.

Сегодня вместо того, чтобы говорить о технической стороне машинного обучения, я решил рассказать о проекте, над которым работал последние месяцы. Этот проект направлен на снижение риска покупки товаров, которые не будут хорошо продаваться в интернет-магазине. Итак, начнем.

Проблема

Я работал над запуском интернет-магазина, который специализировался на аренде элитных вещей для женщин. Проблема работы с предметами роскоши заключается в том, что они обходятся дорого. Итак, нам нужно было найти подходящие товары для покупки с учетом нескольких факторов, в том числе региональных вкусов.

Покупка неподходящего предмета роскоши означает, что огромная сумма денег уйдет на ветер. Итак, мы работали над созданием алгоритма, способного определить, какие товары будут продаваться лучше для каждого целевого рынка магазина. Мы решили создать сеть классификации изображений, способную пометить изображение как «Купить» или «Не покупать».

Все, что нам нужно было сделать, это подумать о некоторых критериях, которые сделают продукт «покупаемым» или нет.

Проект

В целях конфиденциальности я не могу вдаваться в детали проекта. Но я могу рассказать о некоторых проблемах, с которыми мы столкнулись при разработке алгоритма.

Первой проблемой были сами данные. Трудно понять, что хорошо продается, а что нет. Мы зависели в основном от розничных покупателей с интернет-магазинами. Мы решили создать веб-скраперы для получения такой информации, как цены на товары, цвета, описания и т. д.

Но маркировка предметов как «покупаемых» или «непокупаемых» — это совсем другое. Практически невозможно получить эту информацию от самих брендов, особенно брендов класса люкс. Некоторые бренды даже прекращают производство продукта, если он слишком хорошо продается, чтобы сохранить ауру эксклюзивности.

Итак, понять рынок роскоши было первой задачей, так как он работает по-своему.

Для реселлеров предметов роскоши мы могли только читать вывески. Например, товары с очень высокими скидками — это обычно те товары, от которых компании хотят избавиться, когда мы говорим о розничной торговле. Они должны освободить место для новой коллекции, поэтому непродаваемые вещи должны уйти как можно скорее.

Но то, что очень хорошо продается в одном регионе, будет плохо работать в другом регионе. Это относится к продуктам, которые предназначены для холодных регионов, но будут продаваться в жарком месте. Итак, каждое изображение, добавляемое в обучающую выборку, должно было быть «отсканировано» глазами человека, хорошо знающего региональный рынок.

Сезон был еще одной проблемой. Рынок предметов роскоши работает иначе, чем быстрая мода. Роскошный продукт создан, чтобы оставаться и никогда не устаревает. Но в розничной торговле сезонность имеет большое значение. Итак, нам пришлось настроить этот сигнал при создании алгоритма.

Использование

Алгоритм используется как внутренний инструмент принятия решений. Названный как La Femme, он используется в качестве сигнала при принятии решения о том, следует ли приобретать предмет или нет. Мнение La Femme особенно важно для разрешения споров.

Но La Femme используется не только для изучения изображений классификации. Он также может исследовать Instagram и другие социальные сети, искать лучшие хэштеги для использования, находить новые идеи контента и т. д. Фактически, La Femme — это набор инструментов, который помогает малому бизнесу лучше понимать клиентов.

Я много говорю здесь о том, как важно покинуть мир обучающих баз данных Kaggle и изучить реальность бизнеса. На самом деле, интеллектуальный анализ данных — одна из вещей, которые мне больше всего нравятся в машинном обучении. Чтобы создать La Femme, нам пришлось погрузиться в самые разные медиа, от текста до изображений.

Некоторые из этих вторжений привели нас к ценным выводам, которые не входили в рамки первоначального проекта. Однако они были настолько интересны, что мы чувствовали себя обязанными исследовать эти пути.

Если вы увлечены машинным обучением, не игнорируйте этап сбора урожая. Сбор данных может стать ценным источником информации для вашего проекта.