Pixyle over wat AI verandert in productdata voor mode

Wat mode vindbaar maakt, is een rijke set productattributen, niet een nieuw winkelscherm. Dat is de praktische les uit dit gesprek tussen Stephan Spijkers en Svitlana Kodomova, CEO van Pixyle.ai.

Kodomova vertelt hoe ze van AI-onderzoek uitkwam bij een bedrijf dat productdata voor retailers verrijkt, met mode als de moeilijkste categorie. De sessie gaat over hoe de technologie zich ontwikkelde, waarom summiere productdata producten onvindbaar maakt, en wanneer een gespecialiseerde tool naast een algemeen AI-model zinvol is. PIM voor mode en kleding zet voor kopers op een rij wat die categorie zo lastig maakt: varianten, materiaalsamenstelling, maten en kanalen die elk iets anders willen.

Sprekers

• Stephan Spijkers, medeoprichter, PIMvendors.com
• Svitlana Kodomova, CEO, Pixyle.ai

Wat ze vertelde

Kodomova werkt naar eigen zeggen al meer dan 15 jaar met AI, eerst in onderzoek en later als oprichter van Pixyle.ai. De overstap van shallow learning naar deep learning noemt ze het omslagpunt waardoor beeldherkenning voor producten haalbaar werd. Het bedrijf komt volgens haar voort uit een al lang bestaande interesse in de combinatie van mode en technologie.

Het eerste product was visueel zoeken. Tijdens de pandemie verlegde Pixyle volgens haar de focus naar dataverrijking: uit de afbeelding en het summiere record halen wat er al in zit, en daaruit de attributen afleiden die een shopper of kanaal nodig heeft om het product te vinden. Product-market fit vinden was volgens haar het gebruikelijke startupprobleem: uitzoeken waar retailers echt voor willen betalen.

Het commerciële argument is eenvoudig. Rijkere productdata maakt producten beter vindbaar, en betere vindbaarheid zie je terug in de verkoop. AI hoort bij het repetitieve deel van dat werk, zodat mensen hun tijd kunnen besteden aan creatieve en commerciële keuzes. Een algemeen model kan een eerste versie maken. Een tool die speciaal voor mode is gebouwd, en zo positioneert zij Pixyle, is afgestemd op de attributen die in die categorie echt worden gebruikt.

Ze ziet conversational shopping als de volgende test voor datzelfde record. Vraagt een shopper om een jurk van een bepaalde stof, met een bepaalde pasvorm en voor een bepaalde gelegenheid, dan is het antwoord maar zo goed als de attributen die erachter zitten. AI-klare productdata beschrijft die eis vanuit de koper: het record moet vragen kunnen beantwoorden, niet alleen informatie tonen.

Wat je hiermee doet

Verkoop je mode, beoordeel een aanbieder van verrijkingssoftware dan op een steekproef van je eigen beelden en je eigen attributenlijst, niet op een democatalogus. Een gespecialiseerde tool betekent nog een systeem dat je moet beheren. Een algemeen model attributen laten bedenken levert stellige waarden op die niemand heeft gecontroleerd.

Hoe je het ook doet, de attributen moeten in de PIM terechtkomen, met een duidelijke regel voor wat "compleet" betekent. Hoe je die regel opstelt, lees je in productdatakwaliteit en governance. Een verrijkingsronde die niet in het record zelf schrijft, loopt binnen een seizoen uit de pas met dat record.