Fashion Similarity für Planung und Analyse

In der Fashion Industry kommt es häufig vor, dass zwei Artikel völlig unterschiedliche Namen, Beschreibungen und Eigenschaften haben und daher nichts gemeinsam zu haben scheinen. Wenn es jedoch um Verkaufsmuster und Umsatzzahlen geht, sind sie am Ende praktisch identisch. Das liegt oft daran, dass es außerhalb der klassischen Datenbankeinträge eine grundlegende Ähnlichkeit zwischen diesen beiden Produkten gibt, die nur der Kunde erkennen kann. Oder ein neuronales Netzwerk. In unseren Projekten nutzen wir daher neuronale Netze z.B. für die Planung neuer Artikel in der Fashion Industry, um visuelle Ähnlichkeiten zwischen Artikelbildern zu erkennen.

Aber warum ist eine solche Analyse wichtig? Wir können uns mindestens zwei Anwendungsbereiche vorstellen: Vertriebsplanung und Empfehlungssysteme.

Einsatz in der Vertriebsplanung

Auf die Vertriebsplanung angewendet, kann ein Unternehmen die Verkäufe eines neuen Artikels auf Grundlage der Verkäufe einesbestehenden, ähnlich aussehenden Artikels vorhersagen. Zum Beispiel sind in dieser Saison vielleicht gestreifte blaue Herrenhemden besonders im Trend. Ein Unternehmen, das ein neues Hemd auf den Markt bringt, ist sich dieses speziellen Trends aber möglicherweise nicht bewusst, betrachtet das Streifenmuster daher nicht als wichtiges Merkmal und hat die Eigenschaft des Streifenmusters deshalb auch nicht in seiner Datenbank aufgeführt. Folglich fällt auch die passende Verkaufsprognose schwer.

Mithilfe eines neuronalen Netzwerks, das das Muster erkennen kann, können wir jedoch ähnlich aussehende Hemden identifizieren und die Verkäufe des neuen Hemdes auf der Grundlage der historischen Verkäufe optisch ähnlicher Artikel vorhersagen. Noch präziser wird die Vorhersage, wenn wir diese Erkenntnisse mit den vorhandenen Stammdaten wie Preis oderverfügbaren Größen kombinieren. Der Preis allein würde nicht ausreichen, um die Verkäufe des Hemdes vorherzusagen, aber in Kombination mit den Musterinformationen kann er uns eine gute Vorstellung davon geben, wie sich Hemden des jeweiligen Designs und der jeweiligen Preiskategorie tendenziell verkaufen.

Die Erweiterung der Datenbank um die visuellen Erkenntnisse kann viele weitere nützliche Auswirkungen haben – beispielsweisedie Nachverfolgung von Vorgänger-/ Nachfolgeartikeln. Geht man davon aus, dass ein Nachfolgeartikel seinem Vorgänger oft sehr ähnlich sieht, kann das neuronale Netz Vorschläge zu den Artikelbeziehungen machen. Die Speicherung dieser Informationen kann sich als sehr hilfreich für die Verkaufsanalyse und Prognose erweisen.

Bei falsch gekennzeichneten Artikeln kann das Systemauf eine mögliche Fehlkennzeichnung hinweisen, wenn ein Artikel mit hoher Ähnlichkeit zu einer anderen Produktkategorie gehört. Wenn ein Hemd z.B. fälschlicherweise als Hose gekennzeichnet wurde, erkennt das System leicht, dass die meisten ähnlich aussehenden Artikel als Hemden klassifiziert sind und die meisten Hosen anders aussehen als der angegebene Artikel. Bei unvollständigen Stammdaten kann das System zudem anhand der Artikelähnlichkeiten Kennzeichnungsvorschläge liefern.

Wenn das Unternehmen schließlich Artikel in Gruppen einteilen möchte, beispielsweise zu Vertriebs- oder Marketingzwecken, kann die visuelle Ähnlichkeit ein sehr wichtiger Gruppierungsfaktor sein.

Einsatz bei Empfehlungssystemen

Eine weitere Implementierung sind Empfehlungssysteme. Je detaillierter die Stammdaten sind, desto besser sind die Artikelempfehlungen und desto höher ist die Kaufwahrscheinlichkeit. Durch das Vorschlagen von Artikeln aufgrund visueller Ähnlichkeit erhalten Kundenpräzisere Vorschläge, die über den Inhalt der Stammdaten hinausgehen. Darüber hinaus gibt es manchmal keine Möglichkeit sicherzustellen, dass die Stammdaten das besondere Merkmal tatsächlich enthalten, das zwei Artikel ähnlich macht. Für den Kunden ist ein bestimmter Artikel vielleicht fast perfekt, aber es fehlt trotzdem noch etwas, das sich schwer beschreiben lässt. Möglicherweise erfüllt ein sehr ähnlicher Artikel dann alle Kriterien.

‍Warum neuronale Netzwerke?

Der Einsatz neuronaler Netze zur Lösung dieser Aufgabe hat viele Vorteile. Die menschliche Verarbeitung nimmt viel Zeit in Anspruch und selbst das menschliche Auge kann voreingenommen sein und einige Merkmale außer Acht lassen, die tatsächlich für die Umsatzprognose relevant sind. Der pixelweise Vergleich ist für diese Aufgabe zu einfach – selbst das gleiche Objekt, das aus einem anderen Winkel fotografiert wird, unterscheidet sich auf Pixelebene, wird aber von einem neuronalen Netzwerk als dasselbe identifiziert. Denn neuronale Netze sind in der Lage, Muster unabhängig von Farbschema, Winkel oder anderen Faktoren zu erkennen. Eine solche Lösung kann in eine Planungsplattform integriert werden und so die Leistungsfähigkeit des Bildvergleichs für Planungs- und Prognoseaufgaben nutzen.

Die Funktionsweise lässt sich wie folgt erklären: ein Bild des jeweiligen Produkts wird mit jedem Bild aus der Bilddatenbank des Kunden paarweise abgeglichen. Ein neuronales Netzwerk führt eine Ähnlichkeitsanalyse zwischen jedem Bildpaar durch, wobei im Hintergrund unterschiedliche Bildeigenschaften extrahiert werden, die für Ähnlichkeiten oder Unterschiede zwischen den Bildern sorgen – etwa Farbe, Muster oder Kleidungstyp, wenn es um Kleidungsbilder geht. Anhand dieser Eigenschaften wird für jedes Bildpaar eine Gesamtähnlichkeit in Form eines „Abstands“ zumOriginalbild berechnet. Die folgende Grafik veranschaulicht diesen Ansatz:

Modebilder als Ausgangspunkt

Unsere aktuelle Umsetzung basiert auf Modebildern. Dies liegt daran, dass Modeartikel in der Regel über eine große Vielfalt an Farboptionen, Mustern und anderen Merkmalen verfügen, die für die Wahl des Kunden relevant sind, sich aber nicht unbedingt vollständig in der Produktbeschreibung widerspiegeln. Allerdings kann dieser Ansatz auch inpraktisch jeder anderen Branche eingesetzt werden, in der es um optisch markante Konsumgüter geht, sofern qualitativ hochwertige Bilder bereitgestellt werden und man davon ausgehen kann, dass das Aussehen des Produkts einen gewissen Einfluss auf die Kaufentscheidung hat.

Entdecken Sie die tatsächlichen Ähnlichkeiten Ihrer Produkten

Möchten Sie die Ähnlichkeiten zwischen Ihren Produkten auf einer tieferen Ebene verstehen und die Leistungsfähigkeit neuronaler Netze nutzen, um bessere Ergebnisse bei der Vertriebsplanung und -analyse zu erzielen? Sprechen Sie uns gerne an und machen Sie den Praxistest mit Ihren eigenen Bildern.