ادغام مد و فناوری: بررسی تأثیر ماشین لرنینگ در فشن

در دنیای مدرن امروز که تکنولوژی به سرعت در حال پیشرفت است، هوش مصنوعی (Artificial intelligence) -به اختصار Ai- به عنوان یک گرایش علمی نوین، تحولات بنیادینی در زندگی ما ایجاد کرده است. هوش مصنوعی، که ترکیبی از علوم مختلف است، به ماشین‌ها امکان این را می‌دهد تا هوشمندتر شوند. یکی از جذاب‌ترین زیرشاخه‌های هوش مصنوعی، یادگیری ماشین یا ماشین لرنینگ است که به طور فزاینده‌ای در زندگی روزمره‌ی ما حضور دارد و تأثیر آن را در هر زمینه‌ای، از مد تا فناوری، احساس می‌کنیم. در این دوران که تلاقی مد و فناوری، عصر نوینی از نوآوری و تحول را در صنایع مختلف به وجود آورده است، صنعت فشن نیز از این تغییرات بی‌نصیب نمانده و ثابت کرده است که یادگیری ماشین می‌تواند به عنوان ابزاری قدرتمند در کسب‌وکار مد عمل کند.

یادگیری ماشین؛ آینده‌ای هوشمند

یادگیری ماشین (Machine Learning) بخشی از هوش مصنوعی است که به توسعه‌ی الگوریتم‌های آماری می‌پردازد و به ماشین‌ها این امکان را می‌دهد تا بدون ورود کد یا دستورالعمل، از تجربیات گذشته‌ی خود یاد بگیرند و بر اساس آن، تصمیم‌گیری کنند؛ اصلی‌ترین علوم در یادگیری ماشین، آمار و برنامه‌نویسی ریاضی هستند. علم یادگیری ماشین به حل مشکلات تجاری از طریق «تحلیل پیش‌بینی» کمک می‌کند؛ اما چگونه؟

برای مثال تصور کنید می‌خواهید یک فروشگاه آنلاین راه‌اندازی کنید؛ انسان‌ها ممکن است در تشخیص ترجیحات مشتریان دچار خطا شوند یا نتوانند به درستی پیش‌بینی کنند که در این فصل چه محصولاتی بیشتر مورد توجه قرار می‌گیرد. اگر به یک الگوریتم یادگیری ماشین آموزش دهید که الگوهای خرید مشتریان را در طول سال تحلیل کند، این الگوریتم می‌تواند به شما بگوید که کدام محصولات نسبت به بقیه در هر فصل محبوب‌تر هستند و چه زمان‌هایی بیشترین فروش را خواهید داشت. این ماشین قادر است به سؤالات کلیدی زیر پاسخ دهد:

– چه محصولاتی باید در فصل‌های خاص موجود باشند؟

– کدام تخفیف‌ها بیشترین تأثیر را بر فروش دارند؟

در واقع یادگیری ماشین، به ماشین‌ها اجازه می‌دهد تا با تحلیل داده‌های محیط، رفتار خود را بهبود دهند. این فرآیند شامل دریافت اطلاعات مورد نیاز از محیط، پردازش آن با استفاده از مدل‌های یادگیری ماشین و سپس تصمیم‌گیری بر اساس شرایط موجود است. یادگیری ماشین در حال تغییر دنیای ماست و به ماشین‌ها کمک می‌کند تا هم‌چون انسان‌ها تجربه کنند، یاد بگیرند و تصمیم‌ بگیرند تا به طور مداوم پیشرفت کنند.

کاربردهای یادگیری ماشین در صنعت مد و فشن

الگوریتم‌های یادگیری ماشین در زمینه‌های مختلفی در صنعت مد به کار گرفته می‌شوند تا کارایی را افزایش دهند، تجربه‌ی مشتری را بهبود بخشند و فرصت‌های جدیدی برای رشد برندها ایجاد کنند. یکی از کاربردهای کلیدی یادگیری ماشین، پیش‌بینی ترندها یا ترند فورکستینگ است. با تجزیه و تحلیل حجم انبوهی از داده‌ها از شبکه‌های اجتماعی، پلتفرم‌های تجارت الکترونیک و نمایشگاه‌های مد، الگوریتم‌ها می‌توانند ترندهای جدید را با دقت شگفت‌انگیزی پیش‌بینی کنند. این قابلیت، به برندها امکان می‌دهد تا پیشنهاد محصول خود را با سرعت بیشتری با ترجیحات مصرف‌کننده تطبیق دهند؛ آژانس‌های ترند فورکستینگ مانند WGSN نیز از ماشین لرنینگ برای پیش‌بینی ترندهای آینده بهره می‌برند.

علاوه بر این، یادگیری ماشین می‌تواند به برندها در شناسایی الگوهای خرید و رفتار مشتریان کمک کند؛ به عنوان مثال، با بررسی داده‌ی خریدهای گذشته، برندها قادر به تعیین محصولاتی خواهند بود که احتمالاً در آینده مورد توجه مشتریان قرار می‌گیرد. این نوع تحلیل نه تنها به بهینه‌سازی موجودی کمک می‌کند، بلکه به کاهش هزینه‌های تولید و بازاریابی نیز منجر می‌شود. به دنبال این تحولات، شرکت‌ها می‌توانند به شیوه‌ای هدفمندتر و کارآمدتر به بازار پاسخ دهند و در نهایت، تجربه‌ای منحصربه‌فرد و اختصاصی برای مشتریان خود فراهم سازند.

تأثیر یادگیری ماشین بر خرده‌فروشی‌ها

یادگیری ماشین در صنعت مد و پوشاک از اوایل دهه‌ی ۲۰۰۰ به طور گسترده‌ای به کار گرفته شده است. حتی شرکت‌های بزرگی مانند آمازون نیز از این فناوری برای شخصی‌سازی بخش «پیشنهاد محصول» در وب‌سایت خود استفاده می‌کنند. پیش‌بینی تقاضا در این صنعت، به دلیل عمر کوتاه محصولات و تغییرات سریع در ترندها و استایل‌ها، چالش‌برانگیز است. عوامل مختلفی از جمله رفتار مصرف‌کنندگان تحت تأثیر رسانه‌های اجتماعی و رویدادهای آب‌وهوایی به این چالش‌ها اضافه می‌کنند و در نهایت یکی از بدترین مشکلاتی که یک خرده‌فروش(Retail) مد ممکن است با آن روبه‌رو شود، باقی ماندن موجودی‌های فروش نرفته است. صنعت مد هم‌چنین در حال تجربه‌ی تغییرات بی‌سابقه‌ای ناشی از افزایش نرخ تورم در جهان، ناآرامی‌های اجتماعی-سیاسی و تغییر در رفتار مصرف‌کنندگان است. این شرایط، به همراه پاندمی کرونا در سال ۲۰۲۰، چالش‌های زیادی را در صنعت خرده‌فروشی ایجاد کرده بود که باعث تسریع در تحول دیجیتال شد و برندها را وادار کرد تا سیستم‌های IT خود را برای افزایش انعطاف‌پذیری و سازگاری با شرایط جدید، به‌روزرسانی کنند.

برندهایی مانند H&M و Tommy در سال‌های اخیر از الگوریتم‌های یادگیری ماشین برای حل مشکلات گفته‌شده، تحلیل ترجیحات مشتریان و پیش‌بینی محبوبیت محصولات بهره برده‌اند. امروزه، حجم بالای داده‌ها از منابع مختلف، به ویژه شبکه‌های اجتماعی، فرصتی برای تحلیل دقیق‌تر و تصمیم‌گیری بهتر برای ماشین‌ها فراهم کرده است. نتیجه این است که خرده‌فروش‌هایی که از یادگیری ماشین برای پیش‌بینی تقاضا استفاده می‌کنند، عملکرد بهتری در بازار دارند و در برابر مشکلاتی مانند موجودی اضافی و کاهش قیمت‌ها، مقاومت بیشتری نشان می‌دهند و در نهایت به سودآوری خواهند رسید.

پیش‌بینی تقاضا در صنعت مد و نقش یادگیری ماشین

در سال ۲۰۱۷، برند H&M با ضرر بزرگی مواجه شد و ۴.۳ میلیارد دلار موجودی فروش نرفته داشت که مشکلات و بخش تاریک کسب‌وکارهای فست‌فشن را نشان می‌داد. این مشکل به خاطر عدم دقت در پیش‌بینی ترندها و ترجیحات مصرف‌کنندگان به‌وجود آمده بود. برای حل این مشکل و تکرار نشدن این ضرر عظیم، برند H&M به یادگیری ماشین روی آورد تا توانایی پیش‌بینی تقاضا را در زنجیره‌ی تأمین جهانی خود بهبود بخشد. این رویکرد به شرکت کمک کرد تا عوامل مختلفی مانند رفتار مصرف‌کننده، تغییرات فصل، نحوه‌ی قیمت‌گذاری و ترندهای منطقه‌ای را در نظر بگیرد و در نتیجه موجودی خود را مدیریت کند و ضرر خود را به طور چشم‌گیری کاهش دهد.

هم‌چنین سال ۲۰۱۸، خبرگزاری رویترز گزارش داد که برند Zara در حال ادغام هوش مصنوعی (AI) در استراتژی کسب‌وکار و زنجیره‌ی تأمین خود است تا با همتایان خود رقابت کند. سال بعد، شرکت مادر زارا، یعنی Inditex، رشد قابل توجهی در سود سالانه‌ی خود تجربه کرد. حتی در سال ۲۰۲۰، که به دلیل پاندمی کرونا شرایط برای همه سخت بود، فروش‌های ایندیتکس به لطف ماشین لرنینگ، از قبل پاندمی هم بالاتر رفت.

زارا و H&M تنها برندهای مدی نیستند که از AI و یادگیری ماشین (ML) استفاده می‌کنند. برندهایی مانند Tommy، Dior و Maison Margiela نیز به همین شیوه عمل می‌کنند و به‌تازگی، برند GAP، استارتاپ AI به نام Context-Based 4 را خریداری کرده تا تجربه‌ی مشتریان خود را با بهبود تحلیل‌های پیش‌بینی و پیش‌بینی تقاضا ارتقا دهد. طبق یک مطالعه در سال ۲۰۲۱ توسط Juniper Research، حدود ۹۶ درصد از مدیران خرده‌فروشی‌ها برای سرمایه‌گذاری در AI برنامه‌ریزی کرده‌اند. جالب‌تر این‌که، یک نظرسنجی از NTT DATA و Oxford Economics نشان داد که ۴۰ درصد از مدیران بر این باورند که AI و ماشین لرنینگ برای موفقیت کسب‌وکار حیاتی است و عدم پیاده‌سازی این تکنولوژی می‌تواند به از دست دادن مشتریان و کارکنان و عدم سودآوری منجر شود. از پیش‌بینی ترندها تا پیشنهادات شخصی‌سازی شده و خدمات مشتری خودکار، همه نشان‌دهنده‌ی وابستگی روزافزون صنعت مد به هوش‌مصنوعی و ماشین‌لرنینگ است.

مدیریت زنجیره‌ی تأمین در فشن با استفاده از یادگیری ماشین

یادگیری ماشین و هوش مصنوعی می‌تواند زنجیره‌ی تأمین را کارآمدتر، سریع‌تر و پایدارتر کنند. به عنوان مثال، با برجسته کردن بهترین و بدترین عملکرد آیتم‌ها در زمان حال، هوش مصنوعی و یادگیری ماشین به برندها اجازه می‌دهند تولید اقلامی را که کسی به آن‌ها علاقه‌ای ندارد، متوقف کرده و تولید لباس‌هایی را که به‌طور هم‌زمان در حال ترند شدن هستند، افزایش دهند. این مسئله می‌تواند به طور جدی میزان محصولات فروش نرفته را برای یک برند کاهش دهد. هوش مصنوعی و یادگیری ماشین هم‌چنین می‌توانند زمان‌ حمل و نقل لبا‌س‌ها را کاهش دهند و مراحل لجستیک را تسریع کنند.

به عنوان نمونه، «حمل و نقل پیش‌بینی‌شده» آمازون را که در سال ۲۰۱۳ ثبت و اختراع شد، در نظر بگیرید. با استفاده از ابزارهای تحلیل پیش‌بینی و داده‌های مشتریان آمازون، این غول فناوری می‌تواند محصولاتی را که مشتری قرار است سفارش دهد (اما هنوز سفارش نداده) به انبارهای نزدیک ارسال کند. سپس، وقتی مشتری واقعاً آن کالا را خریداری می‌کند، آن را بسیار سریع‌تر از یک مرکز انجام سفارش سنتی دریافت می‌کند. برخی برندها هم‌چنین از هوش مصنوعی برای انواع شیوه‌های حمل‌و‌نقل و مسیرهای تحویل سریع‌تر نیز استفاده می‌کنند.

ماشین لرنینگ؛ کمک به کشف محصول

اینترنت، دسترسی مشتریان به هزاران فروشگاه آنلاین و میلیون‌ها محصول را فراهم کرده است. با این حال، نظریه‌ی «پارادوکس انتخاب» نشان می‌دهد که همیشه بیشترین، بهترین نیست. یک مطالعه نشان داد که هر چه خریداران بیشتر در یک فروشگاه آنلاین جست‌وجو کنند، خسته‌تر می‌شوند و احتمال دارد که از جست‌وجوی آنلاین خسته شوند و در نهایت خرید نکنند. برای خرده‌فروشان مد، کمک به مشتریان در جستجوی کاتالوگ محصولات مورد نظرشان و ارائه‌ی نتایج مرتبط با سلیقه‌ی آن‌ها یک ضرورت است.

روش‌های هوش‌مصنوعی و ماشین‌لرنینگ در کمک به کشف محصول

۱. برچسب‌گذاری خودکار محصولات
این ویژگی به صورت خودکار به محصولات، مشخصات دقیقی مانند رنگ، نوع پارچه و شکل طرح می‌دهد و به مشتریان کمک می‌کند تا مواردی را که دقیقاً به دنبال آن‌ هستند، پیدا کنند.

۲. امکان جست‌وجوی زبان محاوره
مشتریان می‌توانند اقلام را با زبان و نام‌هایی که در زندگی روزمره استفاده می‌کنند، جست‌و‌جو کنند.

۳. سیستم “زمینه‌های آماده‌” آمازون
این سیستم نیت جست‌و‌جوی مشتری را حتی با غلط تایپی و املایی درک می‌کند و نتایج مرتبط را ارائه می‌دهد.

۴. جست‌وجو با عکس
این روشِ مبتنی بر AI، می‌تواند محصولات موجود در عکسی را که مشتری بارگذاری کرده است، شناسایی کند و مواردی از کاتالوگ خرده‌فروش که بهترین مطابقت با آن عکس را دارند، پیشنهاد دهد.

۵. شخصی‌سازی پیشنهادها
خرده‌فروشان می‌توانند با ارائه‌ی پیشنهادهای شخصی‌سازی‌شده در صفحات محصولات، تجربه‌ی خرید مشتریان منحصربه‌فرد را بهبود بخشند. به عنوان مثال، وقتی مشتریان روی یک محصول در وب‌سایت Lane Crawford کلیک می‌کنند، نه‌تنها آن را می‌بینند، بلکه با توجه به سلیقه‌ی خودشان، لباس‌های مشابه از برندهای مختلف را نیز مشاهده می‌کنند.

۶. استفاده از آینه‌های هوشمند در فروشگاه‌های فیزیکی
این آینه‌ها می‌توانند لباس‌هایی را که مشتری در حال حاضر پوشیده است، شناسایی کند و با توجه به استایل او پیشنهادهایی ارائه دهند.

این روش‌ها به خرده‌فروشان کمک می‌کند تا تجربه‌ی خرید مشتریان را بهبود بخشند و فروش خود را افزایش دهند.

مزایا و پیامدها

ادغام یادگیری ماشین در مد، مزایای متعددی را به همراه دارد. از بهینه‌سازی مدیریت زنجیره‌ی تأمین و پیش‌بینی موجودی تا بهبود استراتژی‌های بازاریابی، استفاده از الگوریتم‌های یادگیری ماشین به برندهای مد این امکان را می‌دهد که کارآمدتر و مؤثرتر عمل کنند. با استفاده از ML برندها می‌توانند تصمیمات آگاهانه‌ای بگیرند که به افزایش سودآوری و پایداری منجر شود.

با این حال، ادغام یادگیری ماشین در صنعت مد پیامدهایی مثل پیامدهای اخلاقی و اجتماعی را نیز به همراه دارد. نگرانی‌ها در مورد حریم خصوصی داده‌ها، تبعیض الگوریتمی و جابجایی یا حتی حذف نیروی کار انسانی، اهمیت استفاده‌ی مسئولانه و اخلاقی از فناوری‌های یادگیری ماشین را برجسته می‌کند. برندهای مد باید با دقت و شفافیت به این چالش‌ها رسیدگی کنند تا اطمینان حاصل شود که مزایای یادگیری ماشین با ملاحظات اخلاقی اعمال شده است.

نتیجه‌گیری

در پایان، یادگیری ماشین تغییردهنده‌ی بازی در صنعت مد است و فرصت‌های بی‌سابقه‌ای برای نوآوری، کارایی و تعامل با مشتری ارائه می‌دهد. این تکنولوژی با تحلیل داده‌های بزرگ، به برندها کمک می‌کند تا سلیقه‌های مشتریان را بهتر درک کنند و پیش‌بینی‌های دقیق‌تری درباره‌ی روندهای آینده، ارائه دهند. هم‌چنین، یادگیری ماشین می‌تواند در بهینه‌سازی زنجیره‌ی تأمین، مدیریت موجودی و شخصی‌سازی تجربه‌ی خرید مشتریان نقش مهمی ایفا کند. به این ترتیب، برندها قادر خواهند بود تا محصولات و خدمات خود را با دقت بیشتری تطبیق دهند و تجربه‌ای منحصربه‌فرد برای هر مشتری خلق کنند.