Станислав Подшивалов, Sizolution: «У нас есть возможность холодного старта, и в этом наше отличие от многих конкурентов»

Сегодня в fashion-индустрии около 15% всего объема занимает обувь, примерно 10% отводится аксессуарам, а все остальное – одежда. Страшно представить объемы не подошедших платьев, которые бороздят просторы нашей страны. Одним словом, помощь определения размеров одежды – это очень актуальная тема. Возможность ее решения Ольга Сатановская, автор проекта «Сервисы для Екома» обсудила с сооснователем и генеральным директором компании Sizolution – Станиславом Подшиваловым. 

Станислав, первый вопрос – что вы делаете как сервис и чем помогаете в данном вопросе?

– Наш сервис представляет собой виджет на сайте. Покупатель единоразово его заполняет, после чего на каждой карточке товара он видит рекомендацию оптимального для себя размера одежды. Также он может видеть предсказание посадки, т.е. описание того, как именно эта конкретная вещь будет на нем сидеть. 



Какие параметры нужно человеку измерить, чтобы сервис начал определять размер одежды?

– Суть сервиса как раз в том, что измерять ничего не нужно. Если пользователи будут что-то мерить дома, то скорее всего всплывут большие ошибки и погрешности. Поэтому первоначально нужно ввести свой рост и вес. Следующим шагом можно загрузить фотографию в полный рост, система ее проанализирует, и сама определит параметры.  Или другой вариант – выбрать свой тип фигуры, ввести возраст и ответить еще на пару вопросов. Таким образом для того, чтобы получить рекомендацию необходимо совершить всего 5-6 шагов.

Получается очень неоднозначно. Два человека могут иметь схожий вес и рост и при этом у них могут быть разные размеры одежды. Расскажи подробнее, как все устроено?

– В тот момент, когда покупатель заполняет виджет, мы у себя реконструируем его 3D-модель. На основании введенного роста и веса мы на начальном этапе получаем усредненный вариант модели, который пока, безусловно, не похож на конкретного покупателя, но далее любая фиксация степеней свободы повышает сходимость этой 3D-модели к конкретному пользователю. Далее мы извлекаем более 80 параметров, с которыми работает уже алгоритм примерки одежды.

На самом деле, для нас самый предпочтительный вариант, когда покупатель загружает свое фото. Это позволяет уже на начальном этапе собрать большой объем данных. Даже информация об относительной пропорции того, как плечи относятся к груди, дает понимание о перераспределении массы в росте и повышает сходимость. Но и набор вопросов в анкете, которая заполняется при отсутствии фото, подобран таким образом, чтобы максимизировать эту самую сходимость при минимальном количестве шагов для покупателя. 

В целом, всех этих шагов достаточно для того, чтобы для дальнейшего подбора размера одежды обеспечить сходимость с очень высокой точностью.

И какова эта очень высокая точность?

– Если покупатель заполняет опросник, точность составляет до 2 см в обхвате. Если загружает фото, точность на 30-40% выше и достигает 1-1,5 см. Этой точности достаточно для того, чтобы идеально правильно подобрать размер в более чем 90% случаев. 

Как у вас получается при таком малом количестве параметров строить 3D-модель человека?

– В первую очередь это магия математики и Data Science. В основе лежит параметрическая модель тела человека. Но важно понимать, что здесь важную роль играют большие данные и нейросети. Например, при работе с изображениями очень много нейросетей глубокого обучения.

Замерить человека недостаточно, есть же еще сама одежда. Что вы делаете с ней?

– Мы напрямую запрашиваем данные у наших клиентов – ритейлеров и брендов. Полученные данные по структуре можно разделить на два типа. Первый тип – метаданные, то, чем заполняется карточка товара – бренд, страна производства, состав и т.д. Скажем, по составу алгоритм понимает какой эластичностью обладает вещь, делает выводы и корректирует рекомендации. 

Второй тип данных – мерки изделий. У брендов часто в доступе есть вся документация, выгрузки из PLM-систем, лекала изделий, которые мы получаем напрямую или сами извлекаем данные, некоторые предоставляют мерки изделий в готовом формате. Алгоритм также эти данные использует для анализа и подбора рекомендаций.

Вещь приталенная и вещь оверсайз имеют один и тот же размер, но разные мерки – как быть в подобных случаях?

– Именно поэтому важны метаданные. Оверсайз или приталенный, тип посадки и прочее – это то, что содержится в векторе для алгоритма подбора размера и используется им при машинном обучении. 

Фактически работу алгоритма можно разделить на три больших блока данных. Первый блок – информация покупателя о его фигуре, его мерки и параметры. Второй блок – метаданные и мерки одежды. Третий блок – история покупок и возвратов. Если на этапе связи мерок человека с мерками одежды где-то нам недостаточно информации, то с учетом истории покупок и возвратов машина понимает, что это, скажем, оверсайз и со временем подтягивает соответствующие рекомендации под эту конкретную вещь.


 
Когда ты работаешь с брендом он может тебе дать мерки и лекала. Но когда ты работаешь с ритейлером, давай по-честному, это маловероятно. Вы работаете с ритейлерами? Если «да», то как?

– Мы работаем с ритейлерами. В данном вопросе есть два механизма работы с данными. Один дополняет другой. Первый наиболее простой – опираться только на метаданные и историю покупок и возвратов. У нас сейчас очень глубокое озеро данных, которого на данный момент более чем достаточно, плюс история покупок и возвратов конкретного ритейлера сильно дополняет картину. 

Второй механизм – это когда покупатели с известными данными покупают вещи как с известными, так и с неизвестными мерками. На основе связи этих двух типов вещей и истории покупок и возвратов, алгоритм также обучается и в рамках данного ритейлера становится умнее и точнее. У мультибрендовых ритейлеров среди товаров есть бренды, с которыми мы уже работаем. С разрешения брендов мы используем их данные, включая мерки изделий, они понимают, что это также позволяет им максимизировать продажи.

Неужели данных, полученных от бренда достаточно? 

– Сейчас достаточно, потому что у нас огромная Big Data. Она не только широкая, но еще и глубокая, поскольку мы работаем с разными типами данных. Раньше было иначе. Когда мы начали работать с нашим первым крупным ритейлером данных оказалось недостаточно и нам пришлось сделать автоматизированный измеритель одежды. 

Выглядит это так – есть стол, на котором стоит камера и компьютер. Вещь раскладывается на столе, на компьютере нажимается кнопка «Измерить», после чего делается снимок. Алгоритмы компьютерного зрения вырезают контуры вещи и далее нейросеть определяет, что это за вещь и находит все ключевые точки для определения размера. Мы снимаем все ключевые мерки и уже эти данные используем для работы. Сейчас с учетом накопленного озера данных необходимость установки таких столов стала значительно меньше. 

Какую точность дает автоматизированный измеритель?

– Это цифровая линейка, поэтому точность измерения составляет пару миллиметров. Дальше все упирается в то, насколько аккуратно вещь разложена оператором. Дополнительно у нас есть определенный контроль качества и после того, как алгоритм все отработал, у нас в штате есть специалисты, которые просматривают изображение, могут что-то откорректировать, а если находится какая-то аномалия, то мы вещь бракуем. 

При таком подходе вы меряете каждый размер размерной сетки?

– Достаточно измерить два размера и далее включается простой алгоритм экстраполяции, который также в своей работе учитывает весь предыдущий опыт.  Для обычной российской SML-сетки достаточно двух размеров, для джинсовой одежды лучше взять 3-4 размера.

В этом случаете вы указываете эластичность материала и еще каки-либо дополнительные параметры?

– Мы просим указывать эластичность и наличие резинок. Стоит отметить, сейчас мы не так активно продвигаем измеритель на рынке, поскольку нам достаточно данных, поступающих от наших клиентов для того, чтобы обеспечить высокую точность рекомендаций размера.

Если ритейлер предоставляет только данные, которые есть на сайте и больше ничего, как с этим быть?

– В таком случае мы получим промежуточный результат по точности. Алгоритм будет работать, опираясь на три блока данных – параметры человека, метаданные, представленные информацией из карточки товара, и историю покупок и возвратов. Дальше алгоритм понимает как человек с известными параметрами взаимодействует с вещами с известными свойствами и опираясь на багаж информации по всем ритейлерам в совокупности максимально приближенно прогнозирует какими мерками и свойствами должна обладать вещь.
 
Поэтому первые рекомендации, которые сделает алгоритм, будут сформированы исходя из прошлого опыта искусственного интеллекта. Далее ключевую роль играет история покупок и возвратов.
 
Если ты заходишь в новый магазин, какое количество времени тебе требуется, чтобы собрать данные про историю покупок и возвратов и про мерки?

– У нас есть возможность холодного старта, и в этом наше отличие от многих конкурентов. Фактически, мы можем запуститься сразу и это возможно за счет того, что мы имеем то самое озеро данных и за счет умения алгоритма проводить корреляцию между мерками вещей и их свойствами. Даже у совершенно нового бренда, который вышел на рынок и ранее нигде не продавался, могут формироваться рекомендации. История покупок и возвратов производит уже тонкую настройку, адаптацию алгоритма под конкретный бренд.

Озеро данных – это сколько?

– Это очень большой объем, и я сейчас даже не назову цифру. Мы с этим продуктом на рынке более трех лет, у нас более 2-х миллионов покупателей, которые получают свои рекомендации размеров. У нас копятся истории покупок и возвратов, где сотни миллионов строчек – это колоссальный объем данных. 

Стоит отметить, что мы проводим дни, когда люди к нам приходят физически, мы их измеряем, делаем контроль сантиметрами, просим примерять одежду и собираем по итогу data set. Таких экспериментов у нас было уже несколько десятков. Все это используется для обучения алгоритма.

---

Читайте также: Как интернет-магазины решают задачу подбора верного размера одежды и обуви? Обзор лучших решений

---

Какой процент советов при подборе одежды у алгоритма верный? 

– Если мы говорим о верхе – рубашки, свитера, пуловеры и далее – точность совпадения больше 91%. Если мы говорим про низ – например, о брюках, которые должны очень плотно сидеть – точность в таких случаях более 82%.

В каком виде покупатель получает рекомендации от алгоритма?

– Покупатель один раз заполняет виджет с данными о себе, после чего в каждой карточке товара для него появляется рекомендация с указанием подходящего размера именно этой вещи. Если покупатель хочет посмотреть, как эта вещь будет на нем сидеть, то есть возможность нажатием кнопки открыть виджет, где уже детально будет показана посадка.

Не слишком ли данная демонстрация упрощена? 

– Это, безусловно, самый простой инструмент вывода, при помощи которого мы говорим хорошо эта вещь сидит или нет и опираться на это крайне сложно. У каждого покупателя есть индивидуальные предпочтения о том, как вещь должна на нем выглядеть и правильней максимально детально отображать посадку вещи на человеке. 

А это возможно?

– Да, возможно. Я надеюсь, что очень скоро это можно будет увидеть у наших клиентов. Технология здесь достаточно понятная и прозрачная – мы внутри себя реконструируем 3D-модель покупателя. Дальше все упирается в 3D-модель вещи. Передовые компании уже перешли на конструирование вещей в 3D. Что в итоге у нас может получиться? Мы берем 3D-модель человека, надеваем на него 3D-модель вещи, после чего делаем фотореалистичные рендеры в красивых студийный позах, и покупатель видит, как эта вещь будет на нем сидеть.

Поэтому моя рекомендация брендам – пора переходить и конструировать вещи в 3D, потому что за этим будущее. Сейчас же мы можем брать эти задачи на себя и оцифровывать вещи своими силами.

Предусмотрены для покупателя рекомендации совсем не брать какую-то вещь, если она ему не подходит?

– Да, в этом случае на копке написано «Открыть рекомендацию», где мы говорим о том, что данную вещь лучше не брать, потому что оптимального размера нет в наличии.

Кроме того, алгоритм косвенно учитывает соответствие типа одежды каждому типу фигуры. Отмечу что, соответствие тех или иных вещей определенному типу фигуры важно явно транслировать покупателю. На европейских и американских рынках проводили исследование, в результате которого выяснилось, что подобное информирование покупателей положительно влияет на конверсию и выкуп.

Какую эффективность для магазина вы показываете и по каким метрикам?

– Два ключевых параметра, на которые мы ориентируемся – сокращение возвратов, или еще по-другому увеличение процента выкупа и увеличение конверсии. Стоит отметить, мы проводили различные тесты, некоторые из которых показывали сокращение возврата до 40%, но при этом не наблюдалось изменения конверсии. Были тесты, показывающие рост конверсии до 20%, но показатели возвратов оставались практически прежними. Поэтому все зависит от конкретного магазина, бренда, ритейлера.

Важно одно, – как эти два параметра конвертируются в выручку. Для заказов с рекомендацией размера выручка возрастает на 30%. Это та цифра, около которой мы работаем.


 
С кем вы сейчас работаете? 

– В районе 20 наших клиентов находится в России и ориентировочно 5-10 клиентов в Европе. Среди клиентов O'stin, Finn Flare, United Colors Of Benetton, Gloria Jeans. В Европе, например мы работаем с Hirmer. Есть еще клиенты на стадии пилотирования с очень громкими именами, но я пока не могу их озвучить.

Мы не поговорили про цену. Сколько стоит ваш сервис?

– У нас есть два тарифа. Первые – это фиксированная абонентская плата в месяц, второй – процент с каждой выкупленной вещи, заказанной с рекомендацией. 

Тариф на выкупленные вещи составляет в районе 1,5% от стоимости вещи. Фиксированный тариф индивидуален и зависит от размера магазина, его трафика и ещё ряда других параметров. Если мы говорит про полноценную интеграцию к клиенту, то минимальная ставка, которая у нас есть – 50 тыс. руб. в месяц. Важно отметить, что мы стараемся обеспечивать ROI в районе 300-500%, поэтому рассматриваем каждый магазин индивидуально.

Я придерживаюсь политики, что лучше начать с какой-то небольшой суммы близкой к минимальной, поработать 2-3 месяца, посмотреть какие реальные метрики и цифры получаются и только после этого совместно с клиентом принимать решение о стоимости тарифного плана. Это максимально честная и прозрачная история с точки зрения ценообразования.

Точность вашего сопоставления выше 80%, и это очень много. Отсюда люди, которые пользуются вашей системой должны ей доверять с каждым разом все больше. Значит ли это, что на горизонте пары лет у интернет-магазинов будет счастье и «try on» можно будет отменить?

– Очень интересный и сложный вопрос. Ответ на него – скорее нет, чем да. Важно понимать, что размер — это очень субъективная история. Мы стараемся подходить к этому со стороны математики и цифр, сравнения, анализа вещей и покупателя. Но даже при заполненном опроснике мы не до конца знаем как этот покупатель предпочитает вещи носить. Он может быть крупного телосложения, но при этом любить одежду в обтяжку или наоборот быть худощавым, но покупать вещи стандартные по крою просто на размер или два больше. 

В конечном счете все идет к гиперперсонализации. Важнее гораздо глубже взаимодействовать с покупателем. Мы сейчас поняли, что виджет сам по себе – это круто и здорово, но это не серебряная пуля. Нужно идти глубже, необходимо покупателя узнавать.

Что такое гиперперсонализация? Это когда покупатель заходит на сайт, и сайт взаимодействует лично с ним, а не с выборкой людей с одного региона, с одного типа устройств, с похожими поисковыми запросами и т.д. Мы взаимодействуем с конкретным покупателем, мы знаем его, его предпочтения в одежде и на основе этого мы можем наиболее детально и четко выстраивать коммуникацию и рекомендовать именно те вещи, которые ему нужны. 

Дело даже не только в подходящем размере, дело еще и в том, что даже листинг сайта правильнее перестроить под него и показать ему те вещи, которые он с наибольшей вероятностью для себя выберет и купит.

Для такой гиперперсонализации вы собираете свою базу покупателей и мерок? Или эта база всегда принадлежит вашему клиенту?

– Данные, которые покупатель вносит в нашем виджете – это наши данные. Мы понимаем этику ведения дел на рынке. Если покупатель на одном сайте внес свои данные, то зайдя на сайт другого бренда или магазина мы просим его вновь ввести данные. Если магазины заранее между собой не договаривались об обмене данными своих клиентов, тогда по умолчанию перегородка закрыта. Но если два бренда этот вопрос согласовали и им даже выгоден этот партнерский приток трафика и рекомендаций, то мы эту условную границу открываем. 

Получается, что чем больше интернет-магазинов будет пользоваться вашим сервисом, тем больше у нас на улицах будет правильно и красиво одетых людей?

– Это основополагающая цель нашего сервиса. Изначально мы всегда думаем о конечном покупателе и стремимся сделать ему хорошо.

Я желаю, чтобы в обозримом будущем с помощью вашего сервиса правильно одетых людей становилось все больше и больше. Удачи и успехов компании Sizolution.

* * *

Появились вопросы по работе с Sizolution?

8 916 510 37 75
stas@sizolution.com 

Со Станиславом Подшиваловым, 
сооснователем и генеральным директором компании Sizolution, 
беседовала Ольга Сатановская, 
Генеральный директор Pim Solutions, автор проекта «Сервисы для Екома»