ผู้นำทางความคิด

ทำไมข้อมูลสินค้าที่ไม่ดีจึงทำให้แฟชั่นเสียค่าใช้จ่ายมากกว่าที่เคย และ AI มีบทบาทอย่างไร

mm

ในแฟชั่น ภาพถ่ายมีความสำคัญทั้งหมด แต่เบื้องหลังหน้ารายละเอียดสินค้าทุกหน้าเป็นข้อมูล ตั้งแต่การขาดผ้าไปจนถึงชื่อสีที่อยู่ในเมนูแบบเลื่อนลง ข้อมูลสินค้ากำหนดว่าสินค้าจะถูกค้นพบ จัดแสดง ซื้อ และส่งคืนอย่างไร เมื่อมันถูกต้อง มันจะทำงานอย่างเงียบๆ ให้กับระบบทั้งหมด แต่เมื่อมันไม่ถูกต้อง ผลที่ตามมาจะส่งผลกระทบต่อทุกอย่างตั้งแต่การขนส่งไปจนถึงความไว้วางใจของลูกค้า

การศึกษาของ Forrester Consulting ในปี 2024 พบว่า 83% ของผู้นำอีคอมเมิร์ซยอมรับว่าข้อมูลสินค้าของตนไม่สมบูรณ์ ไม่สอดคล้องกัน ไม่ถูกต้อง ไม่มีโครงสร้าง และล้าสมัย และผลกระทบไม่ได้จำกัดอยู่แค่ด้านหลังเท่านั้น ข้อมูลสินค้าที่ไม่ดีจะทำให้การเปิดตัวล่าช้า การมองเห็นลดลง ลูกค้าผิดหวัง และการคืนสินค้าเพิ่มขึ้น ในแฟชั่น ซึ่งความแม่นยำขับเคลื่อนยอดขายและกำไรที่แคบ ทำให้เป็นภาระที่ร้ายแรง

เมื่อยี่ห้อขยายไปสู่ช่องทางการค้าปลีกมากขึ้น ปัญหาก็เพิ่มขึ้น การจัดการรูปแบบการแสดงผลหลายแบบ มาตรฐานภาพ และระบบ phân loạiพร้อมกันจะเพิ่มความซับซ้อน แต่ multimodal AI – โมเดลที่สามารถประมวลผลทั้งภาพและข้อความ – กำลังเป็นตัวช่วยที่สามารถแก้ไขปัญหานี้ได้อย่างมีประสิทธิภาพ

เมื่อข้อมูลสินค้าทำลายการขาย

ทุกหน้ารายละเอียดสินค้าในค้าปลีกดิจิทัลเป็นจุดสัมผัสกับลูกค้า และในแฟชั่น การโต้ตอบนั้นต้องการความแม่นยำ การติดป้ายสีไม่ถูกต้อง การละเว้นวัสดุ หรือการไม่ตรงกันระหว่างภาพและคำอธิบายไม่เพียงแต่ดูไม่เป็นมืออาชีพเท่านั้น แต่ยังทำให้ประสบการณ์การซื้อขายเสียหาย

และนี่มีความสำคัญต่อผู้ช้อปปิ้ง ตามการวิจัยในอุตสาหกรรม:

  • 42% ของผู้ช้อปปิ้งจะทิ้งตะกร้าซื้อของเมื่อข้อมูลสินค้าไม่สมบูรณ์.
  • 70% ออกจากหน้ารายละเอียดสินค้าโดยสิ้นเชิงหากคำอธิบายดูไม่มีประโยชน์หรือคลุมเครือ.
  • 87% ระบุว่าไม่น่าจะซื้อซ้ำหลังจากได้รับสินค้าที่ไม่ตรงกับรายละเอียดออนไลน์.

และเมื่อสินค้าถูกซื้อตามข้อมูลสินค้าที่ไม่ถูกต้อง ยี่ห้อจะถูกกระทบโดยการคืนสินค้า ในปี 2024 เพียงอย่างเดียว 42% ของการคืนสินค้าในภาคแฟชั่นถูกกำหนดให้เป็นข้อมูลสินค้าที่ไม่สมบูรณ์หรือไม่ถูกต้อง สำหรับอุตสาหกรรมที่ถูกบุกรุกโดยต้นทุนการคืนสินค้าและของเสีย ผลกระทบนี้ยากที่จะเพิกเฉย

ทำไมปัญหาข้อมูลของแฟชั่นจึงไม่หายไป

หากปัญหานี้แพร่หลายแล้ว ทำไมอุตสาหกรรมไม่ได้แก้ไขมัน? เพราะข้อมูลสินค้าแฟชั่นซับซ้อน ไม่สอดคล้องกัน และมักไม่มีโครงสร้าง และเมื่อมาร์เก็ตเพลสใหม่ๆ เกิดขึ้น ความคาดหวังจะเปลี่ยนแปลงไป

ทุกยี่ห้อจัดการแค็ตตาล็อกแตกต่างกัน บางยี่ห้อพึ่งพาสเปรดชีตแบบธรรมดา บางยี่ห้อต่อสู้กับระบบในบ้านที่ยึดติด และหลายยี่ห้อติดอยู่ใน PIM หรือ ERP ที่ซับซ้อน ในขณะเดียวกัน ผู้ค้าปลีกกำหนดกฎของตนเอง: หนึ่งต้องการภาพถ่ายตัดตัว อีกต้องการพื้นหลังสีขาว แม้แต่ชื่อสีที่ไม่ถูกต้อง – “ส้ม” แทนที่จะเป็น “สีแครอท” – ก็สามารถทำให้รายการสินค้าถูกปฏิเสธได้

ความไม่สอดคล้องกันเหล่านี้แปลเป็นงานที่ต้องทำด้วยมืออย่างมาก สินค้าเพียงชิ้นเดียวอาจต้องผ่านการรูปแบบต่างๆ หลายครั้งเพื่อตรงตามข้อกำหนดของพันธมิตร คูณสิ่งนี้ด้วยผลิตภัณฑ์หลายพันรายการและช่องทางการค้าปลีกหลายสิบรายการ และไม่น่าแปลกใจที่ทีมจะใช้เวลามากถึง ครึ่ง ของเวลาทำงานเพียงเพื่อแก้ไขปัญหาข้อมูล

และในขณะที่พวกเขากำลังทำเช่นนั้น สิ่งสำคัญเช่นการเปิดตัวตามฤดูกาลและกลยุทธ์การเติบโตถูกทิ้งไว้ข้างหลัง รายการจะถูกเผยแพร่โดยไม่มีลักษณะสำคัญหรือถูกบล็อกทั้งหมด ลูกค้าจะเลื่อนผ่านหรือซื้อด้วยความคาดหวังที่ไม่ถูกต้อง กระบวนการที่ออกแบบมาเพื่อสนับสนุนการเติบโตกลายเป็นแหล่งของความล่าช้าซ้ำๆ

กรณีสำหรับ Multimodal AI

นี่คือปัญหาที่ Multimodal AI ได้รับการออกแบบมาเพื่อแก้ไข ไม่เหมือนกับเครื่องมืออัตโนมัติแบบดั้งเดิมที่พึ่งพาข้อมูลที่มีโครงสร้าง ระบบ Multimodal สามารถวิเคราะห์และเข้าใจทั้งภาพและข้อความได้เหมือนกับวิธีที่ผู้จัดหาสินค้าจะทำ

มันสามารถสแกนภาพและชื่อสินค้า ระบุ特徵ดีไซน์ เช่น สายพานหรือคอ V และกำหนดหมวดหมู่และแท็กที่ถูกต้องตามที่ผู้ค้าปลีกต้องการ มันสามารถมาตรฐานป้ายกำกับไม่สอดคล้องกัน โดยการแมปกับ “นาวี” “เที่ยงคืน” และ “อินเดีย” ไปยังค่าหลักเดียวกัน ในขณะเดียวกันก็เติมคุณลักษณะที่หายไป เช่น วัสดุหรือขนาด

ในระดับเทคนิค สิ่งนี้เป็นไปได้โดย วิชัน-ภาษาโมเดล (VLMs) – ระบบ AI ที่ซับซ้อนซึ่งวิเคราะห์ภาพสินค้าและข้อความ (ชื่อ คำอธิบาย) เพื่อเข้าใจสินค้าอย่างเป็นหนึ่งเดียว โมเดลเหล่านี้ได้รับการฝึกฝนจากข้อกำหนดของแพลตฟอร์ม ประสิทธิภาพการแสดงผลจริง และข้อมูลแค็ตตาล็อกในอดีต เมื่อเวลาผ่านไป มันจะฉลาดขึ้น โดยการเรียนรู้ระบบ phân loạiของผู้ค้าปลีกและปรับแต่งการคาดการณ์ตามผลลัพธ์และข้อเสนอแนะ

งานที่ใช้เวลาสัปดาห์สามารถทำเสร็จภายในเวลาเพียงไม่กี่ชั่วโมง โดยไม่ต้องสูญเสียความแม่นยำ

ทำไมข้อมูลที่สะอาดจึงเร่งทุกอย่าง

เมื่อข้อมูลสินค้าสมบูรณ์ สอดคล้องกัน และจัดระเบียบอย่างดี ทุกอย่างจะทำงานได้อย่างราบรื่น สินค้าจะปรากฏในค้นหาที่ถูกต้อง เปิดตัวโดยไม่มีการล่าช้า และปรากฏในตัวกรองตามที่ลูกค้าใช้จริง สินค้าที่ลูกค้าเห็นออนไลน์คือสินค้าที่ส่งมอบถึงบ้าน

ความชัดเจนนี้นำไปสู่ผลลัพธ์ที่เป็นรูปธรรมทั่วทั้งการดำเนินงานค้าปลีก ผู้ค้าปลีกสามารถนำสินค้าเข้าระบบโดยไม่ต้องมีการส่งต่อที่ยาวนาน ตลาดจะจัดลำดับความสำคัญของรายการที่ตรงตามมาตรฐานของตน ซึ่งจะปรับปรุงความสามารถในการมองเห็นและตำแหน่ง เมื่อข้อมูลชัดเจนและสอดคล้องกัน ลูกค้ามีแนวโน้มที่จะเปลี่ยนและไม่น่าจะส่งคืนสินค้าที่ซื้อ แม้แต่ทีมสนับสนุนก็จะได้รับประโยชน์ โดยมีข้อร้องเรียนที่จะแก้ไขและความสับสนในการจัดการน้อยลง

การขยายขนาดโดยไม่มีการเผาผลาญ

ยี่ห้อไม่ได้ขายผ่านเว็บไซต์ของตนเองอีกต่อไป แต่พวกเขากำลังเปิดตัวข้าม Amazon, Nordstrom, Farfetch, Bloomingdale’s และตลาดหลายแห่ง แต่ละแห่งมีข้อกำหนดที่เปลี่ยนแปลงไป การติดตามด้วยมือเป็นเรื่องที่เหนื่อยหน่ายและไม่ยั่งยืนในระยะยาว

multimodal AI เปลี่ยนแปลงสิ่งนี้โดยการช่วยให้ยี่ห้อสร้างโครงสร้างพื้นฐานที่ปรับเปลี่ยนได้ ระบบเหล่านี้ไม่เพียงแต่ระบุแท็กคุณลักษณะเท่านั้น แต่ยังเรียนรู้เมื่อเวลาผ่านไป เมื่อกฎของตลาดใหม่ๆ ถูกนำมาใช้หรือการถ่ายภาพสินค้าเปลี่ยนแปลง รายการสามารถอัปเดตและจัดรูปแบบใหม่ได้อย่างรวดเร็ว โดยไม่ต้องเริ่มต้นจากศูนย์

เครื่องมือบางตัวไปไกลกว่านั้น โดยสร้างชุดภาพที่เป็นไปตามข้อกำหนดโดยอัตโนมัติ ระบุช่องว่างในการครอบคลุมคุณลักษณะ และแม้แต่ปรับคำอธิบายสำหรับตลาดระดับภูมิภาคที่เฉพาะเจาะจง เป้าหมายไม่ใช่การแทนที่ทีมงานของมนุษย์ แต่เพื่อปลดปล่อยให้พวกเขามุ่งเน้นไปที่สิ่งที่ทำให้ยี่ห้อนั้นเป็นเอกลักษณ์ ในขณะที่ให้ AI จัดการกับงานที่ซ้ำซากและต้องปฏิบัติตามกฎ

ให้ยี่ห้อสร้างสรรค์และให้ AI จัดการส่วนที่เหลือ

แฟชั่นเฟื่องฟูจากความเป็นเอกลักษณ์ ไม่ใช่การป้อนข้อมูลด้วยมือ ข้อมูลสินค้าที่ไม่ดีสามารถขัดขวางยี่ห้อที่แข็งแกร่งได้อย่างเงียบๆ เมื่อข้อพื้นฐานไม่ถูกต้อง ทุกอย่าง – ตั้งแต่ความสามารถในการมองเห็นไปจนถึงการเปลี่ยนและรักษา – เริ่มลื่นไถล

multimodal AI เสนอทางออกที่เป็นจริงและสามารถปรับขนาดได้ มันช่วยให้ยี่ห้อเคลื่อนที่ได้เร็วขึ้นโดยไม่สูญเสียการควบคุม และนำระเบียบมาให้กับส่วนของธุรกิจที่ถูกกำหนดโดยความสับสนวุ่นวาย

แฟชั่นเคลื่อนที่อย่างรวดเร็ว ยี่ห้อที่ประสบความสำเร็จจะเป็นยี่ห้อที่มีระบบที่สร้างขึ้นเพื่อรักษาตำแหน่ง

Einav Itamar เป็นผู้เชี่ยวชาญที่มีประสบการณ์มากกว่า 15 ปี ในด้าน AI โดยครอบคลุม Conversational AI, Machine Learning, Big Data และ Natural Language Understanding เขาเคยเป็นผู้นำทีม Voice ML Group ที่ Snap Inc. และเป็นผู้ก่อตั้งที่ออกจากกิจการด้วยการซื้อขายกับ eBay และ Snap ในปัจจุบัน เขาดำรงตำแหน่ง AI Strategy Lead ที่ Cymbio โดยช่วยกำหนดความฉลาดหลักของแพลตฟอร์มอัตโนมัติตลาดและโซเชียลคอมเมิร์ซชั้นนำสำหรับแบรนด์ระดับโลก เช่น New Balance, Balmain และ Juicy Couture