首 页 前沿科技 游戏电玩 智能穿戴 手机频道 数码产品 硬件外设 移动应用 节能环保
网站首页 >> 移动互联 >>当前页
[ 导读 ] 天猫淘宝是否已经很好的满足消费者的购物需求,显然不是的,线上服饰电商体验经过17年的优化,营业额占比依然没有超过总量的20%,这么大的优化空间显然不能靠营销拉动,互联网时代解决不了的痛点,那就让人工智能来解决吧!

国人还能买得动吗?将前后三个月的营业额压在双11是健康吗?你身边的朋友还盯着双11吗?今年的双11显然冷清多了。罗振宇认为消费升级,本质上是从空间消费转移到时间消费。现在的新兴中产阶级,其实已经买不动东西了,在未来你给人送个礼物,如果这个东西要占据对方的家庭空间,其实对他来说都有可能是个负担。

那么天猫淘宝是否已经很好地满足消费者的购物需求,显然不是的,线上服饰电商体验经过17年的优化,营业额占比依然没有超过总量的20%,这么大的优化空间显然不能靠营销拉动,互联网时代解决不了的痛点,那就让人工智能来解决吧!

自从线上服饰购物开始,就有虚拟试衣的概念,由于线上无限长的货架(线上能展示1000多万款式)、7*24小时的购物时长、便捷的支付和7天无理由退款支持,很多人喜欢线上的消费场景,然而,电商消费过去17年,线上服饰占比依然没有超过总量的20%,这其中的原因,作为读者的你也能说出几个:尺码不对、质感不对、色差。

虚拟试衣核心是通过人体形态数据收集、算法推理、打造一个与自己身材一样的3D模特,同理,衣服实体也通过数字化模拟,两者的结合,能够形象地展示虚拟穿衣效果,并且合理推荐尺码、搭配等要素,解决常见的退货问题。

我们观察:电商购物始于美国,但是中国却有更强烈的电商消费热情,这项技术目前在中国落地情况比美国要好,我们预测2017年中旬,电商各大服饰品牌也开始跃跃欲试,而3-5年后将有可能成为线上和线下的一个试衣标配工具,发展增速达10倍,这种创新的源动力是消费升级下电商服饰购物痛点明显,本文通过采访好买衣联合创始人柴金祥、Broadcast:播数字营销总监许涛辉、消费者代表莫莫,通过他们的角度判断技术是否成熟以及痛点能否被解决。

好买衣柴金祥:以女性人体建模为切入点,是“偏向虎山行”

柴金祥教授是计算机图形学专家,他对人工智能的应用认识是:这是一项伟大的技术,它能够让最好的技术渗透每个领域和地区,以前一线城市医护人员水平要比三线城市要好,人工智能将顶级的技术带到每个地区。

这一段话让我想起了托马斯·弗里德曼的《世界是平的》,书中弗里德曼指出十个技术成果是全球化的推手,其中包括互联网。然而,他漏了人工智能,互联网将信息带到各个地区,而人工智能将顶级的技术带到各个角落。

阿里的发展史见证着消费升级的进程,在阿里初期,消费需求膨胀,低价和低质充斥着平台,消费者享受着“网购节约铺租成本让利消费者”和“快递员楼下喊你收件”带来的快感。

时至2016年,消费升级的口号下,消费需求回归平缓,消费者将注意力转移到如何买到优质、且合适的产品,据悉,天猫旗下女装服饰头部品牌不到300个,却占据了接近服饰电商70%的营业额,这就是很好的消费升级的例证。

在以往的购物体验中,我们不约而同地受过伤,由于码数不对、色差、质感差异、退货麻烦等因素,我们默默选择线下眼见为实的消费方式。这种保守式消费都是被伤害后的理性选择,因为我们缺乏一个新的技术突破口,去改善线上的消费体验。

虚拟试衣尝试者很多,但是真正做出产品的很少,核心是两个难题:①如何低成本、便捷构建一个跟用户身体形状相同的线上3D模特;②如何低成本、高效、规模化将衣服数字化并虚拟重建。

好买衣创建于2013年8月,柴金祥教授义无反顾放弃美国的安逸回国创业,他认为以上的两点是最基础、最核心的部分,人体模型构造或者衣服模型构造不准确,后面试衣和搭配推荐就会不精准,虚拟试衣就落不了地。

人体构造是一个十分困难的事情,基于女性较男性在服饰上具备更大的购买力,女性的身体复杂程度比男性要大,因此好买衣选择女性人体建模为切入点,他回想这个啃硬骨头的行为是“偏向虎山行”的义无反顾。

人体3D建模核心是两步:高质量的数据采集和算法,对于数据采集的投入和难度、以及尝试,柴教授依然记忆如新,从研究院和高校拿到的数据,由于测量方式的不规范和时代的变化(80后女性相对80前女性身材更高、更胖),这些数据质量较低,走捷径不成唯有自己耕耘,既然外部数据不够精准,那么就自己采集。

一开始,好买衣采用的方法是用户拍三张照片,通过算法修正获得人体模型,但拍照的尴尬在于,用户拍摄的照片必须是紧身照,这一点用户非常抗拒,这个办法行不通。

于是柴教授决定自己建立人体数据库,通过付费招募、量体采集的方式将中国女性人体数据录入,时至今日,这项最简单、耗耐心的工作已经完成2000+,成为国内最有价值的女性身材数据库,据好买衣内部员工透露:每次采集都接近50项数据,而有价值的数据又是非常基础和重要的,这是一项要求很精细的工作,这些最枯燥的工作或许为了博得用户一次满意的购衣体验而不断地重复着。

上图是好买衣体验流程,消费者需要输入25个选项确定自己的3D身材建模,其中包括身高体重、脸型、肤色、发型、身体特征等要素。

另外一个技术突破是低成本、高效、规模化将衣服数字化并虚拟重建。用传统的方式,一个3D美工需要2-3天才能完成一件衣服的建模,成本在3000块左右,而女性服饰由于蕾丝、镂空、毛边等复杂设计,想要通过3D建模的方式来反映反光、质感和弹性也将非常困难。

好买衣的突破在于自行研发的3D重构模型软件能够将服饰快速实现数字化,并且成本控制在50-80元/件,能达到一周完成1000件衣服以上的建模速度。

其他两个核心算法技术包括人工智能推荐,人工智能学习真实打版师的经验、根据最佳的衣服放松量,推荐最舒适的尺码;还有人形机器人技术,可视化不同身材下、不同尺码的穿衣效果。

柴教授认为:身体大数据采集、算法校正工作能够让人体模特无限接近真实个体,在越来越多数据支撑下,以后的C2M定制不再需要每个城市都招募一个线下量体师、这个虚拟试衣工具将是手艺最好的量体师,虽然市场对于这种人体3D建模的需求很强烈,例如线下店面能提高试衣的效率、国内男装和国外市场也处于空白阶段,而对于好买衣而言,最核心的是通过算法优化,还原最真实的3D人体模型,一步一个脚印将最容易实现的线上女装虚拟试衣做好。

Broadcast:播许涛辉:虚拟试衣技术对于提高线下试衣的效率也是刚需

Broadcast:播是一个20年历史的、定位中高端的设计师品牌,发展至今,公司已经拥有线下800多家门店,线上线下渠道全铺开、年营收达18亿人民币。许涛辉是其中的一员,负责数字营销模块。

他透露一组数据,在同类型的女装服饰电商店铺中,2014年退货率大概25%、2015年退货率大概30%,这意味着每售出的100件商品中,就有接近1/3或1/4的产品被退货,虽然在线上贸易成本降低,但是仓储、打包、物流等综合成本不容小觑,这些损耗最终会转嫁到消费者买单。

归类退货的原因,许涛辉总结为五大因素:①七天无理由退款、②尺码不合适、③活动差价、④商品发错/突然不喜欢了,明显痛点是消费者只能看淘女郎摆拍去脑补自己穿的效果。一次购物10件,由于购买了退货险,最终只留下了2-3件,其他都退回去了,这种消费习惯的女性消费者不是少数。

虽然这么高的退货率,但是由于技术限制,的确没有更好的解决办法,因此,卖家觉得这一切也是合理的。无奈之下,基于65%-70%的回头客的占比,许涛辉团队甚至思考:在上新时候直接邮寄10个款式给目标客户,在退回的概率不变的情况下,这是促进销量的好办法。

Broadcast:播作为最早接触虚拟试衣技术的平台,也是采取循序渐进的心态,许涛辉记得2014年只接入了100多款、2015年接入了200多款,占比总SKU的27%,到了2016年就将所有款式接入到虚拟试衣工具上。

许涛辉认为效果是很明显的,在Broadcast:播购物人群占比中,20%来自PC端,80%来自移动端,而目前虚拟试衣工具只允许移动端使用,他统计过使用虚拟试衣的用户占比24%,退货率降低了5%,从原来的25%降低为20%(这意味着每100件售出的商品,少了5件退货),而转化率从1%提升到2%-3%(转化率是指消费者浏览页面到完成下单的概率),服饰行业是一个传统、低门槛、过度市场化的行业,转化率能提高1%是一件不容易的事情。

由于效果达到预期,许涛辉认为2017年将在页面上给予更多的展示空间和流量导向,推动虚拟试衣工具普及概率提高到34%,并希望退货率降到17%。

服饰行业的产业链很长,设计师在1年半前就需要做商品企划,从设计定稿-面料研制-批量生产-批量出货,这链条很长,而实际潮流更新速度非常快,做衣服买卖通常面临两个问题,第一,货不够,需要补,第二,货太多,成积压。

无论是设计师和品牌卖家都需要“赌”,赌这个款式能否大卖,是需要多备料,还是少备料呢?而消费者心里没底,需要成品出来之后,才能够感知并认购,虚拟试衣能够通过预售的形式,预测到款式的潮流热度,给予后端备料生产更多有价值的决策信息。

而另外一方面,对于品牌方而言,目前只有20%的销售是在线上完成的,有80%的销售是在线下实体店完成的,许涛辉认为:线上的购物体验最大的优势是无线的货架,快速的商品浏览速度,线上能展示1000多万件女装服饰,线下结合成本考虑,只会上新比较畅销的款式,消费者往往选择2-3件最喜欢的款式去试衣,而试衣过程需要7-15分钟完成,这种效率是低效的,通过虚拟试衣工具,可以提高客户试衣的数量和效率,带动更高的购买转化和店铺人流效率。他渴望着将虚拟试衣技术尽快带到线下实体店。

线上服饰消费者莫莫:非常谨慎淘女郎的摆拍,是一种误导性的消费干扰

莫莫跟我说,区别于那种上网先买10件,试穿完留下2件,其他退货的女生不同,她在购物上是比较严谨的,如果不是穿不下,跟实际相差太大,她就“懒得”退货了。

莫莫是线上服饰消费的老客户,她喜欢Broadcast:播的品质和七格格的款式,在购物占比中,她线上占比达到90%,算是忠诚的网民,她选择线上的原因是网上方便且选择多,线下衣服贵而且需要出去逛街试衣,效率低。

在上述的两个品牌上,莫莫在Broadcast:播上的退货率是20%,退货的原因主要是尺码原因,而七格格的退货率是50%,原因是淘女郎摆拍跟实际收到的产品质量往往货不对版,她作为一个资深网民,非常谨慎淘女郎摆拍,因为商家希望把衣服拍得漂亮而不是真实,对于消费者来说,需要的是真实,淘女郎摆拍是一种误导性的消费干扰。

莫莫在2014年底就开始接触到虚拟试衣间,她记得当时的模特不能选发型、模特站姿很丑,尽管那时候已经有推荐尺码,但是她只是作为一个参考工具,信任度不高,2年以后,她认为虚拟模特的相似度已经达到80%,让消费者足够清晰的判断这就是虚拟的自己。

对于这个虚拟试衣工具,莫莫觉得可以作为初步筛选的用具,能帮她省了很多时间,第一是尺码、部分产品可能只有单码,如果虚拟模特都穿得不好看,就不会花时间去细看;第二是款式,如果虚拟模特穿起来都不好看,也不会去细看,这种是效率的提高,同样的时间,莫莫可以浏览的款式比以前多了。

而另外一个很重要的功能是搭配推荐,由于淘女郎的摆拍是以单套衣服为计费单位的,大部分的商家只会拍照单个款式的搭配推荐,而虚拟模特能够展示多个款式混合的搭配推荐,莫莫认为,女性对搭配的需求是强烈的,虚拟试衣间能够满足她的需求。

以往用产品如果第一次体验不好,就不会再继续使用,但是莫莫觉得虚拟试衣的推出,并不能够一步到位地获得用户的信任,大家都是以好玩的、参考的心态去看看,而参考的效果在产品的优化过程中更接近现实,大家会赋予更高的信任到虚拟试衣功能上。

这让我想起了10年前会担心淘宝下单了是否会发货,发过来会不会是空盒子;让我想起5年前会担心支付宝安不安全,卖家能否收款,新事物必须经过一个成长、优化、用户教育的过程。

我们相信当越来越多的人体数据被运用到算法,算法得到不断的修正和调优,这个虚拟模特离真人就越相似,每个人的身材信息就能够精准到一个独特的代码,当我们还在使用日本留下来的S\M\L\XL均码的时候,不妨脑洞大开,由于大数据的足够精准,原有的日本均码体系将会进化为一套符合中国人特定体型的精细码,这一切其实离我们并不远。

作者精品文章:

高榕、真格、GGV、达晨、昆仲、启赋六位投资人解读人工智能泡沫指数

深度:无人机带动植保行业大变革

富士康昆山裁员6万是前奏 勿惊慌 “机器换人”或为制造业未来2年主调

搜于特:一个民营服装企业的转型之路

本文永久链接:http://news.ifkq.cn/m/mulu/15469647.html
分享到:0

相关阅读

最新发布