Muotialan ostajat ovat jo pitkään olleet alan hiljaisia suunnannäyttäjiä – heitä, jotka pystyvät havaitsemaan halun jo ennen kuin se edes muotoutuu. Mutta nyt, tiukentuneiden voittomarginaalien ja tarkan tarkkuuden tarpeen myötä, he kääntyvät tekoälyn puoleen vastatakseen näihin haasteisiin.
Käsittelemällä valtavia tietomääriä, jotka aiemmin olivat lukittuina erillisiin järjestelmiin – kuten hakukäyttäytyminen, klikkausmallit, alueelliset mieltymykset ja tuotteiden suorituskyky eri markkinoilla – tekoäly on nopeasti siirtymässä pelkän myynnin ennustamisen ohi. Ostajat ja tuotepäälliköt sanovat, että se muuttaa nyt sitä, miten he rakentavat, hienosäätävät ja skaalaavat tuotevalikoimiaan, kun päätöksistä tulee entistä datavetoisempia.
Sen sijaan, että ostajat luottaisivat vain menneeseen myyntiin tai intuitioon, he voivat hyödyntää reaaliaikaisia signaaleja siitä, mitä ostajat etsivät, klikkaavat ja tallentavat ympäri maailmaa. "Tekoäly on enemmänkin työkalu, joka laajentaa heidän ulottuvuuttaan", sanoo Rich Shepherd, Lystin tuotejohtaja. "Parhaat ostajat toimivat edelleen vaiston varassa – tekoäly antaa heille vain selkeämmän kuvan siitä, missä tämä vaisto toimii parhaiten."
Luksusbrändeistä maailmanlaajuisiin verkkokauppa-alustoihin on muotoutumassa uusi lähestymistapa: tekoälypohjaiset suositusjärjestelmät ja työkalut, jotka tunnistavat datasta malleja, kun taas ihmisostajat tulkitsevat näitä oivalluksia ja tekevät strategisia päätöksiä. Näiden kahden tasapainottamisesta on tulossa keskeinen kilpailuetu.
Reaaliaikaiset kysyntänäkemykset
Tapestry, Coachin, Kate Spaden ja Stuart Weitzmanin emoyhtiö, käyttää tekoälyä kulissien takana auttaakseen ostajia tekemään älykkäämpiä päätöksiä siitä, mitä tilata, kuinka paljon varastoida ja minne lähettää tuotteita.
"Tiesimme aina, että tämän prosessin digitalisoimiseksi ja nopeaksi skaalaamiseksi meidän piti rakentaa tapa jakaa tietoa helposti koko liiketoiminnan kesken", sanoo Fabio Luzzi, Tapestryn tieto- ja analytiikkajohtaja. Yritys investoi keskitettyyn tietokeskukseen – jota Luzzi kutsuu "omaksi tietokudoksekseen" – mikä tekee asiakkaisiin, sijainteihin ja toimitusketjuihin liittyvän datan mallintamisesta yksinkertaista. "Se tekee prosessien digitalisoinnista helppoa, samoin kuin tekoälyn käytöstä monissa arvoketjun vaiheissa."
"Parhaat ostajat toimivat edelleen vaiston varassa – tekoäly antaa heille vain selkeämmän kuvan siitä, missä tämä vaisto toimii parhaiten."
Coachin ostotiimit käyttävät jo jaettuja tietoaineistoja vertaillakseen alueellisia ostomalleja reaaliajassa ja säätääkseen tilaustensa määriä ja tuotteiden lähetyskohteita ennen kuin ne saapuvat myymälöihin. Nämä oivallukset paljastavat kysynnän aiemmin ja tarkemmin kuin pelkkä menneen myynnin tarkastelu.
Käytännössä tiimin jäsen saattaa avata reaaliaikaisen jaetun kojelaudan, joka näyttää tietyn tyylin myyvän hyvin Yhdysvaltojen lounaisosassa mutta ei koillisosassa – tietoa, joka aiemmin saapui viikkoja myöhemmin myyntiraporttien kautta. Tämä signaali antaa heille mahdollisuuden säätää varastojen sijaintia ennen kuin ne on lukittu, sen sijaan että tuotteet jäisivät väärään varastoon. Luzzi näkee tekoälyn sisäänrakennettuna päätöksenteon tukijärjestelmänä suunnittelulle, varastonhallinnalle ja hinnoittelulle, mikä nopeuttaa analyysiä ja vuorovaikutusta, samalla kun lopulliset tuote- ja tuotepäällikköpäätökset jäävät ihmistiimeille. Hän sanoo, että tämä vapauttaa aikaa osto- ja tuotepäällikkötiimeille keskittyä strategisempaan työhön.
Coachilla ydinnahkatavarat ja sesonkituotteet – kategoriat, joilla on takanaan vuosien myyntidataa – hoidetaan yhä useammin automaattisten täydennysmallien avulla. Järjestelmä ilmoittaa, milloin tilaus on tehtävä, säätää määriä myymälöittäin ja siirtää varastoja alueiden välillä ilman manuaalista syöttöä. Säästetty aika on merkittävä: tuotepäälliköt, jotka aiemmin käyttivät suurimman osan ostosyklistä valikoimiensa ennustettavien osien hallintaan, voivat nyt keskittyä kategorioihin, joissa data tarjoaa vähemmän varmuutta ja ihmisen harkintakyky on tärkeämpää.
Enemmän aikaa tuotepäällikkyydelle ja trendeille
Trendivetoisten tai uusien tuotteiden kohdalla tilanne on toinen. Niiden myynti riippuu kulttuurisesta ajoituksesta, mediahuomiosta ja varhaisista signaaleista, joita pelkkä historiallinen data ei vielä pysty ennustamaan. Käytännössä tämä tarkoittaa, että ostajat käyttävät vähemmän aikaa päätösten tekemiseen tutuista tuotteista ja enemmän aikaa vaikeamman kysymyksen parissa: mitä asiakkaat eivät vielä tiedä haluavansa – se osa työtä, joka vaatii makua, ei vain analyysiä, sanoo Farfetchin teknologiajohtaja Luis Carvalho.
"Uskomme asiakkaidemme yksilöllisen tyylin vahvistamiseen, emme sen sanelemiseen", Carvalho sanoo. Farfetchin personointimoottori hienosäätää sitä, mitä ostajat näkevät, tyylisignaalien eikä pelkän suosion perusteella. "Tekoälyn edistysaskeleet – datan käsittelystä ennustavaan mallinnukseen – auttavat meitä navigoimaan valtavissa tietomäärissä ja yhdistämään jokaisen asiakkaan verkostomme henkilökohtaisimpiin tuotteisiin."
Näihin edistysaskeliin kuuluu tekoälyn kyky käsitellä miljardeja signaaleja – kuten hakukäyttäytymistä, klikkausmalleja, tuotemetatietoja ja alueellisia ostotottumuseroja – nopeudella, johon ihmistiimit eivät pysty. Tekoälyn kyvykkyyksien kasvaessa muotialan aggregaattorimarkkinapaikka Lyst on siirtynyt laajoista luetteloluokituksista tyylitason suosituksiin, yhdistäen tuotteita yksittäisiin ostajiin maun, hintatietoisuuden ja tilaisuuden perusteella.
McQueenin pääkallo-huivi on viime aikoina tehnyt paluun muotitrendeihin useiden julkkishavaintojen ja Charli XCX:n käytettyä sitä Glastonburyn 2025 -esiintymisensä aikana.
Kuva: Shoot Digital for Style.com/ Getty Images
"Aiemmin tuotepäällikkyys oli vain sen päättämistä, mitkä kuusi tuotetta näkisit ensimmäisenä syötteessä", sanoo Miyon Im, Lystin tuotesuunnittelun ja toimituksen johtaja. "Mutta tekoälyn avulla voimme olla hienostuneempia – tyylittelyn, asukokonaisuuksien tai jopa tapahtumapohjaisten ehdotusten suhteen. Jos voimme käyttää tekoälyä luomaan jotain kuten toimistobileiden suositus, jossa jokainen osa tuntuu oikealta, koska ymmärrämme makusi, mieltymyksesi ja hintatietoisuutesi, se on tulevaisuutta."
Käytännössä tämä tarkoittaa, että Lystin tuotepäälliköt saavat säännöllisiä tietoraportteja, mukaan lukien tuotteet, jotka saavat epätavallista huomiota hauissa tai tallennuksissa. He tarkastelevat niitä sitten muotikontekstin kannalta ennen suosituksen tekemistä. Kun data näyttää piikkejä tietyissä väreissä tai tekstuureissa, sitä ei julkaista heti trendinä. Ihmisen on kysyttävä miksi: oliko se muotinäytöshetki, julkkishavainto vai kulttuuriviittaus? Vasta sitten se lisätään tuotepäällikkyyteen.
Datan ja intuition tasapainottaminen
Johtajat sanovat, että toistaiseksi tekoälyn potentiaalilla on rakenteellisia rajoituksia. Koneoppimismallit ovat yhtä luotettavia kuin data, jolla ne on koulutettu, ja muodin historialliset vinoumat – koossa, edustavuudessa, maantieteessä ja makuhierarkioissa – voivat helposti vahvistua eikä korjaantua. Jos mennyt myynti oli vinoutunut kapeisiin kokoluokkiin tai tiettyihin väestöryhmiin, nämä poissulkemiset eivät katoa koneoppimismalleissa – ne skaalautuvat. Asiantuntijat sanovat, ettei tekoäly vieläkään pysty korvaamaan kulttuurista älykkyyttä, intuitiota ja tarinankerrontavaistoa, jotka muovaavat muotia.
"Tekoäly on täällä, ja se on uskomaton työkalu työsi tehostamiseen", sanoo Julie Gilhart, muotikonsultti, joka vietti 18 vuotta ostopäätösten valvonnassa Barneys New Yorkissa. "Mutta todellinen taika tulee ihmisen intuitiosta – vaistonvaraisesta tunteesta, jota data yksinään ei pysty jäljittelemään. Brändit, jotka onnistuvat, antavat luovuuden johtaa, ja tekoäly vahvistaa visiota sen sijaan, että se korvaisi inhimillisen kosketuksen."
Kun brändit ottavat käyttöön enemmän datavetoisia työkaluja, Gilhart sanoo, että uusi rooli on syntymässä: tuotepäälliköt, jotka pystyvät muuttamaan analyyttiset signaalit luoviksi strategioiksi. "Sinun täytyy olla utelias", Shepherd sanoo. "Et tarvitse tietojenkäsittelytieteen taustaa, mutta sinun täytyy ymmärtää, miten teknologia toimii, jotta voit ratkaista ongelmia käyttäjille ja kumppaneille."
Usein kysytyt kysymykset
Tässä on luettelo usein kysytyistä kysymyksistä siitä, miten muotialan ostajat ja tuotepäälliköt sopeutuvat tekoälyn aikakauteen
Aloittelijatason kysymykset
1 Mitä tekoäly tarkalleen ottaen tekee muodin ostamisessa ja tuotepäällikkyydessä
Tekoäly analysoi valtavia tietomääriä, kuten mennyttä myyntiä, sosiaalisen median trendejä ja sääennusteita, ennustaakseen, mitä asiakkaat haluavat ostaa. Se auttaa päättämään, kuinka paljon varastoa tilataan, mitä tyylejä edistetään ja milloin tuotteita laitetaan alennukseen.
2 Korvaako tekoäly muotialan ostajat ja tuotepäälliköt
Ei. Tekoäly on työkalu, joka helpottaa heidän työtään, ei korvaa heitä. Se hoitaa toistuvaa numeroiden käsittelyä ja mallien tunnistamista, vapauttaen ostajat ja tuotepäälliköt keskittymään luoviin päätöksiin, neuvotteluihin toimittajien kanssa ja bränditarinoiden rakentamiseen.
3 Miten tekoäly auttaa muotitrendien ennustamisessa
Tekoäly skannaa miljoonia kuvia sosiaalisesta mediasta, muotinäytöksistä ja katutyylikuvista. Se tunnistaa nousevia värejä, siluetteja ja kuvioita paljon nopeammin kuin ihmistiimi, antaen ostajille etumatkaa trendiennustuksessa.
4 Mikä on suurin hyöty tekoälyn käytöstä tuotepäällikölle
Suurin hyöty on tarkkuus. Tekoäly pystyy ennustamaan kysyntää tietyille kooille, väreille ja myymälöille paljon vähemmällä hukalla. Tämä tarkoittaa vähemmän alennuksia myymättömistä vaatteista ja vähemmän loppuunmyynti-ilmoituksia suosituista tuotteista.
5 Täytyykö minun olla tekniikan asiantuntija työskennelläkseni tekoälyn kanssa ostajana
Ei lainkaan. Useimmat tekoälytyökalut on suunniteltu käyttäjäystävällisillä kojelaudoilla. Sinun täytyy ymmärtää, mitä kysymyksiä tekoälylle esittää, ei sitä, miten koodataan. Keskeinen taito on oppia tulkitsemaan tekoälyn suosituksia ja luottamaan niihin markkinatuntemuksesi perusteella.
Edistyneen tason kysymykset
6 Miten tekoäly muuttaa perinteistä ostokalenteriä
Tekoäly mahdollistaa ketterän ostamisen. Sen sijaan, että kaikki tilaukset tehtäisiin kuukausia etukäteen, ostajat voivat nyt käyttää tekoälyä testatakseen pieniä eriä reaaliajassa ja tilata sitten uudelleen myydyimpiä tuotteita välittömästi reaaliaikaisen myyntidatan perusteella. Tämä siirtää kalenterin jäykistä kausittaisista lanseerauksista jatkuvaan, reagoivaan uusien tuotteiden virtaukseen.
7 Voiko tekoäly auttaa kestävän kehityksen tavoitteissa tuotepäällikkyydessä
Kyllä, merkittävästi. Tekoäly optimoi varastotasoja vähentääkseen ylituotantoa – muotiteollisuuden suurinta hukkaongelmaa. Se voi myös ennustaa, mitkä materiaalit tulevat