Fabrikant van luxueuze lingerie gaat door digitale transformatie

Python0218

Van de Velde is een beursgenoteerd bedrijf dat luxueuze dameslingerie ontwerpt, produceert en verkoopt. Hun fundamenten zijn gebouwd op de sterke merken PrimaDonna, Marie Jo en Andres Sarda. PrimaDonna won begin dit jaar nog de Best Selling European Boutique Brand Award, en Marie Jo werd Belgian Fashion Brand of the Year. Naast hun thuismarkt België bedienen zij ook verschillende andere landen, onder andere via hun retail ketens Lincherie en Rigby & Peller. Van de Velde doorloopt momenteel een digitaal transformatietraject waarbij data als fundament van het Van de Velde powerhouse wordt gepositioneerd. Om in de toekomst nog beter aan de behoeften van hun klanten te kunnen voldoen, heeft de lingeriefabrikant meerdere data science projecten gelanceerd. Hun partner Python Predictions helpt hen hierbij op twee manieren.

“Het topic data wint sinds kort aan belang bij Van de Velde,” begint Kevin Heyman, sinds enige tijd actief als data scientist bij Van de Velde. “Om de digitale transformatie aan de hand van data een extra duw in de rug te geven, hadden we op korte termijn nood aan extra hulp. We zochten een ervaren partij die zelfstandig projecten kan opnemen, maar ook onze eigen mensen kan trainen en coachen bij de lopende data science projecten. Na een uitgebreide zoektocht vonden we in Python Predictions de ideale partner. Niet enkel hebben ze relevante kennis en ervaring in verschillende data science domeinen, daarnaast zijn ze ook bedreven in het trainen en coachen van data scientists. Begin dit jaar gingen we dan ook met hen aan de slag voor het bouwen van een recommender system. De eerste resultaten zijn reeds geboekt.”

Recommender system
“Vrouwen die nieuwe lingerie kopen, stappen moeilijk uit hun comfort zone en kopen vaak lingerie in de stijl of maat die ze gewoon zijn,” zegt Kevin Heyman. “Vrouwen elke dag opnieuw inspireren en empoweren met onze lingerie, dat is de missie van Van de Velde. Wij geloven dat we daar ook met data een significante bijdrage aan kunnen leveren. Om vrouwen gerichter en meer gevarieerd stijladvies te kunnen geven, wouden we een recommender system opstellen dat de klant en styliste ondersteunt bij het kiezen van de geschikte lingerie. Net zoals Netflix zijn kijkers helpt om een goede film of serie te kiezen gebaseerd op wat de kijker in het verleden zag, kunnen we bij Van de Velde lingerie aanbevelen.”

Intuïtieve aanpak
“Er zijn verschillende manieren om een recommender system te bouwen,” zegt Nele Verbiest. “We hebben de mogelijkheden overlopen en samen met Van de Velde gekozen voor de meest intuïtieve aanpak waarbij we stylisten, designers, verkopers en andere medewerkers al in een vroeg stadium konden betrekken. Dit is belangrijk om de waarde van data meer zichtbaar te maken.” Kevin Heyman: “Data heeft soms een minder positieve bijklank. Op basis van de tussentijdse uitkomsten konden we onze collega’s meteen toepassingen aanbieden binnen hun eigen werkgebied, waardoor data aan populariteit wint.”

“In deze fase van het project werd de waarde van de coaching onmiddellijk duidelijk. Dankzij de expertise van Nele, was ik in staat om dit recommender system zelf te ontwikkelen en te implementeren,” zegt Kevin Heyman. Nele Verbiest: “Een andere mogelijkheid was geweest dat ik het project zelf opnam, maar door dit probleem als coach aan te pakken was Van de Velde in staat om kennis in house op te bouwen.”

Het recommender system werd ondertussen al een eerste keer getest door middel van een e-mailcampagne, met positieve resultaten. “We merkten een significant verschil tussen de test- en controlegroep, wat ons duidelijk aangeeft dat we een eerste stap hebben gezet in de goede richting. Op dit moment werken we aan de volgende bouwsteen van dit project,” aldus Kevin Heyman.

Innovatief
En deze bouwsteen is volgens Kevin Heyman zeer innovatief. “Om de kwaliteit van onze aanbevelingen verder te verbeteren, wouden we de informatie verscholen in onze productafbeeldingen niet onbenut laten. Met de kracht van deep learning kunnen we deze informatie naar boven halen. Toen we ons voorstel voorlegden aan Python Predictions waren zij meteen mee met ons verhaal en slaagden zij erin om ons te challengen op belangrijke punten.” Nele Verbiest: “Onze aanbevelingen zijn gebaseerd op gegevens uit het verleden. In de fashion sector, dus ook bij Van de Velde, vernieuwt bij de start van elk seizoen een groot deel van de aangeboden collectie, wat het moeilijk maakt om bij de seizoenswissel relevante aanbevelingen te geven. We ontwikkelden samen een methode die toelaat om op basis van productafbeeldingen producten uit een oud seizoen te koppelen aan producten uit het nieuwe seizoen.” Kevin Heyman: “We slagen erin om met grote nauwkeurigheid de link tussen oude en nieuwe seizoenen te leggen, wat ons het nodige vertrouwen geeft dat in deep learning toegevoegde waarde schuilt om ons recommender system te optimaliseren. Binnenkort zullen we deze hybride aanpak verder testen en de ontwikkeling finaliseren.”

Voor Python Predictions was dit project een zeer waardevolle ervaring. “De complexiteit van de fashionsector en de seizoensgebonden collecties maakten van dit project een uitdaging waarbij wij onze sterktes als partner duidelijk naar voor konden brengen,” aldus Nele Verbiest. Kevin Heyman: “Deze case vereiste innovativiteit en out of the box denken. Wij zijn heel tevreden met het resultaat alsook over de samenwerking met Python Predictions.”

Geef als eerste een reactie

Geef een reactie

Uw e-mailadres wordt niet gepubliceerd.


*