Η Sandra Greiss στο γραφείο Lyst. Φωτογραφία: Λιζ Γκρεγκ
Στη μακροχρόνια σειρά μας, "Πώς τα καταφέρνω" μιλάμε με ανθρώπους που ζουν στη βιομηχανία της μόδας για το πώς μπήκαν και βρήκαν επιτυχία.
Όταν επισκέπτεστε Lyst και κατά λάθος να γράψετε λάθος ένα όνομα σχεδιαστή ή τη λέξη "mules", ο ιστότοπος θα εμφανίσει μια σελίδα με αυτόματη διόρθωση του σφάλματος ή εάν αρχίσετε να πληκτρολογείτε "ψηλόμεσο τζιν" στη γραμμή αναζήτησης, Lyst.com θα συμπληρώσει προβλέψιμα το υπόλοιπο ερώτημά σας προτού το κάνετε, όπως ένα Google που θέλει τη μόδα. Όλες αυτές οι λεπτές, βολικές λεπτομέρειες οφείλονται εν μέρει στην επιστήμονα δεδομένων Sandra Greiss, η οποία εργάζεται στο τμήμα μηχανικής της εταιρείας από το 2014.
Με την εκπαίδευση του Greiss - πτυχίο φυσικής από το Παρίσι και μεταπτυχιακό και Ph. D. στην αστρονομία και την αστροφυσική από το Ηνωμένο Βασίλειο-μια πορεία προς τον ακαδημαϊκό χώρο ή μια δουλειά στα οικονομικά φαινόταν ως το ασφαλέστερο στοίχημα από καριέρα. «Ποτέ δεν πίστευα ότι θα καταλήξω στη βιομηχανία της μόδας», λέει ο Greiss. «Οι περισσότεροι φυσικοί δεν το κάνουν και για να είμαι ειλικρινής, είναι πολύ απογοητευτικό. Είναι υπέροχο που προσπαθούμε να επισημάνουμε ότι υπάρχουν τόσα πολλά που μπορείτε να κάνετε με τις ικανότητές σας ».
Μιλήσαμε με τον Greiss για τον ρόλο της στο Lyst, γιατί η επιστήμη των δεδομένων είναι σημαντική για τη μόδα και πώς μπορείτε επίσης να βρείτε δουλειά στον κλάδο κάνοντας μια όχι και τόσο παραδοσιακή συναυλία μόδας.
Τι ακριβώς κάνετε ως επιστήμονας δεδομένων στο Lyst;
Βασικά χρησιμοποιούμε δεδομένα - πολλά από αυτά - για να δημιουργήσουμε αλγόριθμους και μοντέλα για να εκπαιδεύσουμε έναν υπολογιστή να κάνει πολλά βασικά πράγματα που μπορείτε να αποκτήσετε ως άνθρωποι. Σε αυτή την περίπτωση, με εκατομμύρια προϊόντα στο Lyst, το χρειάζεστε. Μπορούμε να ταξινομήσουμε ή να προβλέψουμε κάτι, ανάλογα με το πρόβλημά σας. Πείτε, στην περίπτωσή μας, έχουμε εικόνες προϊόντων και βασικά κατασκευάζουμε ένα μοντέλο και εκπαιδεύουμε έναν υπολογιστή για να μπορεί να ανιχνεύει πράγματα σχετικά με τα προϊόντα. Πρόσφατα, καταφέραμε να καταλάβουμε τα στυλ, είτε πρόκειται για τσάντα είτε για παπούτσια. Το τελευταίο πράγμα που προσπαθώ να δουλέψω είναι να πάρω ένα μοντέλο για να ανιχνεύει υλικό από μια εικόνα, είτε πρόκειται για δερμάτινο μπουφάν είτε για τζιν τζιν.
Τι μαθαίνει ο Lyst από την επιστήμη των δεδομένων;
Το Lyst είναι μια πλατφόρμα ηλεκτρονικού εμπορίου, συνεπώς συγκεντρώνει εκατομμύρια προϊόντα από high-end έως high-street μάρκες. Χρησιμοποιούμε κυρίως την επιστήμη δεδομένων για να βεβαιωθούμε ότι προτείνουμε τα πιο συναφή προϊόντα στους χρήστες μας, ανάλογα με το τι κάνουν κλικ και από πού προέρχονται στον ιστό. Δεδομένου ότι υπάρχει ένας τεράστιος αριθμός προϊόντων στη βάση δεδομένων μας, θέλουμε να προσαρμόσουμε την εμπειρία του χρήστη μας σύμφωνα με κάθε μία από τις ανάγκες τους, η οποία θα μπορούσε να είναι μέσω της εξατομίκευσης της ιστοσελίδας για κάθε μία χρήστης.
Πώς ήταν η διαδικασία της συνέντευξης για να αποκτήσετε τη δουλειά που έχετε τώρα;
Κάνετε ένα τεστ κωδικοποίησης για να δείξετε τις ικανότητές σας στην κωδικοποίηση και εάν καταλαβαίνετε τα βασικά πράγματα. Αλλά ο τύπος του τεστ εξαρτάται από το επίπεδο για το οποίο υποβάλλετε αίτηση, οπότε όσο πιο ανώτερο είστε, τόσο πιο περίπλοκες θα είναι οι ερωτήσεις. Το τεστ κωδικοποίησης θα σας ζητήσει να γράψετε ένα κομμάτι κώδικα και να εξηγήσετε τι τείνετε να κάνετε μετά από αυτό, το οποίο επιτρέπει στους στρατολόγους να δουν πώς αντιμετωπίζετε τα προβλήματα και τα τυπικά ζητήματα ως επιστήμονας δεδομένων. Η δική μου συνέντευξη ήταν λίγο ανεπίσημη, οπότε η δοκιμή έγινε σε λευκό πίνακα - τώρα, είναι σε υπολογιστή. Στην πραγματικότητα δεν κατάφερα να το καταλάβω, αλλά τους άρεσε ο τρόπος με τον οποίο αντιμετώπιζα το πρόβλημα. Μπορούσαν ακόμα να δουν τι είδους άνθρωπος ήμουν.
Το γραφείο Lyst στο Λονδίνο. Φωτογραφία: Lyst
Για ποια έργα είστε περισσότερο περήφανοι;
Για μένα προσωπικά, τα πιο συναρπαστικά έργα στα οποία δούλεψα ήταν αυτόματη συμπλήρωση και αυτόματη πρόταση. Καλούμε την αναζήτηση για κάτι στον ιστότοπο και προσπαθεί να μαντέψει τι αναζητούν οι χρήστες μας. Αυτό είναι ένα έργο που μου δόθηκε το περασμένο καλοκαίρι να το κάνω μόνος μου από την αρχή μέχρι το τέλος, το οποίο είναι συναρπαστικό. Πίστευα ότι ήταν μια καλή πρόκληση με την έννοια ότι μαθαίνω πολλά πράγματα και μετά το βλέπω ζωντανό.
Εάν κάνατε ορθογραφικό λάθος στην αναζήτησή σας, δεν θα μπορέσουμε να επιστρέψουμε αποτελέσματα αν δεν είχαμε γράψει σωστά το σωστό ερώτημα αναζήτησης. Δημιουργήσαμε λοιπόν μια υπηρεσία που ονομάζεται "Το εννοούσατε αυτό;" για τη διόρθωση ορθογραφικών λαθών. Αυτό είναι κάτι άλλο που επίσης έχτισα.
Πόσο διαρκούν συνήθως αυτά τα έργα;
Χρειάζονται περίπου δύο έως τρεις μήνες από την αρχή έως το τέλος για να ολοκληρωθούν, επειδή η συλλογή των δεδομένων απαιτεί χρόνο, και στη συνέχεια το καθαρίζετε και χτίζετε το μοντέλο και βρίσκετε διαφορετικούς τρόπους προσέγγισης του προβλήματος ως Καλά. Η ταχύτητα κάνει τεράστια διαφορά. βρίσκοντας κάτι που θα αποδίδει καλύτερα και γρηγορότερα.
Τι συμβουλή θα δίνατε σε κάποιον που ενδιαφέρεται για μια παρόμοια επαγγελματική πορεία;
Το θέμα είναι ότι δεν είναι ακατόρθωτο. Έχουμε μηχανικούς που βασικά πέρασαν από μαθήματα 12 εβδομάδων σε δουλειές αμέσως μετά από αυτό. Αν σας ενδιαφέρει, έχετε συναντήσεις και διαδικτυακά μαθήματα. Είναι υπέροχο που υπάρχουν τόσα πολλά ανοιχτά μαθήματα τώρα για να σας διδάξουν τον κώδικα και να κατανοήσετε τις έννοιες πίσω από αυτό.
Η Sandra Greiss στο γραφείο Lyst. Φωτογραφία: Liz Gregg
Γιατί η επιστήμη των δεδομένων είναι σημαντική για τη βιομηχανία της μόδας γενικότερα;
Πολλές μεγάλες μάρκες μόδας διαθέτουν πλατφόρμες ηλεκτρονικού εμπορίου, οι οποίες δημιουργούν πολλά δεδομένα για να αξιοποιήσουν οι επιστήμονες δεδομένων. Χρησιμοποιούμε την επιστήμη δεδομένων για να κατανοήσουμε τις ανάγκες του πελάτη και να μελετήσουμε τη συμπεριφορά του. Αυτό είναι ζωτικής σημασίας για τη βιομηχανία της μόδας επειδή οι μάρκες είναι σε θέση να αυξήσουν τις πωλήσεις με καλύτερες υπηρεσίες που προβλέπουν τις ανάγκες και βοηθούν τους πελάτες τους να βρουν αυτό που ψάχνουν. Η επιστήμη δεδομένων χρησιμοποιείται επίσης για να προβλέψει τη διάρκεια ζωής ενός προϊόντος στον ιστότοπο και να συμβουλεύσει τους πελάτες πόσο πιθανό είναι τα προϊόντα να ξεπουληθούν σύντομα. Αυτό βοηθά τον λιανοπωλητή να προβλέπει - να εκτιμά πόσα φορέματα θα παράγει και θα αποστέλλει σε μια δεδομένη αγορά, κάτι που είναι ζωτικής σημασίας για κάθε επιχείρηση.
Ποια άλλα παραδείγματα επιστήμης δεδομένων εφαρμόζονται στη βιομηχανία της μόδας;
Οι μεγάλες εταιρείες μόδας θα έχουν δεδομένα για τις πωλήσεις τους όχι μόνο στο διαδίκτυο αλλά και στα καταστήματα, και αυτά τα δεδομένα μπορούν να χρησιμοποιηθούν για να προβλέψουν τη ζήτηση προϊόντων, να εκτιμήσουν τις ανάγκες των μετοχών και τις τιμές. Μπορεί επίσης να προβλέψει τα ρούχα ενός πελάτη μεταξύ πολλών δημοφιλών εμπορικών σημάτων: Συλλέγοντας δεδομένα σχετικά με τις μετρήσεις των ανθρώπων και τι μεγέθη φορούν κάθε μάρκα, μπορεί να κατασκευαστεί ένα μοντέλο για να προβλέψει το μέγεθος που πρέπει να έχετε για ένα συγκεκριμένο, το οποίο είναι πολύ χρήσιμο αφού τα περισσότερα προϊόντα επιστρέφονται λόγω κατάλληλος.
Ένα άλλο εξαιρετικό παράδειγμα χρήσης της επιστήμης δεδομένων για τη μόδα είναι μέσω ενός προγράμματος που ονομάζεται Deepomatic, η οποία χρησιμοποιεί εικόνες fashion bloggers και συνδέει τα είδη με το πού μπορούν να αγοραστούν.
Ποια πιστεύετε ότι είναι μια κοινή παρανόηση όταν πρόκειται για τη δουλειά σας;
Πολλοί άνθρωποι βρίσκουν έκπληκτο το γεγονός ότι οι γυναίκες κάνουν αυτή τη δουλειά - όχι ακριβώς στο Lyst επειδή έχουμε καλή ισορροπία - αλλά γενικά και εκτός μόδας. Είναι κάτι που το πιέζω πολύ. θα ήταν υπέροχο να αποκτήσουμε περισσότερες γυναίκες στον κόσμο της τεχνολογίας. Θα πρέπει να ξεκινήσει με την ενθάρρυνση των κοριτσιών στο σχολείο να σπουδάσουν πληροφορική ή οποιαδήποτε επιστήμη. Είναι εντάξει να το κάνετε αυτό και εντάξει να είστε επιστήμονας δεδομένων. Στην πραγματικότητα είναι κάτι παραπάνω από εντάξει, είναι πραγματικά δροσερό αυτή τη στιγμή. Διάβασα μέσα Επιχειρηματική κριτική του Χάρβαρντ ότι είναι η πιο σέξι δουλειά του αιώνα και η καλύτερη δουλειά που είχατε το 2016.
Η επιστήμη των δεδομένων είναι ο τομέας της μηχανικής μάθησης ή της τεχνητής νοημοσύνης, οπότε είναι εξαιρετικά συναρπαστική στιγμή για να γίνεις μέρος του γιατί μπορεί να αξιοποιηθεί με πολλούς τρόπους, ειδικά στη μόδα βιομηχανία. Δεν σταματά εκεί και πιθανότατα δεν θα επιβραδυνθεί σύντομα. Αλλάζει τον κόσμο της μόδας.
Αυτή η συνέντευξη έχει επεξεργαστεί και συμπυκνωθεί.
Θέλετε περισσότερη Fashionista; Εγγραφείτε στο καθημερινό μας ενημερωτικό δελτίο και στείλτε μας απευθείας στα εισερχόμενά σας.