Pressemeddelelse fra Alexandra Instituttet
Zliide fungerer ved, at man downloader en dertilhørende app, som snakker sammen med en digital udgave af den klassiske tøjalarm. Når man har fundet den vare, man vil købe, kan man på appen se information om produktet. Den intelligente alarmbrik låser automatisk op, når man har betalt med appen, og man kan dermed gå ud af butikken. Gevinsten er, at kunderne kan springe køen over, og samtidig får butikkerne adgang til data om kundernes adfærd, så de kan skabe mere personificerede shopping-oplevelser.
Ideen opstod for treethalvt år siden, da Morten Møgelmose, der er en af de fire grundlæggere, havde været en tur i London. Her havde han fundet en vare på nettet, men det tog ham alligevel 20 minutter før han kom ud af butikken. Oplevelsen satte i gang i ideudviklingen, og her endte de op med den intelligente alarmbrik.
Derefter er startup-rejsen gået hurtigt. De har rejst et tocifret millionbeløb fra forskellige investorer, herunder PreSeed Ventures og Nordic Eye. De er siden flyttet til Aarhus, og er gået fra fire til 16 ansatte.
“Det har været en spændende rejse, men også en udfordring som startup at skulle udvikle både mekanik, elektronik og front- og backend software på højt niveau,” forklarer Nikolai Lindholm, CTO hos Zliide.
Beriger data med deep learning
De er netop på trapperne med at lancere en mobil handelsplatform, hvor man som forbruger får nye anbefalinger til, hvad man ellers kan købe, når man kommer hjem fra den fysiske butik. En central del af handelsplatformen er en købsforslags-algoritme, der kombinerer maskinlæring og dataanalyse, som Alexandra Instituttet har hjulpet med at udvikle.
Meget af projektet med Alexandra Instituttet har bestået i at arbejde med det data, som Zliide har fra de fysiske butikkerne. Det gælder både data, hvor man kigger på produkter, der ligner hinanden (content based recommendation) samt data, hvor man kigger på kunder, der minder om hinanden (collaborative filtering).
En del af samarbejdet har også bestået i at berige data, fordi en af udfordringerne er, at dataene ikke altid er, som man vil have. Her har man brugt deep learning til at klassificere blandt andet tøjkategorier, farver samt hvilket køn tøjet er designet til.
Der har også været fokus på, hvilke faktorer, der spiller ind, når man laver en produkt anbefaling til en kunde. Er det pris, farve, mærke, kategori eller noget helt tredje, som spiller ind? Her er de forskellige faktorer blevet brugt til at tilpasse algoritmerne.
“Vi passer meget på, at vi ikke trækker nogle bestemte produkter ned over hovederne på vores brugere, fordi folk har deres egen stil. Derfor har vi også brugt meget tid på at finde ud af, hvilket niveau, som vi skal udvikle den her algoritme op til, før vi går live med den. Det ultimative er selvfølgelig at folk køber det produkt, som vi anbefaler. Men et klik er også en god start, fordi så kan du se, at nu rammer du rigtig i forhold til kunden,” forklarer han.
Ifølge Nikolai Lindholm har det især fungeret rigtig godt, at kombinere deres egen domæneviden om mode med specialistviden inden for maskinlæring og dataanalyse.
“Det har givet os mulighed for at gå i dybden med noget, som vi måske ikke ellers ville have gjort og samtidig fik vi nogle ekstra ressourcer ind som virkelig er specialister på det her område. For os har det givet os et godt udgangspunkt til at finde ud af, hvad vej vi skal gå med product recommendation,” forklarer han.
Fakta
Zliide Technologies er stiftet af Morten Møgelmose, Viktor Pedersen, Casper Schrøder og Nikolai Lindholm i 2016. Produktet består af en intelligent alarmbrik, der kombinerer fysisk shopping med online shopping på en mobil baseret platform.
Alexandra Instituttet har hjulpet med kompetencer inden for maskinlæring og dataanalyse. Samarbejdet er foregået i regi af projektet Innovativ Brug af Big Data, der er finansieret af Den Europæiske Regionalfond og Region Midt.
Læs hele pressemeddelelsen på Via Ritzau her: https://via.ritzau.dk/pressemeddelelse/zliide-lancerer-mobil-platform-der-forbinder-fysisk-og-online-tojhandel?releaseId=13584091
