Decathlon Interview zum Thema KI und DAM

« Die Fähigkeit der KI, den Inhalt der Bilder tatsächlich zu beschreiben, hat uns überrascht. » – Maxence Malak, Projektleiter DAM, DECATHLON

Für DECATHLON ist Sport ein ernsthaftes Geschäft. Genauso wie Bilder. Das spiegelt sich in seiner Digital Asset Management Plattform (DAM) mit mehr als 2 Millionen Assets wider. Mediendateien, die qualitativ und produktiv dokumentiert werden müssen.

Welche Rolle spielen Mediendateien in den Aktivitäten von DECATHLON? Können Sie einige Größenordnungen angeben?

Mediendateien, insbesondere Bilder, spielen eine wesentliche Rolle, da ein Produkt ohne Bild einfach nicht auf unsere E-Commerce-Seite gehört. Im Übrigen, während 80 Personen ca. 90% unserer Medien online stellen, besuchen fast 20.000 Personen jährlich PixL (das ist der Name, den wir unserer Digital Asset Management (DAM) Plattform gegeben haben), um ein Bild zu finden. Und das für die unterschiedlichsten Zwecke: externe oder interne Kommunikation, Online- und Offline-Geräte. Ca. 2000 Mediendateien werden dem DAM, das bereits mehr als 2 Millionen Assets enthält, jeden Tag hinzugefügt. Dies betrifft nur “Master-Assets”, zu denen jeweils die verschiedenen technischen Varianten hinzugefügt werden müssen. Diese Zahlen können einen schwindelig werden lassen, aber es sei daran erinnert, dass DECATHLON rund 100 Sportarten abdeckt und in 52 Ländern vertreten ist.

Als Sie 2017 die Verantwortung für das DAM übernommen haben, welches waren Ihre Hauptanliegen? 

Durch das Lesen der 150 Support-Tickets, die jeden Monat ausgestellt werden, konnten wir zwei zentrale Probleme identifizieren. Zum Einen ist die Zeit, die für die Ablage von Bildern benötigt wird, viel zu lang und belastet offensichtlich das tägliche Leben der Mitarbeiter, die diese Medien veröffentlichen. Am anderen Ende der Kette beschweren sich dann alle Benutzer über Suchen, die zu oft erfolglos sind. Wenig überraschend erwarten sie, dass PixL genauso leistungsfähig ist wie Google und das ist nicht der Fall.

Wie gehen Sie mit dem ersten Problem um, das sich auf die Zeit bezieht, die für die Ablage von Bildern benötigt wird?

Mit viel Automatisierung. Früher sind wir in 2 Phasen vorgegangen: Zuerst die Extraktion der Produktbaumstruktur aus dem PIM (Product Information Management), dann sein Import in PixL, die DAM-Plattform von Wedia. Bei diesem Prozess war es die Aufgabe des Nutzers in dieser Baumstruktur nach Metadaten zu suchen, um die Dokumentation seiner Medien zu erweitern. Langwierig und zeitaufwendig. Wir haben deshalb an einer wesentlich reibungloseren Synchronisierung zwischen PIM und DAM durch die Verwendung von APIs gearbeitet. Alles, was der Benutzer von nun an tun muss, ist, den Code des Produktmodells einzugeben, um etwa fünfzehn Metadaten automatisch hochzuladen. Der Benutzer muss diese Vorschläge nur noch bestätigen. Wir haben schnell bemerkt, dass enorme Gewinne erzielt wurden – in der Produktivität der Teams, in der Qualität der Metadaten und in der Annahme von PixL 

Das muss auch dazu beigetragen haben, die Suche erfolgreicher zu machen? 

Ja, aber es war noch nicht ausreichend. Um die Suche effizienter zu machen, haben wir uns Zeit genommen die Anfragen zu analysieren. Wir haben z.B. bemerkt, dass die Suchanfragen zum Thema Fußball viele Produktbilder hervorbrachten, während Benutzer in erster Linie Bilder aus der Welt des Fußballs erwarteten. Unter Berücksichtigung dieser Ergebnisse haben wir die Metadaten vereinfacht, um sogenannte “Autosuggestions” (Anmerkung der Redaktion: die von der Suchmaschine vorgeschlagenen Begriffe zum Vervollständigen einer Anfrage) besser zu berücksichtigen. Auch hier haben wir eine Verbesserung der Leistung festgestellt. Das Ergebnis der Arbeit an diesen beiden Themen, der Performance der Ablage und der Suche, zeigt sich in den beim Support eingegangenen Tickets: Sie sind von 150 pro Monat auf drei gesunken!

Digital Asset Management ist ein guter Spielplatz für künstliche Intelligenz. Haben Sie diese Möglichkeit bewertet?

Ja und das führte in diesem Jahr sogar zu einem ersten Proof of Concept (POC), der mit Wedia in der Azure Cloud realisiert wurde. Am Anfang dieses Projekts steht eine grundlegende Reflexion. Mit einer Synchronisierung zwischen dem PIM und dem DAM und auch durch eine enorme Arbeit, um die Baumstruktur unseres Angebots zu normalisieren, haben wir die Leistung von Produktbildern verbessert, um sie in das DAM zu übertragen und um sie zu finden. Aber was ist mit kontextuellen Bildern, die eine Verwendung veranschaulichen, bevor sie mit einem Produktmodell übereinstimmen? Wir haben uns folgende Fragen gestellt: Kann Künstliche Intelligenz (KI) ein Fahrrad und seine Nutzung erkennen? Zwischen einem City-Bike und einem Mountainbike unterscheiden? Ein bestimmtes Modell erkennen? Mit Hilfe des Wedia-Teams haben wir an den Top 10 Produkten wie Fahrräder, Unterwasser und Camping gearbeitet.

Mit welchen Ergebnissen?

Man kann sagen, dass wir positiv überrascht waren. Während die KI ein bestimmtes Produkt noch nicht identifizieren kann – wie wir vermutet haben – ist sie in der Lage, ein Bild zusammenzufassen. Und zwar ganz gut, denn es geschieht durch Assoziation. Wenn sie ein Fahrrad und einen Berg identifiziert, schlussfolgert sie, dass es ein Mountainbike ist. Besser noch, sie kann Beschreibungen wie „ein Mann neben einem Zelt, der Essen zubereitet“ erzeugen. Eine solche Anreicherung kann die Suche und Wiederverwendung von Bildern erheblich verbessern.

Genug um über den POC hinauszugehen?

Auch wenn wir noch in großem Rahmen den ROI eines Projekts festlegen müssen, haben wir für diesen Sommer das Go-Live einer ersten Reihe von KI-Services geplant. Die Ergebnisse sind ausreichend überzeugend, um den Einsatz von KI in unsere Roadmap aufzunehmen. Zumal wir wissen, wie wir die Leistung der KI im Laufe der Zeit garantieren können, wenn sich der Katalog weiterentwickelt – ein wichtiger Punkt. Tatsächlich hat Wedia nicht nur ein neuronales Netzwerk eingerichtet, sondern auch Schnittstellen zur Ausstattung des KI-Lernens. Konkret können Administratoren während des gesamten Content-Lebenszyklus die Erkennungen der KI sehr einfach bestätigen (oder für ungültig erklären) und ihr so beibringen, neue Objekte, neue Szenen und letztlich neue Produkte aufzunehmen.

Stellen Sie sich bereits weitere Einsatzmöglichkeiten der KI vor?

An Ideen mangelt es nicht. Es ist z.B. anzumerken, dass DECATHLON keine Models mehr für seine Fotos verwendet; in den meisten Fällen sind es unsere Mitarbeiter, die dargestellt werden. Ein Ansatz, der mit unserer Strategie “Mitarbeiter als Botschafter” stimmig ist. Aber wenn diese Mitarbeiter das Unternehmen verlassen, muss es natürlich möglich sein, die sie betreffenden Bilder zu löschen. Basierend auf den Portraits der Mitarbeiter, könnte die KI helfen, diese Art von rechtlichen Einschränkungen zu bewältigen.

Was sind kurzfristig die vorrangigen Projekte?

Wir werden an der Performance der Bilder arbeiten. Wie wirken sich Bilder auf die Verkäufe aus? Wie viele Bilder werden benötigt, um einen Verkauf zu konvertieren? Welche sind die effizientesten Arten von Bildern? Dies bedeutet, dass die Daten zwischen der Analyse unserer E-Commerce-Plattform und der des DAM korreliert werden müssen. Was den POC KI betrifft, so sollte dieses Projekt zu weiterer, guter Zusammenarbeit zwischen den Teams von Wedia und DECATHLON führen.

Entdecken Sie, wie DECATHLON die DAM-Lösung von Wedia verwendet und seine Marketinginhalte organisiert.



Demo anfordern
Newsletter abonnieren
Folgen Sie uns auf
Kontaktieren Sie uns
commodo Curabitur leo. Nullam consequat. mattis