Una de las razones por las que la salida a bolsa de Stitch Fix se volvió tan popular entre las compradoras es la forma en que combina la conveniencia de probarse ropa y accesorios en casa con un servicio de estilo personal que se adapta a sus gustos con el tiempo. Pero a menudo, los estilistas personales aportan sus propias opiniones subjetivas sobre la moda a sus clientes. Una nueva startup llamada Lirio tiene como objetivo ofrecer un servicio más personalizado que tenga en cuenta no solo lo que está de moda o lo que se ve bien, sino también cómo se sienten las mujeres acerca de sus cuerpos y cómo la ropa adecuada puede afectar esas percepciones.
La compañía ahora ha cerrado con $ 2 millones en fondos iniciales de NEA y otros inversores para desarrollar aún más su tecnología, que hoy implica una aplicación de iOSaplicación web y plataforma API que los minoristas pueden integrar con sus propios catálogos y escaparates digitales.
Para comprender mejor las preferencias personales de una mujer en torno a la moda, Lily utiliza una combinación de algoritmos y técnicas de aprendizaje automático para recomendar ropa que le quede bien, le quede bien y la haga sentir bien.
Al principio, Lily le hace al usuario algunas preguntas básicas sobre el tipo de cuerpo y las preferencias de estilo, pero también pregunta a las mujeres cómo perciben su cuerpo.
Por ejemplo, si Lily pregunta sobre la talla de sostén, no solo preguntará la talla que usa una mujer, sino también cómo piensan sobre esta parte del cuerpo.
“Estoy bien dotada”, podría responder una mujer, incluso si solo tiene una B completa o una C más pequeña, lo cual no es necesariamente la realidad. Este tipo de respuesta ayuda a enseñar a Lily cómo piensa la mujer sobre su cuerpo y sus diversas partes, para ayudarla a elaborar sus recomendaciones. Esa misma mujer puede querer minimizar su pecho, o puede gustarle mostrar su escote, puede decir.
Pero a medida que busca las recomendaciones de Lily en esta área, el servicio aprende qué tipo de artículos elige realmente la mujer y luego se adapta en consecuencia.
Este enfoque en comprender los sentimientos de las mujeres sobre la ropa es algo que distingue a Lily.
“Las mujeres buscan prendas que destaquen las partes de su cuerpo con las que se sienten más cómodas y oculten las que las hacen sentir inseguras”, explica la cofundadora y directora ejecutiva de Lily. Purva Gupta. “Un cliente toma una decisión basándose en si un corte específico ocultará su barriga o minimizará una característica que no le gusta. Sin embargo, las tiendas no hacen nada para guiar a las mujeres hacia estas preferencias ni se toman el tiempo para comprender las razones detrás de sus selecciones”, dice.
A Gupta se le ocurrió la idea de Lily después de mudarse a Nueva York desde la India, donde se sintió abrumada por la cultura de compras extranjera. Estaba rodeada de tantas opciones, pero no sabía cómo encontrar la ropa que le quedara bien, o aquellos artículos que la hicieran sentir bien al usarlos.
Se preguntó si su intimidación era algo que también sentían las mujeres estadounidenses, no solo las inmigrantes como ella. Durante un año, Gupta entrevistó a otros y les hizo una pregunta: ¿qué los impulsó a comprar la última prenda que compraron, ya sea en línea o fuera de línea? Aprendió que esas elecciones a menudo eran provocadas por emociones.
Sin embargo, ser capaz de crear un servicio que pudiera combinar la ropa adecuada en función de esos sentimientos fue un gran desafío.
“Sabía que este era un problema muy difícil y que era un problema tecnológico”, dice Gupta. “Solo hay una forma de resolver esto a escala: usar tecnología, especialmente inteligencia artificial, aprendizaje profundo y aprendizaje automático. Eso me ayudará a hacer esto a escala en cualquier tienda”.
Para entrenar los algoritmos de Lily, la empresa pasó dos años y medio construyendo su colección de más de 50 millones de puntos de datos y analizando más de un millón de recomendaciones de productos para los usuarios. El resultado final es que una prenda de ropa individual puede tener más de 1000 atributos asignados, que luego se utilizan para compararlos con los miles de atributos asociados con el usuario en cuestión.
“Este nivel de detalle no está disponible en ninguna parte”, señala Gupta.
En la aplicación de Lily, que funciona como una especie de demostración de la tecnología disponible, los usuarios pueden comprar recomendaciones de 60 tiendas, que van desde Forever 21 hasta Nordstrom, en términos de precio. (Lily hoy genera ingresos de afiliados a partir de las ventas).
Además, la compañía ahora está comenzando a probar su tecnología con un puñado de minoristas en sus propios sitios, detalles que planea anunciar dentro de unos meses. Esto permitirá a los compradores obtener recomendaciones únicas y personalizadas en línea que también podrían traducirse a la tienda fuera de línea en forma de artículos reservados que lo esperan cuando sale de compras.
Aunque son los primeros días para Lily, su hipótesis está demostrando ser correcta, dice Gupta.
“Hemos visto tasas de conversión de entre 10x y 20x”, afirma. “Eso es lo que es muy emocionante y prometedor, y por qué estos grandes minoristas nos hablan”.
Las pruebas piloto se pagan, pero los detalles de precios del servicio de Lily para minoristas aún no están grabados en piedra, por lo que la compañía se negó a hablar sobre ellos.
La puesta en marcha también fue co-fundada por CTO Sowmiya Chocka Narayanan, anteriormente de Box and Pocket Gems. Ahora es un equipo de 16 a tiempo completo en Palo Alto.
Además de NEA, otros patrocinadores incluyen Global Founders Capital, Triplepoint Capital, Think + Ventures, Varsha Rao (Ex-COO de Airbnb, COO de Clover Health), Geoff Donaker (Ex-COO de Yelp), Jed Nachman (COO, Yelp ), Unshackled Ventures y otros.
Source link