Все материалы Форума: карта рисков и возможностей
Литературная расшифровка первой сессии Форума Альянса Beinopen × НИУ ВШЭ. Речь участников сохранена близко к исходной; заголовки добавлены для навигации.
Презентации: Алексей Баженов и Алина Цуцу — «Индустриальный ИИ»; Ольга Родькина — «Антропометрическое разнообразие женских фигур».
Участники:
- Алексей Баженов, руководитель Центра компетенций Альянса;
- Алина Цуцу, эксперт и консультант по управлению бизнесом в модной индустрии, соразработчик индустриального ИИ;
- Елена Тищенко, доцент кафедры экономики инноваций МГУ;
- Ольга Родькина, основатель и генеральный директор школы конструирования Grasser.
Архитектура индустриального ИИ и сеть профессиональных ролей
Алексей Баженов: Приятно видеть всех, кто сегодня здесь собрался, и дать возможность участникам взаимодействовать друг с другом. Для меня это очень важный день. Я много времени провёл в диалоге с персональным помощником на основе искусственного интеллекта, и многое из того, что здесь происходит, сделано в совместной работе с ним.
Мир переживает момент, который больше не повторится. Поэтому мы так быстро запускаем мероприятие 9 сентября. Оно становится точкой сбора людей, ролевых конструкций, описаний бизнеса, Свода знаний и многих других элементов системы. Я измеряю результат сегодняшней работы так: важно, чтобы каждый участник сделал с кем-то хотя бы один небольшой совместный проект и чтобы этот проект получился. Надеюсь, в течение дня такой нетворкинг будет складываться.
А пока я расскажу, что сейчас происходит, что такое индустриальный искусственный интеллект в моде и как мы вместе с ИИ, экспертами и их персональными помощниками собираем систему.
В каком-то смысле мы делаем то, что когда-то делали пять или шесть отраслевых НИИ: НИИ шерсти и другие исследовательские институты. Только теперь все мы понемногу вместе пытаемся систематизировать и стандартизировать отрасль. Первый доклад сегодня будет немного научным. Дальше будет много практики, потому что практика и нетворкинг остаются нашей основной задачей.
Почему это особенно актуально сейчас? Рынок сокращается. Точнее, с него уходят около 20 тысяч компаний: по данным одной из компаний, работающих с цепочками поставок, их количество уменьшилось примерно с 70 до 50 тысяч. Мы видим, что многие находятся под ударом. Компании размера M становятся компаниями размера S, сокращают персонал, закрываются или не понимают, что делать дальше. И это будет продолжаться, потому что системе ещё предстоит пересобраться.
Что работает в такие периоды, похожие на 1990-е? Кооперативы. При этом сильные компетенции могут удерживать в основном компании с оборотом от миллиарда рублей в год. Они способны сохранять сильный C-level и профессиональные команды. У всех остальных возникает кризис компетенций. Компания сокращается: раньше в ней были директора, а теперь остаются менеджеры. Был оборот 500 миллионов рублей, стал 200 миллионов, если компания не успела перестроиться.
Ситуация становится очень сложной, и управлять ею не всегда может даже директор, хотя у него больше опыта, чем у менеджера. Одновременно есть около двух тысяч новых растущих компаний, которые нужно быстро развить от XS к S, от S к M и дальше. Им нужны кооперация, быстрые решения и данные. Поэтому первое выступление посвящено архитектуре системы. Я покажу, как она разрабатывалась, а Алина Цуцу расскажет, как эта архитектура работает на практике.
Работа над архитектурой начинается с картины мира, с онтологии. Онтология в нашем случае – это сквозной учебник, который касается и швей, и стилистов. Если нет общего текста, который относится и к тем, и к другим, они существуют как разные отрасли и не кооперируются. Наша задача состояла в том, чтобы проработать архитектуру всей индустриальной экосистемы.
Мы смотрим, как марка проходит стадии XS, S, M и L: увеличивается количество людей, растёт сложность, появляются владельцы функций, увеличивается объём бизнеса. Марка взята за основу системы, но она не является единственной описанной в Своде знаний ролью. Мы опираемся на марку потому, что одна её часть представляет собой информационный и медиапродукт, индустрию влияния, другая – материальный продукт и производство, третья – продажи.
К этому позвоночнику марки присоединяются участники, которые используют в работе общий набор документации, чатов, программ, PLM-систем и профессиональных стандартов. Возник вопрос: как выбрать профессиональные роли, описать их и отделить друг от друга?
Мы исходили из марки размера M с оборотом примерно 200–500 миллионов рублей. Сейчас это наш основной фокус: компании размера S стремятся вырасти до M. В компании такого уровня может быть около 15 штатных сотрудников и много специалистов, которые подключаются извне: стилисты, маркетологи и другие участники композитной команды.
Свод знаний было относительно просто описать как набор уже существующих документов. Мы давно с ними работаем, основная документация собрана и продолжает дополняться. Гораздо сложнее оказалось перейти на уровень профессиональных ролей. Эта работа ещё продолжается. На основе большого количества бесед и текстов мы выделили 64 роли. Они также распределяются по позвоночнику марки, по зонам KA1, KA2, KA3, KA4, KA5 и KA6, и образуют сеть.
Главная идея состоит в том, что мы растим сети уровней XS, S и M и помогаем им двигаться дальше. Марка существует не сама по себе, а сразу в полной цепочке, вплоть до стилистов, которые, например, обеспечивают часть продаж в Trend Island.
Мы сразу пилотируем систему. Мы не просто описываем 64 роли, а получаем обратную, в том числе негативную, связь и дорабатываем модель. Главный критерий обратной связи – уровень вовлечения и практический результат. Если человек вошёл в систему, а его бизнес не вырос, значит, этого недостаточно. Мы трансформируем и дообучаем систему, после чего материалы появляются в закрытой или открытой библиотеке.
Что такое индустриальный искусственный интеллект? Мы все будем пользоваться интернетом, покупать товары и получать информацию. Раньше мы заходили на сайт, затем пользовались поисковиками и приложениями. Следующим способом входа в интернет станет персональный помощник. Сайты уже начинают превращаться в персональных помощников.
Если мы входим в интернет через такого помощника, должен существовать личный контур, семейный контур, в котором мы делимся другой информацией, индустриальный контур и контур компании. При этом помощник всё равно остаётся персональным и связанным с конкретным человеком.
Важный момент состоит в том, что базовой единицей создаваемой нами системы является индивидуальное рабочее место профессиональной роли.
В индустриальном искусственном интеллекте можно выделить три слоя. Первый – открытые знания: Свод знаний по управлению бизнес-процессами, сотни документов и другие материалы. Их можно изучать и использовать для координации. Свод постоянно обновляется и тестируется на курсах в НИУ ВШЭ и РАНХиГС. Мы постепенно подключаем других участников, в том числе конструкторов. Общий Свод показывает в открытом формате, как существует отрасль.
Авторами Свода остаются люди: эксперты, которые публикуют материалы, рассказывают о своей практике и делятся знаниями. Владельцами авторских прав являются те, кто вносит эти данные. Открытый слой включает Свод знаний, роли, документы и кейсы.
Второй слой – доверенная среда для резидентов, подписавших оферту. К этим участникам больше доверия, потому что между людьми существует договорной инструмент. Сегодня наука и юриспруденция отстают от развития ИИ. Особенно сложно описать авторские права в ситуации совместного творчества человека и модели. Пока правовое регулирование меняется, взаимодействие можно удерживать с помощью оферты между конкретными людьми. Это наша рабочая гипотеза.
В доверенной среде публикуются рабочие встречи и переговоры. Например, после разговора с универмагом «Ленские столбы» можно узнать, что в августе туда приезжают за покупками жители разных районов Якутии, а российские марки обычно поставляют зимние вещи только в сентябре. Эта информация позволяет уже сегодня начать планировать поставку на следующий август.
Пока такой обмен происходит на уровне блога. В дальнейшем мы хотим, чтобы система могла обмениваться структурированной информацией.
Третий слой – локальное рабочее место. В нём есть персональная часть и библиотека. Библиотека является частью стандарта: она позволяет систематизировать личные знания и одновременно даёт человеку знания его роли. При этом система чётко ограничивает использование личных данных: их нельзя забирать в общий обмен.
Общее знание помогает координации, но решения и данные остаются внутри контура компании. Компания сама определяет, чем она готова делиться, и настраивает этот режим.
Так продолжается работа Центра компетенций. Одна из её основных логик связана с проектированием жизненного цикла и PLM. Это также создаёт выход к разговору с инвесторами, который состоится сегодня вечером.
В этой схеме мы работаем уже три года. Елена Тищенко с экономического факультета МГУ и Максим Славянцев показали её нам на Московском экономическом форуме и предложили двигаться в этом направлении.
За это время радикально изменились возможности цифровых двойников объектов и обмеров населения. Это значительный вклад в развитие всей системы и современный аналог координирующей функции стандартов. Ростовые и полнотные группы в разных регионах сильно изменились.
Также важны BIM-модели процессов и связей. Коллеги показали нам схему из проектирования для Росатома и строительной отрасли. В нашей модели место BIM занимают библиотека ИИ и Свод знаний как открытый стандарт. Каждый может взять этот стандарт, использовать его в коммерческой работе и на его основе дообучать собственные модели.
Мы стремимся гармонизировать и координировать 64 профессиональные роли: швею, закройщика и других участников отрасли. Часть знаний берём из открытого доступа. Например, компания Stylon, которая сегодня также будет выступать, работает примерно с 250 фабриками на своей ERP-системе. Компания знает необходимые документы и стандарты и открывает их. Эти материалы становятся частью общего стандарта, который затем можно совместно дорабатывать. С помощью ИИ эта работа выполняется достаточно оперативно.
Мы также смотрим, как марка проходит этот маршрут. После проекта в Якутии, где многие показатели выросли в два-три раза, марка Knit&Fit продолжила работу с Алиной Цуцу. Получилась композитная команда: марка пригласила эксперта. Теперь существует описанный кейс, и следующая марка может прийти с запросом на его повторение. Пока это не автоматический обмен данными, а обмен информацией на уровне блога. Но если мы видим изменения в цифрах, значит, система работает.
Индустриальный искусственный интеллект, который мы строим, – это не система без человека. Это система с человеком, в которой результат сохраняется в цифровой среде.
Сейчас мы дозрели до большого проекта: объединить 30 марок и 30 фабрик и провести пилот. Этому будет посвящена значительная часть сегодняшней программы. Первая часть – индустриальный искусственный интеллект как инструмент координации. Вторая – связка марок и фабрик.
Мы привлекаем Trend Island и «Ленские столбы». Trend Island представляет более зрелые марки. Наша целевая задача состоит в том, чтобы около 300 марок, связанных с Trend Island, могли встроиться в сеть из 250 фабрик Stylon. К работе также подключаются инфраструктурные центры и центры компетенций из Узбекистана и Кыргызстана. Они представят сегодня свои марки и фабрики.
Стратегическая задача – чтобы марки и фабрики вместе провели расчёты и через месяц представили 30 потенциальных пилотов. Каждая сторона просчитывает один совместный проект, и в результате становится видна сеть фабрик и их реальная готовность к работе.
Не все эти производства уже являются эталонными фабриками. Пока они встроены в партнёрскую сеть через квалификационный отбор, похожий на тот, который применяется в строительных альянсах. Об «Эталонной фабрике» коллеги подробнее расскажут в следующих сессиях.
У нас есть четыре входа в работу. Один из них – проект «30 марок × 30 фабрик». В него мы приглашаем только основателей и продуктовых директоров марок, а также владельцев фабрик, чтобы сохранить рабочий состав участников. Им предстоит спроектировать совместный пилот или закупку и постараться реализовать её. Затем к этой работе смогут присоединяться другие марки.
В период, когда закрывается значительная доля фабрик и марок, особенно важно находить новых партнёров.
Алина, я рассказал об архитектуре и немного о программе. Можно попросить тебя представить систему с твоей точки зрения?
Как разрабатывался помощник в контуре «бренд — эксперт»
Алина Цуцу: В нашем большом проекте я участвовала как соразработчик индустриального цифрового помощника в контуре «бренд – эксперт». Я работаю бизнес-консультантом по управлению модным брендом и представляю области коммерции, продукта и маркетинга.
Как соразработчик я отвечала за представленность экспертного знания и управленческую модель поведения системы. Ещё одна часть моей роли состояла в том, чтобы удержать этическую рамку использования экспертных знаний. В основе цифрового помощника находится корпус реальных материалов, созданных действующими практиками рынка.
Для меня как для практикующего эксперта было особенно важно работать не только с тем, какие знания доступны системе, но и с тем, что она имеет право с ними делать. Путём сложной балансировки, в том числе после остановки дистрибутива на месяц, нам удалось сохранить границы профессионального авторства, принадлежность отдельных областей знаний их авторам и корректное поведение модели.
Одной из основных задач при создании индустриального помощника было не сводить его функцию к выдаче правильного ответа из библиотеки, которой является Свод знаний. Мы попытались спроектировать определённую управленческую последовательность, как если бы бренд, обращающийся к системе с запросом, работал с консультантом или экспертом.
Для меня было принципиально важно, чтобы система умела вовремя остановиться. Если данных в библиотеке недостаточно или задача на определённом шаге требует практической экспертизы, помощник не имитирует готовое решение. Он обозначает границу автоматической помощи и передаёт задачу человеку – эксперту, чья компетенция в соответствующей области представлена и верифицирована внутри Альянса по согласованным правилам.
Хороший результат работы системы для нас не всегда означает готовый ответ. Этим наш подход заметно отличается от базовых универсальных моделей. Хорошим результатом могут быть корректно определённые границы задачи, квалифицированный кейс и маршрут дальнейшей работы.
Рабочий сценарий внутренней модели не сводится к ответу на вопрос: «Что нам делать, если…» Он запускает последовательную квалификацию бизнес-задачи.
Представим, что компания приходит с проблемой: «У нас падает оборот». Универсальная модель, например GPT, Claude или Perplexity, постарается сразу предложить несколько общих решений: усилить маркетинг, изменить ассортимент или сделать что-то ещё. Она предлагает это без контекста.
Но эксперты и практики понимают, что без контекста любое решение может не иметь отношения к реальной причине падения. Прежде чем что-то рекомендовать, необходимо провести квалификацию.
В нашем сценарии система сначала задаёт квалифицирующие вопросы, как это сделал бы практикующий эксперт. Она пытается прояснить, что именно изменилось, в каком канале это происходит, по каким категориям и направлениям. Помощник помогает перейти от общего симптома к возможной причине.
Затем система показывает, каких данных не хватает, какие выводы можно подтвердить цифрами, а что пока остаётся мнением или гипотезой команды. Только после этого она пытается определить возможный дефицит компетенций внутри бренда и предложить следующий шаг.
В результате бренд получает квалификацию собственной задачи, набор более или менее проверяемых гипотез и маршрут дальнейшей работы.
Здесь возникает принципиально важный вопрос: кто принимает решение и кто отвечает за то, что произойдёт с бизнесом после внедрения и потраченных денег?
Мне кажется, нам удалось достаточно хорошо сбалансировать возможности искусственного интеллекта, экспертные знания и человеческую ответственность. ИИ выступает маршрутизатором и навигатором. Он удерживает контекст запроса, помогает квалифицировать проблему, находит и соединяет релевантные знания в библиотеке, показывает возможные гипотезы и предлагает маршрут работы.
При этом окончательное профессиональное суждение остаётся за экспертом. Команда может проверять гипотезы, руководитель – принимать решение о дальнейших действиях, но профессиональную оценку конкретного вопроса мы оставляем человеку.
Цифровой след, о котором говорил Алексей, позволяет впоследствии анализировать этот процесс: на основании каких данных были сделаны выводы, какие гипотезы рассматривались, кто принимал решение и кто отвечал за следующий шаг.
Пока мы находимся на первой стадии, на первой версии работы. Нам ещё предстоит проверять модель на реальных сценариях и оценивать качество её рекомендаций. Но уже сейчас на заложенных кейсах видно, что наш подход существенно отличается от базового взаимодействия с универсальным искусственным интеллектом.
Мы проектируем среду, в которой ИИ понимает границы своей роли, удерживает контекст и возвращает решение человеку.
Алексей Баженов: Спасибо большое. Елена, возможно, у вас есть комментарии или вопросы к Алине? Последняя схема из презентации особенно интересна.
Научная рамка: навигатор, композитная система и проверяемый эффект
Елена Тищенко: Мне кажется, ключевой вопрос для всех собравшихся можно сформулировать с научной точки зрения. В условиях множества изменений во внешней среде навигатор играет роль проводника в новом пространстве. С ним траектория движения по неизвестной территории становится значительно короче и устойчивее.
Первый вопрос, который здесь возникает, – доверие. Альянсовые модели строятся на нескольких категориях доверия.
Первая – доверие к экспертному сообществу. В вашем случае оно есть: эксперты, которые предоставляют знания, приняты и признаны в отрасли.
Вторая – динамика внутри доверенной среды. Внешняя среда меняется очень быстро, поэтому важно понимать, как часто эксперты пересматривают и балансируют изменяющиеся требования. Судя по представленной модели, эта категория у вас также учтена.
Следующий вопрос – распределение монетизации. Эксперт берёт на себя ответственность сопровождать малых участников. Какая часть создаваемой стоимости и монетизации в таком случае переходит к эксперту?
Изначально эта модель в тестовом режиме должна была подтвердить гипотезу: можно ли на высококонкурентном, сложном и динамичном рынке моды собрать экспертное сообщество по всей длине цепочки кооперации. Кажется, вам это удалось. Вся цепочка стала видна.
Теперь возникает вопрос мотивации экспертов поддерживать и развивать систему. В мировой практике здесь появляется понятие гарантированного спроса. Если участники совместно понимают, как его формировать, возникает программирование рынка. Множество небольших игроков через совместную балансировку начинает формировать потребительское предпочтение.
Если крупный игрок направляет предпочтение вправо, а мы даже очень алгоритмично движемся влево и не попадаем в потребительский спрос, вся конструкция обрушается.
За четыре года проделана большая инженерная работа и выстроена внутренняя цепочка системы. Теперь предстоит так же инженерно посмотреть, как формировать потребительские предпочтения через общественный договор, добавляя в систему конечного потребителя: его активные опросы, ожидания и представления о желаемом продукте.
Мы пробовали делать это в самом начале, и задача оказалась очень тяжёлой, потому что спрос динамичен. Но если начать приближаться к ситуации, в которой цепочка кооперации попадает в спрос, система оживёт и появятся модели монетизации экспертов.
При этом спрос должен расширяться. На сужающемся рынке все становятся конкурентами друг для друга, и координационные стратегии не работают. Поэтому важно, что Алексей упомянул Узбекистан и Кыргызстан. Необходимо выходить не только за пределы отдельного субъекта Российской Федерации или его сегмента, но и создавать возможность переиспользования практики в любой точке, которая принимает правила доверенной среды.
Самое ценное в выступлении Алины – схемы, потому что их можно переиспользовать. Неважно, для какой конкретно задачи изначально создана схема. Эту ценность Альянс уже приобрёл. Теперь нужно перейти к следующей стадии и научиться монетизировать схему.
Далее мы услышим опыт сбора базы данных в модной индустрии. Люди когнитивно устойчивы в привычных моделях поведения. Главная задача сейчас – найти инструмент изменения когнитивного паттерна.
Кризис, банкротства и другие сложности усилили стимул к изменению, но новый паттерн ещё не найден. Люди должны поверить в него и увидеть в нём выход из тупиковой ситуации.
В Китае такой выход становится виден благодаря готовности цифровых платформ. Например, WeChat предлагает пользователю целый ансамбль алгоритмов-помощников для разных классов задач. То, что мы сейчас кропотливо выстраиваем внутри небольшого сегмента большой отрасли, там уже оформляется как платформенная среда.
Сто тысяч компаний взаимодействуют через единый интерфейс и набор алгоритмов. Не малый участник создаёт отдельный алгоритм под себя. Он понимает, что алгоритм в этой среде для него безопасен, потому что существует архитектор, который обеспечивает безопасность.
Поэтому доверие через успешную практику крайне важно. Я бы рекомендовала Алине не только предлагать схему, но и показывать снижение конкретных издержек. Например: насколько сократились транзакционные издержки или затраты на сток, уменьшилось время сборки изделия, ускорился выход на рынок, сократился объём сырья на складе. Это должна быть понятная для сегмента категория: время, деньги или ресурсы.
Через такую параметризацию будет формироваться доверие к схеме. Сейчас в неё верю я как научный эксперт, потому что понимаю её соответствие мировым трендам. Верите вы, потому что видите ход работы. Алина также видит этот процесс, но его нужно предъявить. Это значительно усилит позицию системы.
Алексей Баженов: Прекрасно. Алина, ты хочешь прокомментировать или сначала послушаем Ольгу, а затем обсудим всё вместе?
Алина Цуцу: Я согласна с тем, о чём говорит Елена. Но хочу обратить внимание, что мы пока находимся на стадии тестирования гипотезы.
Мне самой хотелось бы уже предъявить рынку снижение издержек, рост операционной эффективности и другие измеримые результаты. Однако модель ещё недостаточно долго работала, чтобы мы могли их зафиксировать. Мы обязательно займёмся этим и, надеюсь, включим такие данные в следующие презентации.
Елена Тищенко: Когда мы говорим о классическом моделировании, оно начинается с концептуальной стадии. Сейчас вы представили классическое концептуальное проектирование. Уже на этом уровне можно показать хотя бы потенциальный эффект.
Параметризация не обязательно сразу должна иметь полное финансовое выражение. Можно обозначить вектор, наметить штрихи и сказать, какие эффекты вы собираетесь тестировать. Даже если вы предъявите только направления измерения, это существенно усилит доверие к вашим схемам.
Алексей Баженов: Спасибо, мы берём это в работу. Ольга, можно попросить тебя рассказать об инженерном и архитектурном пути вашей компании и о собранной базе данных?
Антропометрические данные как инфраструктура продукта
Ольга Родькина: Добрый день. Я буду говорить о более простых и прикладных вещах по сравнению с предыдущими выступлениями, но, думаю, они будут не менее интересны и полезны для практики.
Хочу поделиться опытом нашей компании. Мы больше десяти лет работаем с лекалами и разработкой одежды и за это время сформировали достаточно большую базу данных. Сегодня я покажу результаты исследования, проведённого около полугода назад. Сейчас данные уже немного обновились, но представленные результаты остаются актуальными.
Официально мы работаем с 2013 года, хотя деятельность началась ещё раньше. Сейчас мне особенно интересно исследовать разнообразие морфотипов женских фигур, потому что на рынке есть запрос на эту область.
Наша база служит источником эмпирических данных. В ней представлены разные возрастные группы. Мы собираем информацию онлайн и проводим физические обмеры, которыми занимаюсь непосредственно я. Реальные обмеры необходимы для верификации онлайн-данных. Все результаты мы интегрируем в свою работу.
Основное направление нашего конструкторского бюро – разработка конструкторско-технической документации. Мы также обучаем конструкторов и, на мой взгляд, делаем это хорошо.
Покажу результаты небольшого опроса, в котором приняли участие немногим более 500 человек. Удовлетворённость женщин готовой одеждой невысока. В основном женщины недовольны тем, как она на них сидит. Почему так происходит? Потому что все мы очень разные.
В мире существует направление, которое называется массовой кастомизацией. Оно изучается давно, ещё с прошлого века.
Алексей Баженов: Можно ли считать ГОСТ разновидностью массовой кастомизации?
Ольга Родькина: ГОСТ – это группировка людей по типам. При этом важно понимать, о каком именно ГОСТе мы говорим: стандартов много. Стандартизация, вероятно, не относится напрямую к массовой кастомизации.
Массовая кастомизация возникает, когда мы можем индивидуализировать производство в промышленных масштабах. Мы подстраиваемся под клиента, но остаёмся в рамках массового производства. В самом понятии есть противоречие: с одной стороны, массовость, с другой – кастомизация. При этом существует много её видов.
Возможность выбрать цвет – уже индивидуализация. Производитель выпускает одежду не только в чёрном, но и в красном, белом или зелёном цвете, а покупатель выбирает нужный вариант. Возможность изменить дизайн или выбрать материал, например заказать одно и то же изделие из синтетической или натуральной ткани, – это также кастомизация.
Среди российских покупателей запрос на изменение дизайна выражен меньше всего. Вероятно, дизайн в целом устраивает потребителя. Кроме того, человек привык выбирать из существующего ассортимента, а выбор сегодня достаточно большой.
Но покупателей не устраивают посадка и материал. Желание получить индивидуальную посадку оказывается самым сильным. Поэтому, если мы говорим о массовой кастомизации, прежде всего стоит сосредоточиться на посадке.
Почему готовый результат в магазине часто не устраивает клиента? В России действует ГОСТ 2009 года, в котором выделены шесть полнотных групп женщин. В каждой полнотной группе представлены ростовые варианты от 152 до 182 сантиметров и размеры примерно от 40-го до 70-го. На практике система устроена ещё сложнее.
Производитель не может выпускать одежду для всех шести полнотных групп, всех ростов и всех размеров. Обычно бренд концентрируется на одной полнотной группе, одном росте и нескольких размерах. В среднем у бренда пять размеров.
Кроме ГОСТа существует ОСТ, в котором представлены четыре полнотные группы. Есть ГОСТ 2009 года, но в нём нет всех размерных признаков, необходимых для конструирования. Размерные признаки можно найти в справочнике НИИ швейной промышленности, который не является ГОСТом. На первый взгляд это запутанная система.
Несмотря на то, что в ОСТе четыре полнотные группы, а сегодня нам нужно шесть или, возможно, уже семь, специалисты продолжают им пользоваться, потому что качество показателей в нём выше.
Алексей Баженов: То есть преимущество связано с большей выборкой или большей детализацией?
Ольга Родькина: Прежде всего с выборкой. ОСТ 1981 года был сформирован на основе ГОСТа 1972 года. Для него проводили обмеры в России и других странах СЭВ. Это было масштабное исследование.
Почему бренды любят ОСТ 1981 года? Если взять вторую полнотную группу, в действующем ГОСТе разница между обхватами составляет шесть сантиметров, а в ОСТе – восемь. При восьми сантиметрах одежда часто садится лучше. Поэтому специалисты используют ОСТ при проектировании и получают лучший результат.
Но в целом возникает каша из разных стандартов. Если взять вторую полнотную группу и рост 170 сантиметров, наши аналитические данные показывают, что такой набор удовлетворяет потребностям лишь [неразборчиво] процентов населения. Это очень мало.
Можно предположить, что изделия второй полнотной группы подойдут также части женщин первой группы, а к росту 170 сантиметров добавить смежный рост 164 сантиметра. Тогда охват составит примерно 30 процентов. Но третья полнотная группа уже не учитывается, как и росты 152 и 176 сантиметров. Таковы результаты данных, полученных от наших потребителей.
Алексей Баженов: Если поставить вопрос в экономической плоскости, сколько это может экономить? Проводились ли такие исследования? Возможно, экономический эффект оценивали при защите ОСТа?
Ольга Родькина: У нас таких исследований пока нет. Можно ориентироваться на возвраты, но мы работаем только с лекалами. Мне было бы интересно сотрудничать с компаниями, внедрять наши данные и получать обратную связь.
Например, типовой рост, на который обычно производят одежду, – 170 сантиметров. Но по нашим данным женщин ростом 164 сантиметра больше. Значит, необходимо пересматривать подход к проектированию.
Большинство производителей опирается на вторую полнотную группу, тогда как по нашим данным преобладает третья. Нужно попробовать внедрить результаты вместе с конкретным производителем, хотя для компании такой эксперимент связан с рисками.
Алексей Баженов: То есть экономический результат можно проверять, измеряя возвраты?
Ольга Родькина: Да, один из вариантов – проанализировать возвраты и другие показатели после внедрения данных в производство.
Как использовать этот протокол
Это редакционная навигация после стенограммы. Начните с раздела «ИИ меняет не только труд, но и саму точку продажи» в общей карте рисков и возможностей.
Кому читать: руководителю, исполнительному или операционному директору (RL4), IT-директору (RL10), создателю или руководителю IT- и ИИ-сервиса (RL65).
Рабочий вопрос: какой процесс нужно усилить и кто отвечает за его сквозной результат?
Следующий шаг: описать входные данные, решение человека, задачу ИИ и критерий приёмки. Сохранить исходные параметры, владельца, версию решения и измеримый результат.