Yousinsa – Sammlung von YouTube-Schuhen, Fashion-Fotos und -Videos – Service-POC, das Fashion-Empfehlungen zusammen mit begründenden Videos bereitstellt

Ich habe YouTube-Fashion-Empfehlungen evidenzbasiert aufbereitet

Wenn man Fashion-YouTube schaut, hört man oft Empfehlungen wie „Dieses T-Shirt ist gut“, „Diese Marke hat ein gutes Preis-Leistungs-Verhältnis“ oder „Das hat einen guten Fit“.

Wenn man dann später tatsächlich etwas kaufen will, erinnert man sich aber oft nicht mehr genau daran. Es ist auch schwierig, später wiederzufinden, welcher YouTuber in welchem Video aus welchem Grund etwas empfohlen hat.

Deshalb habe ich ein kleines POC namens Yousinsa gebaut.

Es ist ein Service, der aus Videos von Fashion-Creatorn auf YouTube nach Zeitstempelabschnitten Marken, Produkte, Kategorien und Empfehlungsgründe extrahiert und bei Nutzerfragen auf Basis dieser Belege Marken und Produkte empfiehlt.

Zum Beispiel so. Die folgenden Fragen sind Beispiele, die ich tatsächlich ausprobiert habe und bei denen die Ergebnisse gut waren.

• „Ich bin ein Mann in den 30ern und suche weiße/schwarze Basic-T-Shirts. Sie sollten nicht zu dünn sein, einen stilvollen Fit haben, und das Budget liegt unter 50.000 Won. Ein Uniqlo-Gefühl ist okay, aber ich möchte etwas vermeiden, das zu gewöhnlich ist.“
• „Empfiehl mir Daily-Sneaker, die ich sowohl fürs Pendeln als auch am Wochenende tragen kann. Ich habe etwas breitere Füße und mag keine zu auffälligen Logos. Es wäre gut, wenn sie sowohl zu Jeans als auch zu Slacks passen.“
• „Ich suche einen ordentlichen Damen-Office-Look. Am besten wären monochrome Marken, die nicht zu auffällig sind, und das Budget darf ungefähr auf dem Niveau der Marke Drawfit liegen.“
• „Zeig mir T-Shirt-Marken, die Fashion-YouTuber häufig empfohlen haben, zusammen mit den begründenden Videos. Ich hätte gern vor allem leicht kaufbare Basic-T-Shirts statt zu teurer Marken.“

Statt wie ein allgemeiner Chatbot einfach zu sagen „Diese Marke ist gut“, lag der Fokus darauf, dass man direkt sehen kann, dass dieser YouTuber / in diesem Video / an dieser Stelle / aus diesem Grund etwas empfohlen hat.

Aktuell enthält die DB ungefähr Folgendes.

• Evidence-Items: 29.044
• YouTube-Videos: 3.011
• Creator: 1.788
• Marken: 7.507
• Items mit Produktbild: 26.206

Der aktuelle Funktionsumfang ist ungefähr folgender.

• Extraktion von Marken/Produkten/Kategorien/Empfehlungsgründen aus YouTube-Fashion-Videos
• Speicherung von Zeitstempel-Links innerhalb der Videos
• Anzeige gebündelter Empfehlungen nach Marke/Kategorie
• Board-View auf Basis von Produktbildern
• Generierung von Empfehlungen, wenn Vorlieben/Budget/Situation in natürlicher Sprache eingegeben werden
• Anzeige der begründenden Videos und Produktsuchlinks in den Empfehlungsergebnissen

Der Tech-Stack ist simpel. Die Videoanalyse erfolgt mit Gemini CLI, anschließend werden die Ergebnisse mit Python-Skripten nachbearbeitet und in SQLite gespeichert. Das Web-Frontend ist mit statischem HTML/JS und einem leichtgewichtigen Python-Server angebunden.

• Service: https://labs.foldalpha.com/fashion/
• Code/Report: https://github.com/sbyoun/yousinsa
• Report-PDF: https://github.com/sbyoun/yousinsa/blob/main/paper/yousinsa-paper.pdf

In letzter Zeit merke ich oft, dass wir in einer Zeit leben, in der man Dinge, die man braucht, einfach erst einmal bauen und benutzen kann. Früher war schon das Erstellen eines einzelnen Services eine große Sache, heute kann man selbst ein kleines POC viel schneller umsetzen.

Dadurch wird aber etwas anderes noch schwieriger: das Alleinstellungsmerkmal. UI oder Features lassen sich schnell nachahmen, aber um am Ende wirklich brauchbare Empfehlungen zu erzeugen, muss man die zugrunde liegenden Daten kontinuierlich sammeln und strukturieren. Das kostet zwangsläufig Zeit, und ich denke, genau diese Datenakkumulation kann am Ende zum Differenzierungsmerkmal werden.

Ich probiere weiterhin Verschiedenes aus. Feedback ist willkommen.