Dataanalys och maskininlärning är ofta ett magiskt recept. Men en förutsättning är att det finns tillförlitliga data och många datapunkter. Annars begränsas möjligheterna.

E-handeln har ofta väldigt bra med data kring de populäraste produkterna – stora delar av utbudet som inte lika många köper har däremot dåligt med data. Så hur ska kunderna ens hitta det utbud som de kanske är intresserade av om de aldrig får syn på det?

Det är där den svenska startupen Loop54 kommer in. Med hjälp av maskininlärning och smart kategorisering lyckas man nämligen hitta kundmönster trots att det knappast finns några kunddata.

Och bland de runt 150 företag som använder deras lösning för sin e-handel nämns på deras hemsida företag som Åhlens, Jula, Stor och Liten, Bubbleroom och Gina Tricot.

Men det började med en streamingtjänst berättar Joel Kall som är en av företagets grundare.

– Vi drev en liten it-konsultfirma när vi fick i uppdrag av en svensk streamingtjänst att hjälpa dem med en rekommendationsmotor. De hade nämligen 10 000 filmer men deras användare tittade bara på 10 stycken och hittade inte de andra.

Så han och hans kolleger började se sig om efter den vassaste lösningen på marknaden.

– Kanske den som Netflix använder tänkte vi. Men då insåg vi att de hade så oändligt mycket mera data om sina användare än vad den svenska streamingtjänsten hade.

Lösningen blev att i stället för att enbart använda sig av kunddata titta på hur de olika filmerna hängde ihop. Om man sett på en genre kanske man ville se en i samma genre eller kanske med samma skådespelare?

Genom att identifiera samband mellan olika filmer skapade man kluster och med hjälp av dem gick det att simulera att kunderna sett fler filmer än vad de faktiskt gjort.

– Så kunde vi få det att likna ett större nätverk och det funkade väldigt bra – och genom att använda maskininlärning så utvecklades också systemet.

Rätt snart insåg de två som tagit fram lösningen, Joel Kall och Mike Odin, att den lämpade sig kanske ännu bättre för e-handeln. En bransch som de redan jobbade med och som de såg hade större potential framåt. Och som också behöver hjälp med att skapa relevanta sökningar och rekommendationer. Så 2012 inriktade de sig helt på e-handeln med sin lösning och skaffade en vd, Robin Mellstrand.

Men hur ser det då ut på marknaden? Är inte det här sådant som lösts av jättar som Amazon?

Jo kanske på sätt och vis, men till stor del för att de har tid med manuell handpåläggning konstaterar Joel Kall.

– De har ju säkert miljontals produkter och för de 100 000 mest sålda kan de säkert köra maskininlärning och göra analyser. Men de har knappast tillräckligt med data för att kunna analysera sin longtail.

I gengäld har jättar som Amazon och kanske några till, som Walmart och Alibaba, råd med mänsklig handpåläggning.

– De kan anställa tusentals personer som optimerar manuellt. Men för andra e-handlare, även de flesta stora, är det omöjligt. De måste automatisera sin lösning.

Joel Kall förklarar hur varorna som läggs in i en nätbutik definieras med den beskrivning som de kommer med. Det innebär att om du söker på tajts får du bara upp de produkter som tillverkaren kallar för just det. Du får inte upp leggings från en annan tillverkare som är likadana men fått ett annat namn.

Men genom att Loop54 klustrar produkterna så kan man få sökresultaten mycket mer exakta och få med alla produkter som är snarlika i samma sökning.

Det kan också handla om att sortera söksvaren på ett relevant sätt.

– Säg att du söker på apelsin. Då får du upp inte bara frukten utan allt med apelsin i – kanske apelsinchoklad och Resorb Apelsin också. Medan blodapelsin och apelsiner i nät inte ens ligger intill varandra i resultatlistan.

Genom att koppla ihop i kluster och analysera vad människor faktiskt menar när de söker på apelsin kan sökningarna bli mer relevanta – frukten apelsin hamnar överst i sina olika former – och kanske även en del andra citrusfrukter som inte är apelsiner. Medan Resorb apelsin och apelsinchoklad hamnar längst ner på listan.

Hur sökningarna designas beror också mycket på bransch – det är stor skillnad på mat och mode förklarar Joel Kall.

Modehandeln byter hela sitt sortiment två gånger om året och bara kastar bort data. Medan mycket mat är exakt densamma hela tiden – men delvis förändras efter årstid.

– Alla våra kunder har sin egen datamodell som byggs upp just för dem.

Genom att Loop54:s algoritmer kan skapa relevanta analyser utifrån så pass lite data så finns det också många andra idéer framåt – att skapa bättre lagerhantering eller att integrera lösningen mer till kundkort och fysisk handel exempelvis.

– Det kan våra kunder själva utveckla med våra api:er i dag men det är inget vi erbjuder just nu. Men vi har otroligt många idéer, det som bromsar är tillgången på kompetens, säger Joel Kall.

Och då handlar det inte bara om kompetens inom it och AI utan också andra funktioner som sälj och marknadsföring.

– Det är hård konkurrens i Stockholm. Men vi har rekryterat en del personer från andra länder också.

Ännu lever Loop54 på riskkapital – bland annat från Almi och Axel Johnson – och satsar på expansion. Hittills har företaget framför allt kunder i Norden och Storbritannien. Men på sikt lockar USA.

– Visserligen har Amazon halva marknaden där, men den andra halvan är också rätt stor, säger Joel Kall.

Läs också: 

Det här är AI och så funkar det

AI ska ut i SEB:s verksamhet – så ska det gå till