Yousinsa - colección de zapatos, fotos y videos de moda de YouTube - POC de un servicio que ofrece recomendaciones de moda junto con videos como evidencia

Organicé recomendaciones de moda de YouTube con base en evidencia

Cuando ves YouTube de moda, salen muchas recomendaciones como "esta camiseta está buena", "esta marca tiene buena relación calidad-precio" o "esto tiene un buen fit".

Pero cuando después quieres comprar algo, al final no lo recuerdas bien. También es difícil volver a encontrar qué youtuber lo recomendó, en qué video y por qué.

Por eso hice un pequeño POC llamado Yousinsa.

Es un servicio que extrae, por segmentos con marca de tiempo, la marca, el producto, la categoría y el motivo de recomendación de videos de creadores de moda en YouTube, y cuando el usuario hace una pregunta, recomienda marcas y productos con base en esa evidencia.

Por ejemplo, algo así. Las preguntas de abajo son ejemplos reales que probé y dieron resultados bastante buenos.

• "Soy hombre de unos 30 y estoy buscando camisetas básicas blancas/negras. Me gustaría que no fueran demasiado delgadas y que tuvieran un fit estilizado, con un presupuesto de hasta 50,000 wones. Me gusta la onda de Uniqlo, pero quiero evitar algo demasiado común."
• "Recomiéndame unos sneakers de uso diario que pueda usar tanto para ir al trabajo como el fin de semana. Tengo el pie un poco ancho y no me gustan los logos demasiado llamativos. Estaría bien si combinaran tanto con jeans como con pantalones de vestir."
• "Estoy buscando un look de oficina femenino y pulcro. Eso sí, preferiría una marca en tonos monocromos que no sea demasiado llamativa, y un presupuesto similar al de la marca Draw Fit."
• "Muéstrame las marcas de camisetas que los youtubers de moda recomendaron con frecuencia junto con los videos que sirven de evidencia. Preferiría camisetas básicas fáciles de comprar en la práctica, más que marcas demasiado caras."

Más que responder como un chatbot común con "esta marca está buena", me enfoqué en que se pueda ver de inmediato qué youtuber / en qué video / en qué parte / y por qué la recomendó.

Actualmente, la base de datos contiene aproximadamente esto.

• evidence item: 29,044
• YouTube video: 3,011
• creator: 1,788
• brand: 7,507
• item con product image adjunta: 26,206

Por ahora, esto es lo que funciona.

• Extracción de marca/producto/categoría/motivo de recomendación de videos de moda en YouTube
• Almacenamiento de enlaces con marca de tiempo dentro del video
• Vista de agrupaciones de recomendaciones por marca/categoría
• Vista tipo board basada en imágenes de producto
• Generación de recomendaciones al ingresar en lenguaje natural gustos/presupuesto/contexto
• Verificación de videos de evidencia y enlaces de búsqueda de productos en los resultados de recomendación

El stack tecnológico es simple. Analicé los videos con Gemini CLI, hice el posprocesamiento con scripts en Python y lo guardé en SQLite. La web la conecté con HTML/JS estático y un servidor ligero en Python.

• Servicio: https://labs.foldalpha.com/fashion/
• Código/reporte: https://github.com/sbyoun/yousinsa
• Reporte PDF: https://github.com/sbyoun/yousinsa/blob/main/paper/yousinsa-paper.pdf

Últimamente siento mucho que estamos en una época en la que, si necesitas algo, puedes simplemente hacerlo y usarlo, y eso es más fácil de lo que parece. Antes, crear aunque fuera un solo servicio ya era un gran trabajo, pero ahora un POC pequeño se puede hacer mucho más rápido.

Aun así, por eso mismo creo que lo más difícil es la diferenciación. La UI o las funciones se pueden imitar rápido, pero al final, para construir recomendaciones realmente útiles, hay que acumular y organizar de forma constante los datos que sirven como evidencia. Eso inevitablemente toma tiempo, y más bien pienso que esa acumulación de datos puede convertirse en el diferencial.

Sigo probando varias ideas. Se agradece cualquier feedback.