Dress Your Palette, osa 1: Lähtötilanne ja menetelmä

Ongelma: kaupan värinimi ei kerro sävyä

Värikausiajattelussa jokaiselle sopii oma paletti: esimerkiksi syvälle talvelle tummat, viileät ja täyteläiset sävyt, pehmeälle kesälle harmaaseen murretut ja viileät. Ohjeita on paljon, mutta verkkokaupassa niitä on vaikea käyttää. Verkkokauppojen suodattimet eivät yleensä tunne värikausia, ja värinimi “sininen” tai “vihreä” kertoo sävystä hyvin vähän.

Sama koskee linjoja. Vartalotyyppien säännöt kertovat esimerkiksi, sopiiko pehmeä vai terävä olkalinja, mutta kaupan suodattimet eivät tunne niitä. Palvelun ajatus on tarkistaa väri ja linjat samasta vaatteesta ja kertoa, millä säännöllä se valittiin.

Menetelmä

1. Väri mitataan kuvasta

Vaate erotetaan tuotekuvasta segmentointimallilla niin, että iho, hiukset ja tausta jäävät pois. Kengille ja laukuille on oma tila, koska ne kuvataan yleensä ilman mallia.

Erotetun vaatteen väri mitataan kahdessa väriavaruudessa (OKLCH ja CIELAB) ja sitä verrataan 12 värikauden palettiin ΔE2000-etäisyydellä, joka arvioi, kuinka suurena ihminen näkee kahden värin eron. Kaupan värinimi on mukana vain heikkona vihjeenä.

Kolme sääntöä pitää tuloksen rehellisenä:

• Lähes mustat ja harmaat vaatteet käsitellään värittöminä, eikä niitä pakoteta jollekin kaudelle.
• Kuosit, joiden väriä ei voi mitata yhdeksi sävyksi, jätetään pois.
• Jos sopivia vaatteita on vähän, listaa ei täytetä heikoilla osumilla.

Koruissa väriä ei mitata kuvasta. Korun sopivuus kaudelle ratkaistaan metallin ja kiven perusteella: jokaiselle paletille on kirjattu, mitkä metallit sopivat, ja kivi pisteytetään sen tunnetun värin mukaan.

2. Linjat tarkistetaan säännöillä

Kuvamalli poimii vaatteesta ominaisuudet: siluetin, vyötärön, olkalinjan, materiaalin ja yksityiskohdat. Ne pisteytetään 13 vartalotyypin sääntöjä vasten.

Säännöt perustuvat David Kibben vartalotyyppeihin. Mukana ovat hänen vuoden 1987 kirjansa 13 tyyppiä. Kibbe on myöhemmin luopunut kolmesta niistä (Natural, Classic ja Gamine) ja käyttää nykyään kymmentä, mutta kaikki 13 ovat mukana, koska moni on aiemmin saanut tuloksekseen jonkin poistetuista tyypeistä. Kibben nykyisen opetuksen mukaisesti linja, siluetti ja istuvuus painavat eniten, ja kirjan vaatelistat ovat vain kevyitä suuntia.

Sääntöjä on 983, ja ne on koottu itse, koska valmista aineistoa ei ole. Niistä 857:n periaate on Kibben kirjasta, 119 on merkitty tulkinnoiksi ja 7 perustuu muihin lähteisiin. Periaatteen muuttaminen vaatteen ominaisuuksiksi on aina myös tulkintaa, ja siksi jokaisen säännön alkuperä on kirjattu.

Ensimmäinen versio pisteytyksestä ei erotellut tyyppejä toisistaan: sama vaate sai lähes samat pisteet kaikille. Toinen versio (18.10.2026) vertaa vaatetta saman kategorian tyypilliseen vaatteeseen, ja erot tulivat näkyviin.

3. Mittaus on toistettava

Ajoin 4.11.2026 saman 50 testikuvan sarjan uudelleen ja vertasin lokakuun ajoon. Mitattu väri oli sama kaikilla 50 kuvalla. Kausipisteytystä oli välillä muutettu, ja se vaihtoi kärkikauden 18 kuvalla (16 niistä neutraaleja). Toistettavuus ei kuitenkaan ole tarkkuutta: sitä, osuuko palvelu samaan kuin ihminen, ei ole vielä mitattu. Siksi sivulla ei ole tarkkuusprosentteja.

Tekniikka lyhyesti

Käyttöliittymä on tehty Next.js:llä ja on Netlifyssä. Väriputki on kirjoitettu Pythonilla, ja se tallentaa tuotteet ja mittaukset Postgres-tietokantaan. Sivulla näkyvät tuotteet julkaistaan sivuston mukana datatiedostoina. Palvelussa on englanninkielinen pääversio ja suomenkielinen versio, ja ensimmäinen alue on Yhdysvallat.

Avoin ongelma on nopeus. PageSpeed Insights antoi 6.11.2026 etusivulle mobiilissa 65/100, ja suurin sisältö näkyi vasta 17,3 sekunnissa. Se kannattaa korjata ennen kuin hakuliikenteen kasvua odottaa.

Aikajana

Lähtötilanne 6.11.2026

Näytöt tulevat hauista, jotka liittyvät vartalotyyppeihin ja värikausipaletteihin, mutta sijoitukset ovat vielä pääosin 25:n ja 95:n välillä. Sivusto on kahden viikon ikäinen, joten tämä on odotettu lähtötilanne, ei vielä tulos.

Miksi kumppaniohjelmat hylkäävät uuden sivun

Kumppaniverkostot tarkistavat sivun yleensä käsin, ja osa yhdysvaltalaisista verkostoista voi edellyttää olemassa olevaa liikennettä. Hylkäyksellä on hinta: yhdessä verkostossa uuden hakemuksen voi tehdä vasta 60 päivän päästä, ja toisessa kaupan hylkäys on pysyvä samalle sivustolle. Palvelu tarvitsee kauppojen tuotesyötteet, jotta valikoima voi kasvaa, ja syötteen saa vasta hyväksytyltä ohjelmalta. Tämä on palvelun tämänhetkinen pullonkaula, ei tekniikka.

Se näkyy myös tuloissa. Sivulla on 6.11.2026 noin 2 300 tuotetta seitsemästä kaupasta, mutta vain 67 niistä (noin 3 %) on kumppanilinkin takana, ja ne ovat lähes kaikki hyväksytyn ohjelman koruja. Muut ovat kauppojen omilta sivuilta poimittuja nostoja, joista ei makseta provisiota.

Mitä palvelu maksoi

Mikä on vielä auki

• Tarkkuus. Ennen kuin palvelu lupaa mitään, se testataan vaatteilla, joiden sopivuus tiedetään, ja värimittausta verrataan ihmisen arvioon.
• Kauppojen valikoima vinouttaa tuloksia. Kaupoissa on nyt syysmallisto, ja kausikaapit ovat epätasaiset: 6.11.2026 runsaimmassa (Deep Autumn) näkyi 665 tuotetta, vajaimmissa (True Spring ja Bright Spring) 280 ja 287.
• Osa vartalotyypeistä jää ohueksi. Heikoimmille tyypeille säännöt hyväksyvät vain 3,4–⁠5,2 % ehdokasvaatteista (31.10.2026), joten niille tarvitaan lisää kauppoja.
• Nopeus. Mobiilissa suurin sisältö näkyy vasta 17,3 sekunnissa (LCP), ja se on korjattava.

Mitä tästä voi oppia omaan yritykseen

1. Kuvamalli lukee, säännöt päättävät. Kuvamalli poimii ominaisuudet, mutta valinta perustuu kirjattuihin sääntöihin, joiden alkuperä on kirjattu. Samaa periaatetta voi käyttää yrityksen omassa automaatiossa.
2. Mittaa ennen kuin lupaat. Toistettava mittaus on eri asia kuin oikea tulos. Tarkkuusväite odottaa testiä.
3. Nopea julkaisu ei tuo tuloja nopeasti. Palvelu julkaistiin 9 päivässä, mutta tulot riippuvat kumppaneista, jotka hyväksyvät sivun omassa tahdissaan.

Seuraavassa osassa

Seuraavassa osassa kerron, miten tuotesyötteet ja odottavat kumppaniohjelmat ratkesivat, mitä värimittauksen testi ihmisen arvioon näytti ja tuliko ensimmäinen euro.

Jos haluat tekoälyä oman yrityksesi työnkulkuun samalla tavalla, katso AI-ratkaisut yritykselle.