浅谈时尚大数据分析.docx

浅谈时尚大数据分析 作者：史英杰 杨 珂 来源：《中国市场》 2020年第25期 史英杰 ，杨 珂 （北京服装学院 信息工程学院, 北京 100029) [摘 要]文章分析在数据驱动背景下时尚大数据分析的现状和应用前景，介绍三种典型的时尚大数据分析案例，希望为相关领域的研究人员提供一定参考。 [关键词]时尚大数据；数据驱动；数据分析 ［DOI］10.13939/j.cnki.zgsc.2020.25.188 1 引言 互联网技术及移动技术的兴起促进了电子商务、社交网络的飞速发展，使得时尚相关数据的数量达到了前所未有的高度，而服装工业的决策也开始走向数据驱动的模式。采用大数据技术对海量的服装时尚数据进行分析，对科学研究和服装工业的发展都有巨大的价值。大数据分析能够应用于时尚产业领域并不偶然，因为两者有较强的兼容性，主要植根于三个要素:数据海量性、多样性和快速性。此外，时尚数据还具有时间相关性和主观性。时尚本身就是人类社会文化的一部分[1]，因此时尚数据除了涵盖服装的廓形、纹理、颜色等物理属性外，还存在一定的主观本质，受到时间、地域等多种因素的综合影响。时尚分析过程中应当考虑到多种因素的相关性，减少估计或预测结果的偏差。 2 时尚大数据分析典型案例 2.1 谷歌流行趋势预测 谷歌积累了大量来自全球用户的搜索日志，2016年谷歌公司发布了时尚趋势报告Fashion Trends。基于2014-2016年的时装搜索日志，谷歌分析了2016年的流行趋势，包括当年处于上升、下滑趋势的流行时尚元素等。这些不同的风格元素代表了2016年主流时尚，不仅为用户提供了穿搭参考，还为时尚工业厂商提供了重要的设计及生产链参考。 2.2 Stitch Fix时尚定制 浅谈时尚大数据分析全文共3页，当前为第1页。 浅谈时尚大数据分析全文共3页，当前为第1页。 Stitch Fix通过分析用户的个人穿衣风格、尺寸、偏好等信息，为不同用户定期定制不同风格的服装和服饰。如图2所示，Stitch Fix利用公司积累的用户反馈信息分析时尚趋势和周期性变化[2]，将用户对时尚元素的积极或消极反馈转化成伯努利实验。针对某一时尚元素，用户正面选择的概率和它的流行程度有关。选择为1的概率越大，则说明该元素越受欢迎，可以作为是否流行的判断。 2.3 Data Dress App 谷歌和Ivyrevel合作推出了一款个性化推荐App--"Data Dress"。用户安装Data Dress后，该App开始监测用户的日常活动、生活习惯和位置信息等。数据收集后，Data Dress开始分析用户的穿衣喜好,结合谷歌的推荐算法向用户推荐并定制个性化的服饰。Data Dress将用户的生活方式数据带入到推荐和时尚单品设计中，提供了一种全新的时尚消费模式。 3 结语 传统的时尚分析使用历史数据和直觉来预测客户需求，然而面临更加快速变化的时尚趋势，仅凭传统的分析方法，很难准确及时地预测出时尚潮流的发展趋势。将大数据技术应用于海量的时尚数据，可分析时尚产业的整体格局以及流行趋势，为制定合适的商业战略提供重要参考。目前时尚大数据分析已经有部分研究工作出现，然而时尚大数据的特点使得其分析面临较大挑战，为国内外研究人员提供了广阔的研究空间。 参考文献: [1] BOLLACKER K, DIAZ R, LI X. Beyond clothing ontologies:modeling fashion with subjective infletworks[C].San Francisco ：Proceedings of 2016 KDD workshop on machine learning meets fashion，2016. 浅谈时尚大数据分析全文共3页，当前为第2页。 浅谈时尚大数据分析全文共3页，当前为第2页。 [2] ROBERTO S，DARAGH S，PAOLO. Detection of fashion trends and seasonal cycles through the analysis of implicit and explicit client feedback[C].Proceedings of the KDD2016 Workshop of "Machine learning meets fashion", 2016. ［基金项目］北京服装学院高水平教师队伍建设专项资金资助项目(项目编号：BIFTQG201803)；北京市服装产业数字化工程技术研究中心开放课题项目（项目编号：KJCX1902-30299/009）；北京市教委科技计划项目（项目编号：SQKM201810012010）。 浅谈时尚大数据分析全文共3页，当前为第3页。 浅谈时尚大数据分析全文共3页，