CORDIS
Forschungsergebnisse der EU

CORDIS

Deutsch DE

Understanding Europe’s Fashion Data Universe

Projektinformationen

ID Finanzhilfevereinbarung: 732328

Status

Abgeschlossenes Projekt

  • Startdatum

    1 Januar 2017

  • Enddatum

    31 Dezember 2019

Finanziert unter:

H2020-EU.2.1.1.

  • Gesamtbudget:

    € 2 794 448,75

  • EU-Beitrag

    € 1 699 323,75

Koordiniert durch:

THE UNIVERSITY OF SHEFFIELD

Deutsch DE

Durch Datenauswertung Modetrends besser verstehen und vorhersagen

Ein europäisches Forschungsteam entwickelt derzeit mithilfe von Technologie und Big Data mehrere Werkzeuge, mit denen Modehändler das Kundenerlebnis verbessern können.

Digitale Wirtschaft
© Zapp2Photo, Shutterstock

Die Modebranche ist hart umkämpft. Wer im Wettbewerb die Nase vorn haben möchte, muss die Anforderungen der Kundinnen und Kunden verstehen und künftige Trends voraussagen können. Dank Big Data gelingt Modehändlern diese Aufgabe heute besser als je zuvor. „Selbst eine lückenlose Buchführung über alle getätigten Käufe reicht nicht aus, um wirklich nachzuvollziehen, inwieweit bestimmte Artikel aus einem Produktkatalog mit dem grundsätzlichen Kundengeschmack übereinstimmen“, sagt Alessandro Checco, Forschender an der Universität Sheffield. „Aus geschäftlicher Perspektive sind Effizienzsteigerungen in den Bereichen Lieferantenmanagement, Umschlag und Versand unerheblich im Vergleich zu den Verbesserungen, die durch ein gründlicheres Verständnis der Persönlichkeiten und Gewohnheiten der Kundschaft erzielt werden könnten.“ Um dem Einzelhandel dabei zu helfen, gewissermaßen einen Blick in die Köpfe der Kundinnen und Kunden zu werfen, setzt das EU-finanzierte Projekt FashionBrain auf Technologie und Big Data.

Daten und maschinelles Lernen

Um die Wertschöpfungskette in der Modeindustrie zu verbessern, verfolgte das Projekt das Ziel, innovative neue Einkaufserlebnisse zu schaffen, durch die Einzelhändler besser in der Lage sind, einflussreiche Akteurinnen und Akteure zu erkennen und zu verfolgen und neu aufkommende Modetrends vorherzusagen. Zu diesem Zweck konsolidierten und erweiterten die Forschenden bereits bestehende Technologien aus den Bereichen Datenbankverwaltung, Data Mining, maschinelles Lernen, Bildverarbeitung, Informationsabruf und Crowdsourcing. „Als erstes haben wir die reine Fülle an Daten, die von unterschiedlichen Akteuren in der Modeindustrie erzeugt wurden, erfasst und kombiniert. Dabei bezogen wir diverse Hersteller und Vertriebsnetze, Onlineshops, große Einzelhandelsunternehmen, Anbieter sozialer Medien, Callcentern und den Modemedien ein“, erklärt Checco. „Diese Daten wurden anschließend ausgesiebt, analysiert und für unsere Maschinenlernalgorithmen eingelesen.“ Aus dieser Arbeit gingen mehrere bedeutende Werkzeuge und Lösungen hervor. Da wäre beispielsweise die integrierte Infrastruktur FaBIAM, die zur Speicherung, Verwaltung und Verarbeitung von heterogenen Modedaten dient. Das Projekt hat außerdem die innovative Bibliothek Flair für die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) entwickelt. NLP ist ein Forschungsfeld, das sich mit der Programmierung von Computern zum Zwecke der Verarbeitung und Analyse großer natürlichsprachiger Datenmengen befasst. „Flair stellt eine neue Herangehensweise an grundlegende NLP-Aufgaben wie syntaktische und semantische Analysen dar“, so Checco. „Im Rahmen des Projekts konnten wir zeigen, dass dieser Ansatz, der als Open Source verfügbar ist, allen bisherigen Methoden deutlich überlegen ist.“ Weitere wichtige Ergebnisse des Projekts waren unter anderem eine umfassende Text-Bild-Suchfunktion, ein Tool zur Erkennung von einflussreichen Modeakteurinnen und -akteuren und eine Methode zur Prognose von Modetrends (PredTS).

Unternehmen spüren den Nutzen bereits

Laut Checco sind diese Werkzeuge für den Einzelhandel wertvoll, da sie neuartige Dienste bieten, die das Einkaufserlebnis der Kundinnen und Kunden verbessern und die Markenbindung steigern können. „Ein Kunde kann dadurch zum Beispiel personalisierte Empfehlungen erhalten und verfeinerte Suchanfragen zu Modeartikeln stellen, die nach Bildern, komplexen Textbeschreibungen und weiteren Kriterien gefiltert werden können“, so Checcho. „Der Einzelhändler wiederum kann eine Marketing-Story über ein Produkt kreieren, die dem Geschmack der Kundinnen und Kunden entspricht, statt ihnen nur einen Artikel und den Preis zu zeigen.“ Doch das ist längst nicht bloß Theorie: die Werkzeuge von FashionBrain bringen den Unternehmen schon jetzt spürbare Vorteile. So konnte Zalando zum Beispiel dank der Nutzung von Flair seinen Umsatz pro Kunde/Kundin bereits messbar steigern. Der Analysedienstleister MonetDB Solutions hat sein Unternehmen nicht nur auf die doppelte Stärke ausgebaut, sondern auch neue Investitionen und mehrere neue Kunden gewonnen, darunter auch börsennotierte multinationale Unternehmen.

Schlüsselbegriffe

FashionBrain, Daten, Mode, Modetrends, Technologie, Big Data, Modehändler, Modeindustrie, Data Mining, maschinelles Lernen, Verarbeitung natürlicher Sprache, NLP, Zalando

Projektinformationen

ID Finanzhilfevereinbarung: 732328

Status

Abgeschlossenes Projekt

  • Startdatum

    1 Januar 2017

  • Enddatum

    31 Dezember 2019

Finanziert unter:

H2020-EU.2.1.1.

  • Gesamtbudget:

    € 2 794 448,75

  • EU-Beitrag

    € 1 699 323,75

Koordiniert durch:

THE UNIVERSITY OF SHEFFIELD