Skip to main content

Article Category

Article available in the folowing languages:

Utiliser les données pour comprendre et prédire les tendances de la mode

Grâce à la technologie et aux mégadonnées, une équipe de chercheurs européens développe actuellement des outils pour aider les enseignes de mode à améliorer l’expérience client.

Économie numérique

Dans l’industrie fortement concurrentielle de la mode, il est vital de garder de l’avance sur ses concurrents en étant capable de comprendre les besoins des consommateurs et d’anticiper les futures tendances. Désormais, grâce aux mégadonnées, les enseignes de mode disposent d’outils à la hauteur de la tâche. «Un fichier contenant l’intégralité des achats précédents n’est pas suffisant pour véritablement comprendre la manière dont le catalogue de produits s’aligne avec les goûts d’un client en général», indique Alessandro Checco, chercheur à l’Université de Sheffield. «D’un point de vue commercial, les gains d’efficacité en matière de gestion des fournisseurs, de l’expédition et du traitement sont moindres, comparés aux avantages potentiels d’une meilleure compréhension de la personnalité et des habitudes des clients.» Pour aider les enseignes à «entrer dans la tête de leurs clients», le projet FashionBrain, financé par l’UE, se tourne vers la technologie et les mégadonnées.

Données et apprentissage automatique

L’objectif du projet était d’améliorer la chaîne de valorisation de l’industrie de la mode en concevant de nouvelles expériences innovantes d’achats, permettant ainsi d’aider les enseignes à identifier et à suivre les influenceurs, et à prédire les tendances de la mode à venir. Pour ce faire, les chercheurs ont consolidé et développé des technologies existantes dans les domaines de la gestion des bases de données, de l’exploration de données, de l’apprentissage automatique, du traitement d’image, de la récupération d’informations et de la production participative. «Pour commencer, nous avons recueilli et combiné l’énorme volume de données généré par les différents acteurs de l’industrie de la mode. Nous avons impliqué des fabricants ainsi que des réseaux de distribution, des boutiques en ligne, de grandes enseignes, des plateformes de médias sociaux, des centres d’appel et des médias de la mode», explique Alessandro Checco. «Ces données ont ensuite été organisées, analysées et utilisées pour alimenter nos algorithmes d’apprentissage automatique.» Plusieurs outils et solutions importants ont vu le jour grâce à ce travail. Prenons par exemple FaBIAM, une infrastructure intégrée destinée au stockage, à la gestion et au traitement de données hétérogènes liées à la mode. Le projet a également développé une bibliothèque de pointe pour le traitement du langage naturel (TLN), appelée Flair. Le TLN est un domaine qui consiste à programmer des ordinateurs pour traiter et analyser de grands volumes de données en langage naturel. «Flair représente une approche novatrice pour remplir des fonctions essentielles du TLN, telles que les analyses syntaxiques et sémantiques», affirme Alessandro Checco. «Au cours du projet, nous avons apporté la preuve que cette approche s’avère bien plus performante que toutes les autres méthodes existantes, et est disponible gratuitement en version open source.» D’autres résultats significatifs incluent une fonctionnalité de recherche d’images via du texte de bout en bout, un outil de découverte des influenceurs de la mode, ainsi qu’une méthode de prédiction des tendances de mode (PredTS).

Des entreprises en bénéficient déjà

Selon Alessandro Checco, ces outils aideront les enseignes en leur fournissant des services innovants permettant d’améliorer l’expérience d’achat des consommateurs et d’accroître la fidélité envers la marque. «Un client pourra par exemple recevoir des recommandations personnalisées et effectuer des recherches avancées d’articles de mode par image, par description textuelle complexe, etc.», ajoute-t-il. «Dans le même temps, les enseignes pourront composer des histoires marketing concernant un produit qui correspond aux goûts du client, plutôt que de simplement lui montrer un article et son prix.» Mais il ne s’agit pas que de théories, car plusieurs entreprises bénéficient déjà des outils de FashionBrain. Par exemple, Zalando a enregistré une augmentation mesurable de ses revenus moyens par client grâce à l’utilisation de Flair. Le fournisseur de services d’analyse MonetDB Solutions n’a pas seulement doublé en taille, mais a également reçu de nouveaux investissements et a gagné plusieurs nouveaux clients, parmi lesquels figurent des multinationales cotées en bourse.

Mots‑clés

FashionBrain, données, mode, tendances de mode, technologie, mégadonnées, enseignes de mode, industrie de la mode, exploration de données, apprentissage automatique, traitement du langage naturel, Zalando

Découvrir d’autres articles du même domaine d’application