鞋履流行色预测数据标签体系构建策略研究

徐成锐，田玉晶

（1.上海立达学院，上海 201609；2.东华大学，上海 200051）

0 引言

流行趋势的预测对时尚产业具有的正向意义包括：a）帮助设计师了解竞争品牌接下来可能的设计，从而调整自己的设计；b）帮助制造商与零售商有效调节库存；c）助力明星、网红等跻身或立足时尚圈。作为流行趋势预测的重要版块，流行色是一段时期、一定地域内，在某一群体中迅速传播、盛极一时的色彩，反映了特定历史时期和地区人们对服装、配饰、商品、环境色彩的审美需求。流行色研究在时尚设计领域中扮演着重要的角色，可以引领时尚潮流，影响人们的穿着习惯，对鞋履产业的发展具有重要的影响。

1 数据挖掘介入流行色预测

目前，鞋履与流行色预测行业目前存在的需求与矛盾，包括了：a）快时尚语境下，企业、品牌对即时流行色获取的需求，与大部分流行色报告按季度推出的频率不匹配；b）企业、品牌对自身细分市场流行色的需求，与大部分流行色报告针对较普遍受众推出的范围不匹配等。目前，鞋履流行色在应用领域，往往依托于服装流行趋势预测的经验，缺乏具有针对性、系统性的研究，通过引入数据挖掘的思维，有助于针对鞋履进行智能、定制化需求的流行色预测。

从以往案例来看，大数据的合理应用可以帮助企业挖掘机会，使其可以结合实际情况做出相应决策，在竞争激烈的市场环境中不断提升综合实力，支持自身良性发展。数据挖掘，意为从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有效的、新颖的、具有潜在价值的并且最终可理解的模式的非平凡过程[1]。作为一种独立于不同行业间的数据挖掘标准流程模型[2-3]，CRISP-DM过程将数据挖掘项目的生命周期描述为商业理解、数据理解、数据准备、建模、评价和部署六大步骤。其中，“数据理解”和“数据准备”据统计一般需要花费整个项目50%～80%的时间，是项目落实的重要基础，其中对数据的选择、构造、清洗等是关键。故而高效的鞋履流行色预测，离不开建立完善的鞋履流行色预测数据标签体系。

2 鞋履流行色预测关键指标

2.1 鞋履相关概念

明晰鞋履本身的特点，可以在服装流行趋势预测的大框架下，更好地建立具有针对性的鞋履流行色预测数据标签体系。本文将从设计元素和品牌分层两个方面来分析鞋履的特点。

2.1.1 鞋履的设计元素

借鉴服装领域，刘晓刚将设计元素的划分为造型、面料、结构、工艺、形式、搭配等12个大类[4]。赵妍将鞋履的设计要素分为鞋楦、帮面款式、底跟型款式、面料与色彩5个方面[5]。结合服装设计元素，本文将鞋履的设计元素定义为款式、色彩、底跟型、跟高、鞋帮高度、头型、开口位置、口门形状、辅料、鞋面材质、鞋里材质、鞋底材质、风格、装饰元素、工艺、性别以及季节。如图1，是根据上述设计元素对一款鞋履的分析。其中，考虑到对色彩影响的程度，本文选择了款式、风格、性别、季节这几个要素，作为鞋履设计元素中的流行色预测关键指标。

图1 United Nude Zink Run MJ的设计元素分析（笔者自绘）

（1）款式

在人类文明漫长的发展过程中，鞋履演变出了种类繁多的款式。卡罗琳·考克斯用60款代表性鞋靴来演绎了鞋履在时尚领域的发展史[6]；Jane Schaffer和Sue Saunders列举了20个基本款式，并认为我们所见到的大部分鞋款都可以在这20个鞋款上通过材质、楦形、线条等元素的变化应用而来[7]。本文根据底跟型、跟高、鞋帮高度、开口位置、口门形状、鞋面材质、鞋里材质、鞋底材质、风格等要素，将所有的鞋履款式总结为以下六种大类：皮鞋、运动鞋、休闲鞋、凉鞋、靴子、拖鞋以及单鞋。再将布洛克、球鞋、帆布鞋、洞洞鞋、马丁靴、人字拖、玛丽珍鞋等细分款式归入上述大类。随着设计师不断突破鞋履的外观设计，以及近几年兴起的街头运动等风潮，进一步解构了界限分明的传统鞋履款式分类方式。在大数据时代，可以结合深度学习技术，利用图像与文本的关联学习，不断扩充款式种类归入大类，为后续研究中的款式识别打下框架性基础。

（2）风格

风格是时尚产品具有代表性的特点，表现为形式的美感和设计的独特。关于时尚产品风格的界定尚未产生统一的标准，本文按照时间对应的“复古”与“未来”，空间对应的“自然”与“都市”为尺度，对时尚产品的风格进行大类的划分，由此可以分为“复古”“都市”“未来”“自然”四个象限，可以对几乎所有风格进行归类。如图2，是对一些常见风格的分类。随着时代发展和人类生活方式的改变，不断出现的新的风格也可以归类在图中对应的象限中，届时图中的已经存在风格也可以根据当下时间、空间尺度的变化，进行坐标平面上的位移。

图2 鞋履风格分布示意图（笔者自绘）

（3）性别

消费者性别与色彩偏好具有明显的相关性[8]。除了传统的二元性别划分，“中性化设计”也是时尚界多年来一直值得关注的一个议题。社会经济发展导致的意识形态改变、体育运动造成的中性化市场发展、特殊人群的浮现等一系列社会背景，导致了中性化市场的形成[9]。除了从性别的光谱上进行划分，还可以从年龄层次进行市场分层。一般而言，人的一生可以根据年龄段的不同分为童年、少年、青年、中年和老年。而由于少年儿童身心发展与审美爱好与其他阶段群体有显著差异，其对于鞋履的选择受到自身心理年龄与外部环境等综合因素的影响，故所对应的鞋履市场也可以被模糊为童鞋市场、成人市场。结合上述两种维度，在本文中，鞋履产品的性别元素可以分为女童、男童、女性、男性、中性。

（4）季节

季节对于鞋履流行色的影响较为明显。鞋履的季度元素依照国际四大时装周，一般被划分为春夏和秋冬两季；此外，越来越多的品牌在主秀之间加入季间系列，包括了早春和早秋。至此，按照品牌的发布，产品的季度可以分为一年四季。流行色表现与季节的变化遵循一定的规律，例如Wong等从历年秀场数据中，发现高纯度、多色彩、柔和色系、大地色系、无彩色、紫色系6种颜色循环阶段的重复出现[10]。

2.1.2 鞋履的品牌分层

针对服饰品牌，一般采用按照价值和消费层次的分类方式，根据对其理解的不同，一般存在不同的分类结果。本文通过参考相关文献[7,11,12]，结合鞋履款式中“球鞋”的特殊的社会意义[13]，将发布鞋履的品牌共分为如图3的鞋履品牌分层示意图，上下层级的关系不仅代表了所处其中品牌的价值和消费层次，也暗藏流行趋势传播的动线。厘清品牌的分层，有助于目标品牌的定位、参考品牌的选择，促进定制化鞋履流行色预测数据的选择和使用。

图3 鞋履品牌分层示意图（笔者自绘）

2.2 鞋履流行色影响代表和数据采集路径

流行趋势产业最早出现于1915年，此后的百余年间，流行色的传播出现了下渗效应、发泡理论、泛流理论、潮流菱形剖面图等不同模式[14,15]。随着社会环境、信息传播方式的变革，以及行业自身的发展，流行色在时尚产业各节点间，已经呈现出随机传播的现象。

根据不同的传播模式，传播节点有不同的分类方式，流行的生成和传播机理也会有所差异——如在潮流菱形剖面图中，流行产生于“潮流创造者”“潮流缔造者”之流，经过“潮流追随者”“早期的主流文化者”逐渐向大众传播，并在这个过程中产生价值。如图4，本文将流行色生成的影响代表分为以下两类：

图4 鞋履流行色影响代表和数据采集路径（笔者自绘）

（1）“集体数据”指社会群体与时尚行业中，通过集体运作，实现鞋履流行色的传播，并直接转化为商业价值的单位所产生的数据，例如品牌方、时尚媒体和零售商数据等；

（2）“个体数据”指由个体即可实现鞋履流行色的传播，并间接创造商业价值的单位所产生的数据，例如造型师、编辑、设计师、模特、名人、戏服设计师、街拍明星、社交媒体博主和创意消费者数据等。

这些流行色生成的影响代表经过不同的渠道发布自己的流行内容，这些渠道也是爬取图片数据的网络站点，在本文中可以分为以下几大类：

（1）社交媒体：包括国内外不同平台上的数据内容，例如在社交平台Instagram、小红书上，不仅有不同层级品牌方的官方账号，还有为数众多的影响代表每天都在用图片定格时尚，他们的粉丝和评论量等数据可以侧面反映其影响力。

（2）线上零售：受到移动电子商务发展的红利而出现的越来越多的零售平台和品牌官方商城，其所呈现的产品图片与销售相关数据都可以作为后续鞋履流行色预测的重要支撑；国内外知名的零售平台包括天猫、Lane Crawford、亚马逊等。

（3）资讯网站：分为“时尚资讯网站”、“秀场网站”和“街拍网站”等，著名的时尚资讯网站有Hypebeast、WWD、BOF等；著名秀场网站有Vogue Runway、Now fashion等；著名的街拍网站有HARPERS BAZAAR street style、Tommy Ton、Street Peeper等。

3 鞋履流行色预测标签体系构建

3.1 数据标签和描述元素

为设计有效的数据标签体系，一方面运用前文总结的关键指标，一方面将元数据标准纳入考量，筛选有价值的元素对标签体系进行补充。李晓玲等在通用元数据基础上设计了一个含有23个元素的服装图片元数据标准[16]。通过对比，本文选取如下的13个元素对爬取的图片进行描述或打标：

（1）数据标签

①图片类型（Type）：将采集图片中的内容按照“时尚”“产品”“空间”和“其他”类进行初步分类[17]；

②来源（Source）：根据数据来源通路标注，如“社交媒体-小红书-名人-XX”“零售平台-Ssense”；

③品牌（Brand）：对可识别的单品进行品牌名称标注，如“李宁”“Maison Margiela”等，且针对“时尚”标签需按照图3标注品牌层级，如“奢侈品牌”“街头运动品牌”等；

④款式（Category）：针对“鞋履”标签进行标注，如“高跟鞋”“运动鞋”等；

⑤风格（Style）：针对“时尚”标签，按照图2标注设计风格；

⑥使用范围（Application）：即该单品的适用对象，参考前文中的“性别”元素，如“女性”、“男性”、“中性”、“男童”、“女童”；

⑦季节（Season）：按照单品所属季度进行标注，针对“时尚”标签标注，如“2024早春”“2024春夏”“2024早秋”“2024/25秋冬”等；

⑧日期（Date）：将图片发布的日期作为索引标签，著录内容采用公元纪年，如“2023-10-31”“2023”“10月”；

⑨地域（Region）：对图片发布产品所属地域、地域文化分类进行标注，如“中国”“日韩”“欧美”等；

（2）数据描述

①题名（Title）：用于著录某一款式的名称，如图1中的“Zink Run MJ”；

②色彩（Color）：结合“图像颜色识别”技术，运用数字色彩模式（HEX/RGB/CMYK/HSB等）标注图片中主体的色彩；

③URL（Uniform Resource Locator）：著录统一资源定位符，即网址；

④文本（Text）：著录配合图片发布的文本信息。

3.2 构建鞋履流行色数据标签索引内涵

根据前文中设定的标签元素，如表1，是本文梳理的鞋履流行色图片数据标签与索引内涵，可用于对于爬取数据的打标。其中部分标签的内涵可以通过机器学习不断扩容。

表1 鞋履流行色图片数据标签与索引内涵（自制）

3.3 鞋履流行色预测数据标签体系应用范例

如表2，是在社交媒体上爬取的一款鞋履的图片数据，根据本文所构建的鞋履流行色预测数据标签体系后，进行打标的示例。

表2 鞋履流行色图片数据打标示例（自制）

4 结语

本文梳理了鞋履流行色智能预测的关键指标，包括鞋履的设计元素、品牌分层，流行色生成的影响代表和数据采集路径，参考服装图片元数据标准，建立了具有参考价值的鞋履流行色预测数据标签体系和内涵。其中包含了9项数据标签元素和4项数据描述元素，在数据挖掘生成鞋履流行色的时序中，可以用于爬取数据的描述、管理、选择、清洗等流程。通过建立针对鞋履的流行色预测数据标签体系，对后续相关研究形成初步的基础，该标签体系具有一定的适用性，内涵可以随着时间的推移不断优化；在未来，还可以通过不同标签数据与市场流行色表现的关系，对不同标签数据进行赋权，不断对预测结果进行验证和修正，建立可靠的预测模型，为企业高效地、定制化智能预测流行色。将预测结果应用于实际的鞋履设计和生产中，可以为鞋履企业提供科学的设计和生产指导，开发出适销对路的产品，提高其竞争力，最终为行业的整体发展作出贡献。