Κέρδη:
- Δυνατότητα διάκρισης των εννοιών της τάσης, της μακρο/μικρο τάσης και της εποχής και η χρήση τεχνητής νοημοσύνης ως βοηθός έρευνας που συνοψίζει μεγάλους όγκους σημάτων
- Δυνατότητα σύνθεσης σημάτων από πηγές όπως δρόμοι, μέσα κοινωνικής δικτύωσης, επιδείξεις μόδας και δεδομένα πωλήσεων με την υποστήριξη της τεχνητής νοημοσύνης και μετατροπής τους σε μια ιστορία τάσης για συγκεκριμένη μάρκα
- Δυνατότητα αναγνώρισης ότι η ερμηνεία των τάσεων της τεχνητής νοημοσύνης είναι περιορισμένη χρονικά και πιθανολογική και πρέπει να επαληθευτεί με τρέχοντα δεδομένα πεδίου και πωλήσεων.
Κάθε συλλογή είναι μια απάντηση σε μια ερώτηση: "Τι θα θέλουν να φορέσουν οι άνθρωποι την επόμενη σεζόν;" Η απάντηση σε αυτό το ερώτημα δεν είναι ποτέ οριστική. Το πολύ, είναι μια εκτίμηση που προέρχεται από καλά διαβασμένα σήματα. Αυτό είναι η ανάλυση των τάσεων: συλλογή σημάτων από το δρόμο, τα μέσα κοινωνικής δικτύωσης, επιδείξεις μόδας, δεδομένα πωλήσεων και πολιτιστικές τάσεις και μετατροπή τους σε εποχιακή ιστορία. Η ανάγνωση της τάσης για έναν σχεδιαστή είναι σαν ένας ναυτικός που διαβάζει τον άνεμο: διαβάστε την κατεύθυνση σωστά και θα πλεύσετε, διαβάστε τη λάθος και θα παρασυρθείτε.
Είναι σημαντικό να διακρίνουμε δύο έννοιες σε αυτό το έργο. Οι μακροοικονομικές τάσεις είναι σημαντικές πολιτιστικές τάσεις που καλύπτουν χρόνια (π.χ. «έμφαση στην άνεση και τη λειτουργία», «συνείδηση αειφορίας»). Τα Microtrends, από την άλλη πλευρά, είναι μικρά κύματα (ένα ιδιαίτερο ντεκολτέ, ένας χρωματικός τόνος, ένα αξεσουάρ) που μπορούν να λάμπουν και να ξεθωριάζουν γρήγορα μέσα σε μια σεζόν. Η macro τάση επηρεάζει τη μακροπρόθεσμη κατεύθυνση της επωνυμίας, ενώ η μικρο-τάση επηρεάζει το χρονοδιάγραμμα μιας συλλογής κάψουλας ή ενός μεμονωμένου προϊόντος. Το να μπερδεύεις τα δύο σημαίνει να μπερδεύεις μια προσωρινή μόδα με μια μόνιμη επένδυση.
Τι κάνει η τεχνητή νοημοσύνη στην ανάλυση τάσεων
Το πιο επίπονο κομμάτι της ανάλυσης των τάσεων είναι ο όγκος: χιλιάδες φωτογραφίες, εκατοντάδες εικόνες επίδειξης μόδας, αμέτρητες αναρτήσεις στα μέσα κοινωνικής δικτύωσης, δεδομένα μηνών πωλήσεων. Δεν μπορεί κανείς να τα σαρώσει ένα προς ένα. Εδώ μπαίνει η τεχνητή νοημοσύνη: γρήγορη σύνοψη μεγάλων όγκων κειμένου και εικόνων (με οπτική τεχνητή νοημοσύνη), επισήμανση επαναλαμβανόμενων μοτίβων, ομαδοποίηση διάσπαρτων σημάτων.
Αλλά θυμηθείτε την κρίσιμη διάκριση: η τεχνητή νοημοσύνη συνοψίζει τα σήματα, εσείς δίνετε νόημα και κατεύθυνση. Η τεχνητή νοημοσύνη μπορεί να λέει "τα παντελόνια με φαρδύ πόδι επαναλαμβάνονται σε πολλές εικόνες". Αλλά είναι στο χέρι σας να αποφασίσετε εάν έχει νόημα για την επωνυμία και τη βάση πελατών σας. Επιπλέον, η γνώση της τεχνητής νοημοσύνης έχει παγώσει από μια ημερομηνία και δεν μπορεί να γνωρίζει το μέλλον. Η ερμηνεία του είναι ιστορική και πιθανολογική. Το πιο φρέσκο σήμα είναι πάντα στο έδαφος: πωλήσεις καταστημάτων, τιμές επιστροφής, καλάθια πελατών.
Συμβουλή: Μην ρωτάτε την τεχνητή νοημοσύνη "ποια θα είναι η τάση την επόμενη σεζόν". Αυτό ζητά μια βεβαιότητα που δεν υπάρχει. Αντί να πείτε "εδώ είναι τα σήματα που συνέλεξα, συνοψίστε τα για μένα και εξάγετε ένα μοτίβο". Φέρνεις τα σήματα, παίρνεις τη σύνθεση από αυτό.
Βήμα προς βήμα: από το σήμα στην ιστορία της σεζόν
Βήμα 1 — Συλλέξτε σήματα. Προσδιορίστε τις πηγές σας: φωτογραφίες street style, αναφορές τάσεων του κλάδου (δημοσιευμένες), συλλογές ανταγωνιστών, μέσα κοινωνικής δικτύωσης, τα δικά σας δεδομένα πωλήσεων. Αυτές είναι οι πρώτες ύλες σας.
Βήμα 2 — Ζητήστε περίληψη και ομαδοποίηση. Τροφοδοτήστε τις σημειώσεις κειμένου που συλλέξατε στο AI και εξάγετε επαναλαμβανόμενα θέματα: σιλουέτα, χρώμα, ύφασμα, λεπτομέρεια, συναίσθημα.
Βήμα 3 — Περάστε το μέσα από το φίλτρο επωνυμίας. Αντιστοιχίστε τα θέματα που προκύπτουν με τη δική σας ταυτότητα επωνυμίας. «Μας ταιριάζει αυτό το θέμα, το θέλει το κοινό μας, ταιριάζει με τη θέση μας;»
Βήμα 4 — Διασταυρώστε τα δεδομένα πωλήσεων. Η ισχυρότερη επικύρωση είναι οι προηγούμενες πωλήσεις σας. Ένα θέμα που προτείνεται από την τεχνητή νοημοσύνη βρίσκει ανταπόκριση στα δεδομένα σας;
Βήμα 5 — Μετατρέψτε το σε ιστορία εποχής. Συνδέστε τα υπόλοιπα 2-3 δυνατά θέματα σε μια αφήγηση: το όνομα της συλλογής, τα συναισθήματα, τα βασικά κομμάτια και η κατεύθυνση του χρώματος. Αυτή η ιστορία γίνεται ο πυρήνας της ιδέας και του κλίματος στις επόμενες ενότητες.
Ο παρακάτω πίνακας συνοψίζει τα δυνατά και τα αδύνατα σημεία της τεχνητής νοημοσύνης στο πλαίσιο των τάσεων:
Αναζήτηση
τεχνητή νοημοσύνη
Άνθρωπος (σχεδιαστής)
Συνοψίζοντας χιλιάδες σήματα
πολύ δυνατός
αργό
Εξαγωγή μοτίβου/θέματος
Δυνατό (σχέδιο)
επικυρωτή
Απόφαση καταλληλότητας εμπορικού σήματος
αδύναμος
υποχρεωτική
Τρέχουσες πληροφορίες πεδίου/πωλήσεων
κανένα/παλιό
πραγματική πηγή
γνωρίζοντας το μέλλον με βεβαιότητα
αδύνατο
Αδύνατον (πρόβλεψη)
τρεις μίνι θήκες
Περίπτωση 1 — Δαμασμός της έντασης. Μια μάρκα αθλητικών ειδών συγκέντρωσε τα κείμενα 800 αναρτήσεων χρηστών από 5 διαφορετικές πλατφόρμες που συνοψίζονται από την τεχνητή νοημοσύνη. Η δουλειά, που θα χρειαζόταν 3 μέρες χειροκίνητα, μειώθηκε σε μισή μέρα. Η τεχνητή νοημοσύνη πρότεινε 6 θέματα όπως «ουδέτεροι γήινοι τόνοι, υπερμεγέθη κοπή, στρώμα στο δέρμα». Η ομάδα τα συνέκρινε με δεδομένα πωλήσεων. Μόνο 3 από τα 6 θέματα βρήκαν ανταπόκριση στο δικό τους κοινό. Αποτέλεσμα: σύνθεση από τεχνητή νοημοσύνη, επιλογή από άνθρωπο.
Περίπτωση 2 — Το τίμημα της ψευδούς εμπιστοσύνης. Μια μάρκα εμπιστεύτηκε τη φράση της τεχνητής νοημοσύνης «το ζωντανό φούξια θα είναι πολύ μοντέρνο αυτή τη σεζόν» και εφοδιάστηκε. Ωστόσο, η τεχνητή νοημοσύνη δεν μπορεί να γνωρίζει το μέλλον. Αυτό που είπε ήταν μια επανάληψη ενός μοτίβου σε δεδομένα του παρελθόντος. Η φούξια δεν ήταν δημοφιλής στο κοινό της μάρκας εκείνη τη σεζόν και το απόθεμα παρέμεινε διαθέσιμο. Μάθημα: Η «πρόβλεψη» της τάσης του AI δεν είναι σίγουρη. Πρέπει να επικυρωθεί στο δικό σας κοινό.
Περίπτωση 3 — Μακρο/μικροσύγχυση. Ένας σχεδιαστής τοποθέτησε μια πολύ συγκεκριμένη λεπτομέρεια γιακά, μια εποχιακή micro trend, ως βασική γραμμή στο μόνιμο DNA του brand. Όταν η τάση πέρασε, η συλλογή έμοιαζε παρωχημένη. Το AI είχε απαριθμήσει τα θέματα, αλλά ήταν δουλειά του ανθρώπου να διακρίνει ποια ήταν μακρο και ποια μικρο.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Σύνοψη σήματος:
Παρακάτω είναι τα σήματα τάσης (σημειώσεις στυλ δρόμου, παρατηρήσεις διαδρόμου, σημειώσεις πωλήσεων) που συνέλεξα:[επικόλληση κειμένου]Εργασία: Ομαδοποιήστε τα με επαναλαμβανόμενα θέματα. Για κάθε θέμα: (1) σύντομο όνομα, (2) σε ποιο σήμα εμφανίζεται, (3) σιλουέτα/χρώμα/ύφασμα/λεπτομέρεια/ετικέτα συναισθημάτων. Πρόβλεψη του μέλλοντος. Απλώς συνοψίστε τα δεδομένα που σας έδωσα.
2) Διαχωριστής μακρο/μικρο:
Εδώ είναι τα θέματα στα οποία ανακάλυψα: [λίστα]. Εργασία: Αξιολογήστε κάθε θέμα ως προς το εάν είναι "μακροεντολή (που εκτείνεται σε χρόνια)" ή "μικρο (μία σεζόν)" και γράψτε το σκεπτικό. Όπου υπάρχει αμφιβολία, δηλώστε ξεκάθαρα. Η απόφαση θα μείνει μαζί μου.
3) Φίλτρο προσαρμογής επωνυμίας:
Η επωνυμία μου: [κοινό, τοποθέτηση, αισθητικό DNA, τμήμα τιμών]. Θέματα τάσης: [λίστα]. Εργασία: Βαθμολογήστε κάθε θέμα από 1 έως 5 ως προς την καταλληλότητα για την επωνυμία μου και εξηγήστε με μία πρόταση γιατί ταιριάζει ή όχι. Μην πιέζετε αυτούς που δεν ταιριάζουν. Αξιολογήστε με ειλικρίνεια.
4) Περίγραμμα ιστορίας σεζόν:
Δυνατά θέματα που επέλεξα: [2-3 θέματα]. Μάρκα: [σύντομη περιγραφή]. Εργασία: Γράψτε ένα περίγραμμα ιστορίας εποχής που να τα συνδυάζει. Περιλαμβάνει: προτάσεις τίτλου συλλογής (5 κομμάτια), έννοια μιας πρότασης, βασικά κομμάτια, χρωματική σκηνοθεσία, συναίσθημα. Αυτό είναι ένα προσχέδιο, θα το επεξεργαστώ.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ποια θα είναι η τάση της μόδας την επόμενη σεζόν;
Αυτό απαιτεί μια βεβαιότητα από το AI ότι δεν μπορεί να γνωρίζει. η έξοδος θα είναι γενική, μπαγιάτικη και αποσυνδεδεμένη από την επωνυμία.
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός έρευνας τάσεων. Εδώ είναι τα τρέχοντα σήματα που συνέλεξα: [80 street style σημειώσεις + 3 παρατηρήσεις πωλήσεων]. Η επωνυμία μου: αστική γυναίκα 25-35 ετών, απλή-μοντέρνα αισθητική, μεσαίο-ανώτερο τμήμα. Εργασία: (1) Ομαδοποιήστε τα σήματα σε επαναλαμβανόμενα θέματα. (2) Προσθέστε ετικέτα Macro/micro σε κάθε θέμα. (3) Βαθμολογήστε 1-5 βαθμούς για την καταλληλότητα με την επωνυμία μου. Πρόβλεψη του μέλλοντος. Απλώς συνθέστε τα δεδομένα που σας δίνω. Είναι στο χέρι μου.
Ο δεύτερος ισχυρισμός τοποθετεί σωστά την τεχνητή νοημοσύνη ως εργαλείο σύνθεσης. Φέρνεις το σήμα, παράγεις την ερμηνεία μαζί και παίρνεις την απόφαση.
Συνήθη λάθη
- Ζητώντας από την τεχνητή νοημοσύνη να «γνωρίσει» το μέλλον. Η ερμηνεία του είναι ιστορική και πιθανολογική. Δεν είναι βεβαιότητα.
- Παράλειψη διασταύρωσης με δεδομένα πωλήσεων. Η πιο ισχυρή επικύρωση είναι η πραγματική συμπεριφορά του δικού σας κοινού.
- Ανάμειξη μακρο και μικρο τάσης. Η τοποθέτηση μιας προσωρινής μόδας στο μόνιμο DNA καθιστά τη συλλογή ξεπερασμένη.
- Δεν αμφισβητείται η καταλληλότητα της μάρκας. Η «γενική τάση» και η «τάση της επωνυμίας σας» είναι διαφορετικά πράγματα.
- Αναμονή για σύνθεση χωρίς συλλογή σημάτων. Εάν δεν υπάρχει είσοδος, η έξοδος είναι μια κενή γενίκευση. Πρέπει να φέρετε την πρώτη ύλη.
Προσοχή: Η περίληψη των τάσεων που παρέχεται από την τεχνητή νοημοσύνη δεν είναι ένα γεγονός πάνω στο οποίο μπορείτε να δημιουργήσετε μια συλλογή, αλλά μια αρχή για να σκεφτείτε. Τα σχόλια και τα δεδομένα πεδίου καθορίζουν τη μοίρα της σεζόν, όχι την απόδοση του μοντέλου.
Συνοπτικά
Η ανάλυση τάσεων είναι το καθήκον της μετατροπής των διάσπαρτων σημάτων σε μια εποχιακή ιστορία και το πιο επίπονο μέρος είναι η ένταση. Η τεχνητή νοημοσύνη τιθασεύει αυτόν τον τόμο: συνοψίζει μεγάλα δεδομένα, εξάγει μοτίβα, προτείνει θέματα. Αλλά η ερμηνεία της ιστορίας είναι περιορισμένη και πιθανολογική. Η απόφαση για την καταλληλότητα της επωνυμίας και την επαλήθευση με ενημερωμένα δεδομένα πωλήσεων ανήκει στον άνθρωπο. Η διαδικασία είναι πέντε βήματα: συλλογή σημάτων, σύνοψη και ομαδοποίηση, φίλτρο επωνυμίας, διασταύρωση με δεδομένα πωλήσεων, μετατροπή σε εποχιακή ιστορία. Διαχωρισμός μακρο και μικρο τάσεων. Η πιο κρίσιμη κρίση του σχεδιαστή είναι να μην συγχέει τον προσωρινό ενθουσιασμό με τη μόνιμη σκηνοθεσία.
Εργασία εφαρμογής
Επιλέξτε μια σεζόν και σχεδιάστε μια πραγματική έρευνα τάσεων. (1) Συλλέξτε τουλάχιστον 30 σημειώσεις σημάτων (οδός, μέσα κοινωνικής δικτύωσης, ανίχνευση πωλήσεων). (2) Ομαδοποιήστε τα σε θέματα με το πρότυπο «σύνοψη σήματος». (3) Επισημάνετε κάθε θέμα με "διαχωριστή μακρο/μικρο". (4) Βαθμολογήστε τη δική σας (ή φανταστική) επωνυμία με το "φίλτρο προσαρμογής επωνυμίας". (5) Συνδέστε τα 2-3 πιο δυνατά θέματα σε μια αφήγηση με ένα «περίγραμμα ιστορίας εποχής» και αιτιολογήστε ποιο θέμα καταργήσατε και γιατί σε μια παράγραφο.
λίστα ελέγχου
- [ ] Μάζεψα τα σήματα μόνος μου. Ήθελα σύνθεση από τεχνητή νοημοσύνη, όχι προφητεία.
- [ ] Χώρισα τα θέματα σε macro/micro.
- [ ] Ταίριαξα κάθε θέμα με την ταυτότητα της επωνυμίας.
- [ ] Έλεγξα τις συστάσεις με τις δικές μου πωλήσεις/απόδοση πεδίου.
- [ ] Έγραψα την αιτιολόγηση για τα θέματα που εξάλειψα.
- [ ] Πήρα την απόφαση σκηνοθεσίας της τελευταίας σεζόν ως άνθρωπος.