Nous sommes à New York, en cette première semaine de février 2014. Les mannequins, les créateurs, les journalistes et tout ce que l’Amérique du nord compte de “fashionistas” se retrouve au coeur de Manhattan pour découvrir ce que les stars porteront dans les prochaines semaines, et ce qui inspirera les fabricants de prêt à porter pour les prochaines saisons. New York, Milan, Paris, vous y voyez ce que vous porterez dans quelques mois.
Mais derrière les podiums et leur agitation, des informaticiens moins sveltes que les top-models qu’ils analysent, transforment ces images en données. Le Big Data a investi l’industrie de la mode, et les créateurs de vêtements deviennent créateurs de valeur.
Rappelez vous la définition du Big Data et ses fameux “3 V”. Volume, Vitesse et Variété. L’industrie de la mode et de la haute-couture est au coeur de cette définition.
Volume : des centaines de pièces de vêtements sont proposées chaque saison par les grands créateurs; Elles sont photographiées, filmées, publiées, commentées, critiquées par des milliers de personnes qui ont toutes un avis sur le sujet. Ce sont des téraoctets de données qui sont créés à l’occasion de chaque présentation de collection.
Vitesse : l’industrie de la mode est dans l’instantané. Même si vous n’avez pas les moyens de vous offrir une simple robe, vous regardez les défilés de haute-couture avec un oeil mi-envieux, mi-intrigué. Ces images sont néanmoins celles que vous aimeriez copier. Et c’est le plus vite possible que vous souhaitez retrouver un produit similaire dans votre magasin de prêt à porter préféré. La vitesse de réaction, l’agilité, sont des points clefs pour une industrie essentiellement délocalisée qui doit composer avec des délais de fabrication et de transport, mais aussi avec l’impatience du client, et l’efficacité du concurrent.
Variété : images, vidéos, commentaires, l’industrie de la mode est une industrie du non-structuré. Le beau n’existe pas, il est subjectif, et le même vêtement recueillera des commentaires élogieux et des critiques acerbes. Comment alors en tirer une tendance, un sentiment général. Seule l’analyse de ces données non structurées permet de comprendre ce que la majorité pense, et de l’analyser plus en détail.
Mais derrière les podiums et leur agitation, des informaticiens moins sveltes que les top-models qu’ils analysent, transforment ces images en données. Le Big Data a investi l’industrie de la mode, et les créateurs de vêtements deviennent créateurs de valeur.
Rappelez vous la définition du Big Data et ses fameux “3 V”. Volume, Vitesse et Variété. L’industrie de la mode et de la haute-couture est au coeur de cette définition.
Volume : des centaines de pièces de vêtements sont proposées chaque saison par les grands créateurs; Elles sont photographiées, filmées, publiées, commentées, critiquées par des milliers de personnes qui ont toutes un avis sur le sujet. Ce sont des téraoctets de données qui sont créés à l’occasion de chaque présentation de collection.
Vitesse : l’industrie de la mode est dans l’instantané. Même si vous n’avez pas les moyens de vous offrir une simple robe, vous regardez les défilés de haute-couture avec un oeil mi-envieux, mi-intrigué. Ces images sont néanmoins celles que vous aimeriez copier. Et c’est le plus vite possible que vous souhaitez retrouver un produit similaire dans votre magasin de prêt à porter préféré. La vitesse de réaction, l’agilité, sont des points clefs pour une industrie essentiellement délocalisée qui doit composer avec des délais de fabrication et de transport, mais aussi avec l’impatience du client, et l’efficacité du concurrent.
Variété : images, vidéos, commentaires, l’industrie de la mode est une industrie du non-structuré. Le beau n’existe pas, il est subjectif, et le même vêtement recueillera des commentaires élogieux et des critiques acerbes. Comment alors en tirer une tendance, un sentiment général. Seule l’analyse de ces données non structurées permet de comprendre ce que la majorité pense, et de l’analyser plus en détail.
Les mannequins défilent, les ordinateurs capturent
Frank BOBER, CEO StyleSight
Pendant que les podiums voient se succéder des dizaines de jeunes femmes ou de jeunes hommes, grands, minces, vêtus des dernières créations des couturiers qui “font” la tendance, les appareils photo crépitent, les caméras tournent, et les journalistes prennent des notes.
Dès que la présentation d’un couturier est achevée, les données collectées sont partagées, publiées, et peuvent donc être analysées. Quels sont les styles, les formes, les couleurs, les accessoires, choisis par le couturier. L’objectif est de mettre en équation - on pourrait dire modéliser - chaque collection, afin d’en comprendre les inspirations.
Chaque tenue présentée est “déconstruite” par l’ordinateur afin d’être transformée en données. La donnée non structurée qu’est la photo d’une tenue, va être transformée en une suite de données structurées qui seront ainsi comparables et analysables.
Des sociétés comme StyleSight, Refinery29 ou Osoyou, analysent ces données pour “comprendre” les choix des créateurs et les modéliser.
Leurs clients sont essentiellement des marques de prêt à porter (StyleSight aurait environ 3000 clients dans ce domaine) qui ont besoin de données pour créer leurs propres collections. StyleSight analyse plus de 10 000 photos par jour, et les métadonnées qui les accompagnent.
La vitesse est un élément critique. “La majorité des défilés que nous analysons sont en ligne une heure après le défilé”, explique Frank Bober, fondateur de StyleSight. Pour une marque de prêt à porter, qui doit dessiner ses modèles, les commander à ses sous-traitants asiatiques, et les faire livrer dans ses boutiques, une différence de quelques jours peut avoir un impact majeur sur la satisfaction des consommateurs et donc sur le chiffre d’affaires.
Mais l’analyse instantanée n’est pas suffisante, et cette modélisation des informations permet également de comprendre les tendances. Les données historiques sont conservées et comparées avec les derniers défilés. “L’objectif est de remettre l’information dans son contexte”, précise Frank Bober.
Les clients de StyleSight sont les marques de prêt à porter, et les grandes enseignes de distribution, qui conçoivent leurs propres collections et les proposent dans leurs magasins à leurs clients particuliers. Ces derniers veulent de la haute couture, ou au moins lui ressembler, mais au prix du prêt à porter. La liste des clients de StyleSight est impressionnante. On y retrouve des compagnies telles que Adidas, Carrefour, Diesel, L’Oréal, Prada... A partir des données fournies, ces marques vont interpréter les tendances et les décliner pour leurs propres clients.
Autre exemple d’analyse, l’évolution des couleurs. Même si la petite robe noire reste un incontournable, le noir en lui-même n’est pas forcément le même d’une année sur l’autre. Les couleurs évoluent, ainsi que leur interprétation. Le panorama coloriel utilisé par une marque doit s’intégrer dans la tendance globale du marché. Les analyses de données provenant des collections de haute couture permettent aux marques de suivre ces évolutions. Les formes également évoluent dans le temps, mais certaines perdurent d’une saison à l’autre; ces tendances sont bien sur porteuses de valeur pour les marques.
Bien évidemment, et heureusement, l’analyse de données ne fait pas tout. Mais aujourd’hui le succès d’une collection de prêt à porter est une combinaison de créativité, d’intuition et de données.
Dès que la présentation d’un couturier est achevée, les données collectées sont partagées, publiées, et peuvent donc être analysées. Quels sont les styles, les formes, les couleurs, les accessoires, choisis par le couturier. L’objectif est de mettre en équation - on pourrait dire modéliser - chaque collection, afin d’en comprendre les inspirations.
Chaque tenue présentée est “déconstruite” par l’ordinateur afin d’être transformée en données. La donnée non structurée qu’est la photo d’une tenue, va être transformée en une suite de données structurées qui seront ainsi comparables et analysables.
Des sociétés comme StyleSight, Refinery29 ou Osoyou, analysent ces données pour “comprendre” les choix des créateurs et les modéliser.
Leurs clients sont essentiellement des marques de prêt à porter (StyleSight aurait environ 3000 clients dans ce domaine) qui ont besoin de données pour créer leurs propres collections. StyleSight analyse plus de 10 000 photos par jour, et les métadonnées qui les accompagnent.
La vitesse est un élément critique. “La majorité des défilés que nous analysons sont en ligne une heure après le défilé”, explique Frank Bober, fondateur de StyleSight. Pour une marque de prêt à porter, qui doit dessiner ses modèles, les commander à ses sous-traitants asiatiques, et les faire livrer dans ses boutiques, une différence de quelques jours peut avoir un impact majeur sur la satisfaction des consommateurs et donc sur le chiffre d’affaires.
Mais l’analyse instantanée n’est pas suffisante, et cette modélisation des informations permet également de comprendre les tendances. Les données historiques sont conservées et comparées avec les derniers défilés. “L’objectif est de remettre l’information dans son contexte”, précise Frank Bober.
Les clients de StyleSight sont les marques de prêt à porter, et les grandes enseignes de distribution, qui conçoivent leurs propres collections et les proposent dans leurs magasins à leurs clients particuliers. Ces derniers veulent de la haute couture, ou au moins lui ressembler, mais au prix du prêt à porter. La liste des clients de StyleSight est impressionnante. On y retrouve des compagnies telles que Adidas, Carrefour, Diesel, L’Oréal, Prada... A partir des données fournies, ces marques vont interpréter les tendances et les décliner pour leurs propres clients.
Autre exemple d’analyse, l’évolution des couleurs. Même si la petite robe noire reste un incontournable, le noir en lui-même n’est pas forcément le même d’une année sur l’autre. Les couleurs évoluent, ainsi que leur interprétation. Le panorama coloriel utilisé par une marque doit s’intégrer dans la tendance globale du marché. Les analyses de données provenant des collections de haute couture permettent aux marques de suivre ces évolutions. Les formes également évoluent dans le temps, mais certaines perdurent d’une saison à l’autre; ces tendances sont bien sur porteuses de valeur pour les marques.
Bien évidemment, et heureusement, l’analyse de données ne fait pas tout. Mais aujourd’hui le succès d’une collection de prêt à porter est une combinaison de créativité, d’intuition et de données.
Analyser ce qu’en pensent les clients
Autre axe d’analyse important, celui de la perception des consommateurs et consommatrices. Pinterest est aujourd’hui utilisé majoritairement par des femmes, qui y partagent leurs images préférées. Après les défilés, les photos mises en ligne par les créateurs et par les sites spécialisés sont partagées par des milliers d’internautes, sur Pinterest principalement. Qui partage quoi, où, à quel moment, et avec quel commentaire ? La réponse à ces questions permet de savoir, au-delà des tendances proposées par les créateurs, ce qui va plaire aux consommateurs. Hier, et encore aujourd’hui, ce sont les Anna Wintour qui décident indirectement de ce que le public doit penser de telle ou telle tenue. Mais de plus en plus, l’opinion des professionnels de la presse de mode est confrontée à la sanction réelle des internautes. Parfois ils sont d’accord, parfois ils ne le sont pas. Et pour une marque de prêt à porter, inclure cette troisième dimension dans ses analyses, permet de se rapprocher un peu plus des souhaits de ses clients et donc du succès commercial.
Il s’agit ici d’analyser la publication de données non-structurées, les photos, et de les rapprocher avec les commentaires qui peuvent y être apposés. L’analyse sémantique des commentaires, statuts, tweets, permet ainsi de déterminer le “sentiment” des internautes vis à vis d’une marque, d’une tenue ou d’un style. Même si la plupart des publications sont positives, elles peuvent parfois être assorties d’un commentaire négatif qu’il faut savoir analyser. La dimension géographique peut être importante, car un même style ou des couleurs, peuvent être très diversement appréciés d’un endroit à l’autre sur la planète.
Et pour aller plus loin, et anticiper où seront ses futurs clients, une grande chaine de prêt à porter d’origine espagnole a confié à Citybank une analyse prédictive des tendances de consommation. Où dois-je implanter dans le monde mes prochains magasins, et mes prochains centres logistiques ? C’est l’analyse des dépenses par cartes de crédit qui permet à cette banque d’analyser sur le long terme les tendances de consommation. “Dites moi ce que les parents consomment aujourd’hui, et je vous dirai ce que leurs enfants consommeront demain”, pourrait être un slogan de présentation de ces nouveaux services bancaires. Ainsi demain, votre banque commercialisera sans doute encore plus de données, et les détaillants et marques grand public seront ses principaux clients. Peut-être même fera-t-elle plus de chiffre d’affaires avec la revente de vos données qu’avec les services bancaires classiques. Et tout cela n’est pas nouveau ! Il y a plus de 15 ans, Luc Heitz, alors directeur des systèmes d’information de la Caisse d’Epargne Loire Drome Ardèche, nous expliquait déjà comment la modélisation des dépenses, anonymisées, de ses clients, permettait de prédire ceux qui allaient divorcer, et ceux qui allaient prochainement changer de voiture. Le pas n’est pas si terrible à franchir que de prévoir aujourd’hui ce que leurs enfants achèteront comme vêtements !
Il s’agit ici d’analyser la publication de données non-structurées, les photos, et de les rapprocher avec les commentaires qui peuvent y être apposés. L’analyse sémantique des commentaires, statuts, tweets, permet ainsi de déterminer le “sentiment” des internautes vis à vis d’une marque, d’une tenue ou d’un style. Même si la plupart des publications sont positives, elles peuvent parfois être assorties d’un commentaire négatif qu’il faut savoir analyser. La dimension géographique peut être importante, car un même style ou des couleurs, peuvent être très diversement appréciés d’un endroit à l’autre sur la planète.
Et pour aller plus loin, et anticiper où seront ses futurs clients, une grande chaine de prêt à porter d’origine espagnole a confié à Citybank une analyse prédictive des tendances de consommation. Où dois-je implanter dans le monde mes prochains magasins, et mes prochains centres logistiques ? C’est l’analyse des dépenses par cartes de crédit qui permet à cette banque d’analyser sur le long terme les tendances de consommation. “Dites moi ce que les parents consomment aujourd’hui, et je vous dirai ce que leurs enfants consommeront demain”, pourrait être un slogan de présentation de ces nouveaux services bancaires. Ainsi demain, votre banque commercialisera sans doute encore plus de données, et les détaillants et marques grand public seront ses principaux clients. Peut-être même fera-t-elle plus de chiffre d’affaires avec la revente de vos données qu’avec les services bancaires classiques. Et tout cela n’est pas nouveau ! Il y a plus de 15 ans, Luc Heitz, alors directeur des systèmes d’information de la Caisse d’Epargne Loire Drome Ardèche, nous expliquait déjà comment la modélisation des dépenses, anonymisées, de ses clients, permettait de prédire ceux qui allaient divorcer, et ceux qui allaient prochainement changer de voiture. Le pas n’est pas si terrible à franchir que de prévoir aujourd’hui ce que leurs enfants achèteront comme vêtements !
