基于大数据驱动的跨境电商服装流行趋势预测机制研究

朱伟明 章钟瑶

DOI：10.3969/j.issn.1673-3851（s）.2023.05.005

收稿日期：2023-03-06  网络出版日期：2023-08-14网络出版日期

基金项目：国家社会科学基金艺术学项目 （2021BG04247）

作者简介：朱伟明（1972—  ），男，浙江绍兴人，教授，博士，主要从事数字化服装设计方面的研究。

摘  要：大数据驱动的跨境电商已成为世界经济增长的新动力。为解决跨境消费者需求差异所导致的服装流行趋势预测不精准性问题，以消费者数据为切入点，通过市场研究与数据挖掘，结构化地厘清跨境市场中的数据来源，在处理与分析、呈现与反馈的预测流程中采用数据量化与数据可视化的處理技术，提出流行趋势预测问题的求解方式，建构跨境电商流行趋势数字化预测机制。该研究不仅可以规避传统预测机制中依靠有限数据与主观判断所导致的片面性决策，而且能为服装设计要素的精细化培育与营销推广的高效发展提供参考。

关键词：流行趋势；预测；跨境电商；服装设计；大数据；消费数据；数据分析

中图分类号：TS941.2；F713

文献标志码：A

文章编号：1673-3851 （2023） 10-0539-10

Research on the prediction mechanism of fashion trend of cross-border e-commerce clothing popularity driven by big data

ZHU  Weiming， ZHANG  Zhongyao

（School of Fashion Design & Engineering， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract： Cross-border e-commerce driven by big data has become a new driving force for world economic growth. To address the imprecision of clothing fashion trend prediction caused by cross-border consumer demand differences， this study takes consumer data as the entry point， constructs a clear source of data in cross-border market through market research and data mining， and uses data quantification and data visualization processing technology to intervene in the prediction process of processing， analysis， presentation and feedback. This study also proposes a solution to the problem of trend prediction， and constructs a digital prediction mechanism of cross-border e-commerce trend. This study can not only avoid one-sided decision-making caused by limited data and subjective judgment in the traditional prediction mechanism， but also build a solid foundation for the fine cultivation of clothing design elements and the efficient development of marketing promotion.

Key words：fashion trend; prediction; cross-border e-commerce; clothing design; big data; consumption data; data analysis

在外需恢复、大量出口订单回流等利好因素加持下，中国服装产业顺应跨境电商发展大趋势，依托完整的纺织供应链体系，连接国内供给端，拉动海外市场需求。随着第三方跨境电商平台数据孤岛、服装行业同质化等问题的出现，建立独立站，让产品实现品牌化成为必然。为了满足数据获取的自由性与自主性，有必要分析运营核心环节的消费数据，准确把握海外消费者需求，解析服装流行发展趋势。服装流行趋势预测是在收集、整理、分析与汇总大量国际时尚动态资讯的基础上，结合政治、经济、文化等地域差异特征，细化包含色彩、款式、风格、图案、面料在内的服装设计元素，挖掘出符合市场与消费者的隐性与超前需求。跨境服装以上新速度与流行设计吸引消费者，数据产生的节奏迅速且数量庞大，时效性成为数据使用效率的关键因素。在“数据—产品—数据”的交互模式下，流行趋势的更新迭代在消费者数据驱动下更具科学性。在有关大数据应用与服装流行趋势的研究中，陈于依澜等［1］提出基于云计算的数据整合技术与分析处理，构建出一个实时高效的服装流行趋势预测方式。吴江宁等［2］基于极限学习机模型的数字算法，聚焦消费者需求个性化特点，利用网络搜索数据与市场成交数据挖掘消费需求，对快时尚产品的流行趋势进行预测。王薇等［3］认为在数据时代样本来源具有海量化与多样化的特点，进而驱动预测流程方式自动化转型与预测结果多重性。程伟等［4］阐述了数字化技术、流行趋势预测、数字化再现等概念，以及在服装流行趋势预测结果中运用再现技术的重要性，目的是从设计师角度出发，运用仿真及创新的设计手法对服装流行趋势预测数字化再现进行实验。项杨雪等［5］基于科学计量学分析法，从网络科学技术角度分析服装流行趋势预测技术如何挖掘海量的消费者行为数据，为建立形成客观的、理性的、公正的、完备的时尚趋势提供支持。

当前对服装类跨境电商的研究侧重运营机理、供应链管理、平台转型等营销层面，从设计层面展开的研究较少；在围绕数据与流行趋势预测方式方面，以往研究多聚焦于数据技术、趋势应用、流行反馈等方面，未充分关注跨境电商背景下消费者数据和流行趋势的交叉应用研究。鉴于此，本文以服装跨境电商产业作为流行趋势预测的原点，首先界定数据的特性，划分为社交媒体、平台销售、消费者三大类数据，接着借助数据量化理论对数据库进行结构化处理，最后对细化的数据词条将结合语义、色彩与图片进行可视化展示。基于研究消费行为数据，深入数据与趋势的交互，实现数据在流行趋势预测中的流通与迭代，借助客观数据降低设计投入成本，反向寻求市场风向主力，将时尚信息转变为消费者可体验可消费的产品与服务，以期对传统预测方式做出调整与改进。

一、数据驱动的跨境电商服装消费市场特点

（一）服装跨境消费渠道分化

据中国海关数据显示，2023年第一季度的纺织服装出口高达722.5亿美元，同比增长11.2% 笔者根据中国海关官方数据进行整理。，出口额创历史新高。随着线上消费成为主流［6］，服装类跨境电商以多元化消费渠道发展作为切入点，从亚马逊、阿里巴巴国际站等第三方跨境电商平台到兰亭集势、Shein、Shopify等独立站布局，从Facebook、Instagram等社交购物平台到TikTok、AmazonLive等线上直播平台，逐步跨越了传统消费区域界限，有序优化了传统贸易的缺陷。数字化消费渠道基于新型外贸模式的创新，即直接触达消费者（Direct-to-Consumer，DTC）的品牌商业模式，绕过外贸交易链的多个中间环节，将卖家直接抵达终端消费者，提升买家的消费自主性，实现线上服务、线下体验、价格优质以及交易效率的深度融合，使流行趋势、服装设计、智能制造与数字销售在消费者与产品交互融合中降本增效。

（二）服装跨境消费数据膨化

服装电商平台的兴起和多媒体的广泛应用，融合消费新场景加速实体经济数字化，是消费者线上购买意识逐渐增强的表现。互联网融入了多元化、人性化的设计理念，打破了传统贸易之间的物理隔阂。集“外贸+互联网”特征于一体的跨境电商［7］，凭借网页定制化设计、便捷化的支付方式、服装多样性展示、购物功能多元化以及售后系统高效化等数字化优势，使消费者能够直观感受数字功能在消费过程中的人文元素，促使用户在消费过程中产生的触点数据呈爆炸式增长。消费者的各类数据融合具有必然性，通过对服装行业进行全面的解析，帮助跨境服装实现精准的趋势预测，从而优化产品设计。

（三）服装跨境消费需求衍化

对于消费者需求的洞察需保持客观性、高效性与预测性。服装类跨境电商在数字化转型与消费观念转变下高速发展，使服装消费态势的转变从有形物质式消费偏向于无形服务式消费，以个性化、多样化消费为主导的服装消费特征取代了传统的模仿型排浪式消费。通过分析用户行为产生海量的相关性数据，能够发现数据背后用户行为的客观規律，并预测用户需求［8］。我国服装类跨境电商出口的主要目标市场是美洲、欧洲、非洲、亚洲等国家，考虑到气候、文化等差异所形成的消费障碍，需依托模块化数据，分析出具有区域性特征的服装流行趋势，由此帮助企业更清晰地了解目标消费者，满足消费群体本地化的需求。

二、跨境消费数据采集架构

为深入剖析流行趋势的演化机理，对消费者数据与时尚流行结构的交互研究是必要的。数据依据存在形态，可分为“抽象数据”和“具体数据”：前者属于概念中的数据，不存在于现实实体中；后者是已经存在的可收集处理的数据［9］。其中，流行资讯作为时尚的先导，以概念主题为主，将其作为基础数据，挖掘存在于互联网中的具体数据，如社交媒体数据、竞争品牌数据、市场销售数据、消费者画像数据等，用于流行趋势数据库的架构。

（一）流行资讯及社交媒体数据

服装类的跨境产品具有生命周期短、价格低、紧跟时尚潮流等特征。为提供目标市场定位的流行趋势，迅速获取最新的信息成为关键。持续监测的流行资讯数据与社交媒体数据所形成的交互新范式［10］，影响了消费者的购买方式。此外，社媒影响者如博主、KOL等，在帮助品牌销售产品的同时，可以通过点赞数据、评论数据、转发数据等让品牌运营者更了解消费者兴趣［11］。

流行资讯数据包括品牌发布会、时尚杂志等行业主流信息，在社交媒体影响下产生的消费者评论、点赞、转发等反馈数据不仅涵盖社交平台中有关电影、音乐、红毯、明星、直播、演出等时尚信息，也包括产品海报、广告、宣传片等推广信息。

（二）市场销售及竞品数据

服装类跨境产品量大，上新速度快，地域销售特征明显，导致产品成交量具有非线性变化特征，人工难以在短时间内客观地预测消费者喜好，运营者通过主观判断法容易出现因决策误差范围过大而引发库存积压问题，导致企业资金链流动缓慢［12］。为规整销售数据，满足数据结果的精准投放，在非结构化数据的特征下，通过爬虫智能爬行算法技术获取跨境平台上在售产品的多维数据，包含产品搜索量、访客量、点击量、收藏量、兴趣量、加购量、销售量等信息，以及产品数据词条，如颜色、图案、风格等。利用灰色关联度分析模型、极限学习机、人工神经网络模型等数据分析技术，筛选出与流行趋势相关性较强的因子，再对离群数据点加以合理修正后，整体进行降维处理后整合成统一的数据源。

在服装类跨境市场中分布了大量同类型、同特征的竞争产品，其竞争要素主要包含运营模式、品牌风格、产品设计、价格资源、生产方式、销售渠道、推广应用。竞争产品的数据具有准确性、代表性等特征，是服装类跨境电商的风向标。通过搜集竞争产品的类目布局、运营机制、销售推广等数据掌握其运作动向：其一，类目布局包含类目架构、标题关键词、设计特征、价格区间、特征描述等；其二，运营机制数据涵盖每日上新数、曝光次数、标签数、平台横幅流量、促销活动、搜索热词等；其三，销售推广所涉及到的数据源有爆款旺款、销售件数、收藏加购量、搜索量、浏览量、停留时长等，将各类单向的线性关系转变成网状的、流动的协作关系，从而体现出产品的波段性反应与变化，改善“盲目预测”，提升预测结果的可利用性。

（三）消费行为偏好数据

权威预测机构与著名设计师以风向标的身份预估与导向服装流行趋势，但最终决定流行趋势走向的是消费者。跨境平台间接性与虚拟性的跨区域传播方式，容易诱发出语言、习俗、宗教等文化差异［13］，而复杂的消费者行为倾向也会影响目标信息的多向展示，因此形成消费者与产品之间的障碍。

通过信息搜索渠道，挖掘消费者性别、年龄、职业、身高、心理、市场、感受等人口统计学数据。先制定宏观的画像轮廓，再细化消费者穿着喜好、审美特征、消费观念、消费模式等偏好与行为数据，形成完整的目标消费画像。在列表并行处理后，将消费数据以宽聚焦策略为主的定位量化关联进行分析与评价，明确市场潜在消费者细分后采取窄聚焦策略，即选择某一单轨数据进一步确认消费对象喜好。采取数据可视化等方式，以图表形式直观展示数据，便于运营者了解结果数据，增强消费者对熟悉数据来源路径的黏性与选择性。此外，构建消费者画像也需参考以往市场情况，搜集目标消费客群的社会地位、消费习惯、爆款流行款等数据，以此为新一期产品流行趋势做参考，凝练成具象的消费者画像数据库。

三、消费者数据介入流行趋势预测机制

（一）流行趋势预测数据分析法

跨境电商的销售与服务趋于本地化发展，导致大范围的流行趋势无法满足市场需求，当前跨境电商服装流行趋势预测研究中亟需解决的问题是，如何用专业的数据分析技术处理爆炸式数据，并提取可利用的数据用于优化预测分析环节。

1.量化数据分析法

在数据膨化背景下，为实现数据处理与量化，规避数据堆砌问题，需积累与整理数据，分析与数据相关的信息，通过建立数据处理模型得出相关结论，避免决策者依赖主观判断可能造成的盲目性与局限性。运用量化统计技术使消费者数据直接或间接地处理成可分析的信息，用于反映消费者的性格、偏好、意向和动机等［14］。图1所示的数据库分类信息包括跨境平台标签搜索词、购买爆款产品的消费者信息、各大跨境平台服装类销售数据和互联网时尚图片信息。这四类数据包含了跨境电商各平台的关键消费信息，从消费行为特征、审美偏好以及心理层面三个角度进行多方面切片、块和旋转等动作剖析消费数据，并结合销售数据进行趋势分析，可以把握服装趋势主题、色彩、风格、款式的整体结构走势。

上述四类数据具有广泛性与影响性的特征，但合成库之后的信息凝结度与关联度薄弱，为了达成数据的清晰与合理运用，需制定量化规则。以各大平台销售数据为例，模拟量化数据库，建立适用于跨境电商的服装流行趋势预测循环机制。对获取的平台数据类型包括女装、男装、童装、饰品等品类进行划分，基于女装收藏、加购、下单、兴趣、点击等统计数据，可将销售属性大致可分为热卖类、趋势类、同款类、节日类。根据数据量化规则对平台女装销售数据进行一级量化划分，如表1所示。其中以消费者偏好为主的热卖类、趋势类数据使得趋势预測具有直观性导向的体现，同款类和节日类展示了消费者波段性的趋势数据。

由于一级量化划分比较笼统，仅能分析出预测产品的大范围布局，需在此基础上进一步量化。图2所示的是女装部分类目数据的二级、三级量化划分，用描述词条细分四类销售数据中的类目，以女装热卖类目为定量，量化款式、风格、色彩、图案、元素等二级数据字典，再细分二类数据形成三类数据子库，以便于产品细化分类。

2.数据可视化法

数据可视化是指运用计算机图形学和图像处理技术，借助人脑的视觉思维能力，将抽象的数据表现为可见的图形或图像，帮助人们发现数据中隐藏的内在规律，并进行交互处理的理论、方法和技术［15］。关联消费者数据、趋势数据、产品数据以及平台数据，通过数据计算与拟合，将基础的数据体系进行重新组合并统计分析，深度挖掘数据间的相关性，深入管理不同时间节点下数据规律的变化特征与流程，形成如图3所示的数据可视化闭环。该闭环为产品决策提供辅助支撑，有利于提升平台、产品、趋势、消费者之间的交互体验，打通以数据为核心的信息流通共享渠道壁垒，是实现跨境产业链的数据闭环。

数据可视化旨在借助图形化手段，洞悉蕴含在数据中的现象与规律，基于建模、仪表板等手法，以二维或三维模型构建动画展示，是美学形式与功能需要的融合。如图4所示的跨境趋势数据可视化呈现是基于季度、渠道、品类、区域等筛选条件，统计风格、颜色、图案、面料等通用维度，当筛选项为一级筛选条件时则显示二级通用维度，设定高于或低于某一衡量占比、环比、同比值时用符号加以区分。此外设定产品标签时，抓取趋势词条呈现可视化展板，以上升与下降要素为主线提取在本季度中风格、色彩、图案等维度关键词，通过词条颜色、大小、排列区分流行程度，在可视化字条中增添悬浮窗口，悬浮到具体数据时展示相关产品缩略图与产品数据信息，点击可跳转出产品的具体信息、排名、同比信息等。

（二）基于消费者数据体系的流行趋势预测机制构建

1.处理与分析

在对流行趋势进行调研与计划后，利用云计算技术获取的消费者数据用于处理与分析环节。在处理阶段采用数据量化法制定数据字典量化规则，通过有逻辑地规整目标数据，避免大量的人力资源与时间浪费。通过关联数据字典信息，对数据库的分析加入筛选条件，可以缩减趋势结构的差异，为后续制定趋势报告和设计企划提供富有时效性与针对性的客观数据依据。

如图5所示的消费者数据介入处理与分析流程，是基于流行资讯及趋势、市场销售与竞争品牌以及消费者画像三类数据采集过程。首先，创建多类型的数据字典，如事件、品牌、面料、版型、色彩、图案、风格、场景等，设置等级式的量化规则后，归类并录入至数据库中。然后，设置产品数据词条、销售数值范围、上新时间段等为筛选条件，结合云计算统计技术细化数据，确保数据的精准度，改善后期呈现与反馈出现的预测偏差大、无法捕捉消费者心理的弊端。预测机制从深度与广度的角度实现前期数据运用的科学性，实现其合理化运转，保障后续预测结果呈现与市场反馈的时效性。

2.呈现与反馈

数据的呈现在不同的侧重点会有不同的展现，给予制作者与受众群体灵活变通的可能性。如图6所示的呈现与反馈阶段包括报告生成、结果传播、成果验证、产品反馈等。在具体呈现过程中，首先，利用智能识别技术，从产品供应商、产品关键词、产品价格等维度找到大量相似或相同产品；然后，基于跨境电商服装的地域性特征，以国家地域、终端群体、文化差异三块划分消费者行为所侧重的关键要素，融入饼状图、折线图、柱形图等呈现方式，建设可视化趋势管理平台；最后，从量化字典数据中细化产品一级趋势展现给受众群体，通过二级关联趋势效果可以点击并选择新的弹出窗口，如品牌信息、局部细节特征、相似款等，丰富流行趋势报告，提升企业投放市场的数据变现率。

趋势反馈阶段在确保趋势准确性的同时，以可持续发展为核心理念，缩短数据重新处理与分析的时间。在数据循环过程中，报告受众群体通过给出的趋势进行产业链上下游的使用，通过产品、视频、图片等商业变现投放入市场进行趋势测试，可以有效避免运营者因主观因素淘汰掉具有销售潜力的趋势元素。同时，在消费者进行购买后，行为数据将再次被系统记录与挖掘，从而更新至数据库中进行新一轮机制流转，生成的新趋势点将迭代之前的趋势点，形成良性循环的数据闭环，做到实时监测、实时更新，贴合跨境电商跨区域、跨时差、跨文化的市场机制。

四、基于消费数据的跨境平台服装流行趋势预测分析：以F平台为例

F平台是依托服装供应链的成熟运转，面向海外供应商、批发商、代购商的跨境独立站，通过站内数据系统与爬虫技术获取消费数据，用于趋势预测、产品开发、选品上新、运营推广等。通过对F平台2022年7—9月（Q3）销售数据进行全面分析，结合平台自身波段运作路线，个性化制定10-12月第四季度（Q4）的冬季流行趋势预测企划。

（一）销售数据词条量化分析

利用爬虫技术爬取F平台7—9月上新、销量、买家方面的数据，对不同品类服装的销售数据进行一级量化分析。由表2可知，秋冬趋势主品类为连衣裙、毛衣和外套，其中连衣裙未受季节变化的影响，销量占比高达22.94%，主要原因是大部分商家受节假日影响会选择提前铺货。分析每月消费波段可知，季节变化是导致9月成为销售旺月的重要原因之一，对此，在Q4阶段可以对冬季品类上新波段进行灵活调整。

在销售数据的一级量化基础上，选择销量稳定的连衣裙类目数据进行二级量化，统计并提炼连衣裙风格、设计元素、图案、面料、色彩等信息。比较2021年7—9月与2022年7—9月连衣裙风格特征，由表3可知，性感风（年同比增长187.78%）、街头风（年同比增长75.00%）、优雅风（年同比增长21.28%）为2022年Q3连衣裙类目的热卖风格。

考虑到海外消费者返校季、节日派对、家庭聚会、游行庆典等因素影响，对数据词条进行二级量化分析可知，性感风连衣裙为未来连衣裙风格走向。对标记“性感风”数据词条的连衣裙进行三级数据量化，结果如表4所示。以性感风连衣裙的设计属性为例，羽毛、挖空、金属片、流苏等设计元素呈增长趋势，其中挖空与羽毛成为秋冬性感风连衣裙流行元素。

（二）10—12月秋冬年度流行趋势预测企划

10—12月是F平台对标美国市场的社交活动旺季，包括万圣节、圣诞节、黑色星期五等节日型派对场合。在新季度连衣裙风格预测中，结合7—9月平台销售数据可知，连衣裙风格由职业风、复古风向性感风、街头风偏移。从秀场资讯数据统计的色彩比例可知，跨季高饱和色彩是秋冬季度的重要组成部分，其中亮粉色、缤纷绿色、数字薰衣草成为年同比增速最快的色彩。为了符合消费者的尝新需求，在10—12月色彩预测企划中，可选用亮粉色作为趋势核心色，其中对于平台爆款色系、缤纷绿色与数字薰衣草也将进行比例选品与上新。

随着境外消费者开放的生活方式与偏爱盛装参加聚会的喜好。轻礼服的设计结合了正装仪式感与日装的实用感，将高级时装的设计元素与精简的工艺技术相融合，选用精致的肌理感面料作为附加装饰。其中，挖空设计是在细节的使用上做减法，主打整洁干练，是性价比高的设计。挖空细节符合人体工学原理，同时颠覆了装饰性较强的性感风连衣裙，扩展了该趋势所吸引的市场范围，不同的挖空部位能展现不同程度的性感，让挖空设计成为既适合性感市场，又适合保守市场的流行趋势。

基于以上分析，在2022秋冬趋势中，将流行趋势元素作为10—12月主推方向。由图7所示的设计趋势专题页中，以设计元素为原点，具体细分羽毛、流苏、金属片、挖空，描述不同子趋势所对应的流行方向，形成产品卖点。专题内选取产品是参考上新后一周内产品的兴趣次数、加购次数、收藏次数等数据，统计处理后在后台选择产品上新时间、产品热度值或产品销量进行智能排序，设计出符合趋势概念的主题海报后，即可在后台生成专题页并发布至主页。同时，在主页增设趋势关键词导航栏、设计趋势专题页、邮件趋势推送等，增强趋势可视化、落地化，提高产品曝光率与投放率，优化消费者“拉新—留存—复购”的行为闭环情况。

（三）基于消费者数据的跨境服裝流行趋势预测反馈

基于趋势专题页的发布，运营者对消费喜好的  追踪可以参考前端Best Match、热卖、流行等筛选项的结果呈现。其中Best Match是基于数据对流行趋势预测的一种可视化结果测试，前端页面所呈现的产品顺序是通过设置流行趋势数据、个体消费者的选购偏好数据、群体消费者的触点数据、供应商等级数据、产品标题数据等参数占比后统计分析得到的。将流行趋势预测转变为“千人千面”智能产品推送，以实现消费者与产品之间的关联。

趋势预测的专题反馈在运营中，可以进行延伸再设计。例如，围绕2022秋冬流行元素趋势主题，对站内供应商进行专题推送，整合页内的供应商需符合近一个月内有上新产品、订单履约率高、产品质量优质、发货时速快等要求，并在搭建专题页时，运营者可以手动调整供应商排列顺序，并增设投放页面的链接追踪码，用于区分趋势专题页流量。

在页面发布的不同周期内，运营者可在数据分析后台利用追踪码查取网页数据，从网页浏览量、页面停留时间、销售转化率、跳出率等数据直观了解流行趋势与平台的适配性，优化将流行趋势转化为市场利用率。在导航栏、头部横幅、相关供应商头部横幅设置对应的趋势追踪码，由表5所示的近一周趋势网页追踪码统计可知，与趋势相匹配的供应商整合页，容易引起消费者兴趣，但从平均页面停留时间来看，首页的头部趋势横幅因专题页内产品新颖度、价格优惠度、款式潮流度等原因，提升了消费者的浏览兴趣，带动了消费转换率。

此外，专题运营是流行趋势的分支展示，运营者可以在专题页发布周期内对产品进行复盘。选取两个周期内的数据，从出单款式数、买家数、支付件数等对专题页推荐的产品进行分析。对表6所示的趋势专题页周期数据复盘统计可知，两周内出单款式环比增加96.86%，与四周内出单款式相比，环比增加188.52%；新增出单环比增加26.34%，与四周内出单件数相比，环比增加411.16%，说明根据流行趋势走向所制定的专题页在一定程度上提升了产品转化率。深入分析新增爆款产品特征发现，羽毛款上衣出单时间较快，款式选择多，较贴合消费者喜好；流苏款多以夹克外套为主，风格更偏向美式经典，含有阿兹特克部落纹理的产品兴趣次数与收藏次数较高；含有金属与挖空元素的产品多以性感风为主，适用于节日、派对、聚会等场景，符合年底海外消费者的社交需求。以消费者行为与反馈建立引导因子，使数据逆向牵引的流行趋势预测周期极大缩短，有助于提高时效性，进而更快得得出预测结果，符合服装类跨境电商的产品变化速度，确保产品的时尚性、流行性与可行性。

五、结  语

为了满足消费者显性与隐性的市场需求，跨境电商服装流行趋势预测需考虑因地域文化差异所导致的趋势特征。面对数据膨化现象，需对流行资讯、市场销售、竞争产品、消费者画像等数据进行处理，借助人机交互分析对目标数据进行采集、量化、剖解、归类处理后，投放入目标跨境市场，而后将产生的新消费数据将进行新一轮的趋势置换，从而达成时效、科学、可视的跨境服装流行趋势预测机制闭环。为弥补传统流行趋势数据运用的局限性，数据与流行趋势领域的交互是必然的，对于两者的理论与实践研究，顺应了流行趋势预测渗透到跨境电商服装设计与运营的本地化、个性化、品牌化发展。因此，有必要利用数据处理、分析、呈现与反馈等数字化技术，将消费者数据融入整个跨境电商服装流行趋势预测过程中。通过消费者数据联动流行预测端、设计开发端与销售终端，可以规避预测活动的主观化，打破数据孤岛引发的产品贫瘠现象，减少运营决策的盲目性，这将成为未来跨境电商服装流行趋势预测的主要发展趋势。

参考文献：

［1］陈于依澜，厉莉，阮艳雯，等.基于云计算的服装流行趋势预测方法［J］.上海纺织科技，2017，45（6）：19-22.

［2］吴江宁，郑爽.基于极限学习机及网络搜索数据的快时尚产品预测［J］.计算机应用，2015，35（增2）：146-150.

［3］王薇，马崇启.大数据时代对服装色彩流行趋势预测的影响［J］.天津纺织科技，2015（3）：51-53.

［4］程伟，程智力.基于服装流行趋势预测信息数字化再现方法的探究［J］.艺术百家，2010，26（增）：188-190.

［5］项杨雪，陈雪颂，陈劲.服装流行趋势预测网络技术演进路径：基于科学计量学的分析［J］.图书情报工作，2016，60（增2）：119-126.

［6］朱伟明，张净雪.基于用户大数据的服装设计交互研究［J］.浙江理工大学学报（社会科学版），2022，48（2）：222-229.

［7］李家华，徐婷.传统企业向跨境电商转型的模式及运营机理［J］.商业经济研究，2018（12）：84-86.

［8］杨焕.数据与设计的融合：大数据分析导出用户需求洞察的创新路径研究［J］.装饰，2019（5）：100-103.

［9］余從刚，赵江洪.数据驱动的两种产品设计模式［J］.包装工程，2016，37（4）：112-115.

［10］Kim H， Cho I， Park M.Analyzing genderless fashion trends of consumers′ perceptions on social media：Using unstructured big data analysis through Latent Dirichlet Allocation-based topic modeling［J］. Fashion and Textiles，2022，9（1）：6-27.

［11］Samer E. Factors influencing buying behavior of Lebanese consumers towards fashion brands during economic crisis：A qualitative study［J］. Journal of Retailing and Consumer Services，2023，71（3）：103224.

［12］王昕彤，王秀敏，郭瑞良，等.基于灰色理论的服装企业销售预测模型［J］.丝绸，2020，57（2）：55-60.

［13］李辉.跨文化视角下我国跨境电商营销策略研究［J］.商业经济研究，2020（12）：71-73.

［14］罗昊，何人可.大数据思维驱动下的设计创新思变［J］.包装工程，2017，38（12）：136-140.

［15］贾倩文，柴春雷，蔡蕊屹.数据可视化中的设计美学研究综述［J］.包装工程，2022，43（20）：13-25.

（责任编辑：陈丽琼）