基于深度学习的快时尚中异构消费者审美研究

审美是时尚、室内装饰、奢侈品、房地产和酒店业等行业进行产品差异化的关键因素。然而，视觉差异化难以在正式的经济学分析中编码。本文分析来自荷兰 H&M 的数百万购买记录，包括产品图像、文本描述、价格和消费者人口统计信息。我采用三塔架方法，对 Fashion CLIP 嵌入进行微调，构建分别针对产品视觉、文本、消费者历史和价格的独立通道，从而使后续分析变得可行且可扩展。这些嵌入输入一种捕捉价格和口味敏感性的深度网络的潜在类别深度需求系统，能够恢复丰富的替代模式，揭示有意义的异质性，并优于竞争方法。随后，供应侧反向推导得到合理的加价和成本，并支持对可持续性实践的实证检验和反事实分析。我还估计了机器学习赫迪德定价模型，性能远超竞争方法。该模型允许构建质量调整后价格指数，能够为全新的设计定价，并通过 Oaxaca-Blinder 分解揭示价格变动的底层来源。最后，COVID-19 封锁期间的泊松事件研究表明，基于嵌入的产品和用户聚类的需求反应范围，超过了仅用简单文本属性或人口统计标签所能恢复的任何内容。该方法可移植到任何产品在感官维度上具有难以编码但对消费者选择意义重大的市场中应用。