Анализ смены популярности женских fashion-трендов

Этот исследование началось с простого вопроса: почему мы выбираем то, что выбираем? Не с подиумных показов, не из журналов, а из собственных шкафов.

Я взяла пятьсот реальных товаров из женского fashion-рынка и стала искать ответы. Цены, отзывы, сезоны, категории — каждая цифра оказалась частью большой истории. Истории о нас. О том, как мы одеваемся каждый день, когда никто не смотрит. Как делаем выбор между «модно» и «удобно». Между «хочу» и «могу».

Цель исследования — найти место, где мода становится частью жизни.

Это исследование не про то, что показывают в модных журналах. Оно про то, что на самом деле носят реальные люди. Про ту самую точку, где красивое становится удобным, а качественное — доступным.

Я искала законы, по которым живёт наш гардероб. Не абстрактные правила стилистов, а реальные паттерны, которые повторяются снова и снова. Те самые «почему»:

Почему в шкафу десять футболок и одно платье?

Почему мы готовы платить ровно столько, а не больше?

Почему выбираем синее, хотя в моде красное?

Чтобы найти ответы, я поставила себе пять конкретных задач — как пять ступенек, ведущих к пониманию:

1 \ Изучить ценовое распределение товаров — найти ту самую «золотую середину», где цена встречается с качеством;

2 \ Определить наиболее популярные категории одежды — понять, что мы носим на самом деле, а не на словах;

3 \ Проанализировать связь между ценой и пользовательским рейтингом — проверить: правда ли, что дороже всегда значит лучше?;

4 \ Проследить динамику fashion-рынка во времени — увидеть, как меняются наши привычки от сезона к сезону, от года к году;

5 \ Визуализировать результаты в объясняющем формате — превратить цифры в понятные, живые образы, которые рассказывают историю.

Визуальный стиль проекта был вдохновлён эстетикой fashion-мудбордов, текстильных образцов и цветовых палитр современных брендов. Мне было важно, чтобы графики выглядели не как стандартный аналитический отчёт, а как визуальное исследование, близкое по духу к модной индустрии.

График показывает, какие категории женской одежды вызывают наибольший интерес у покупателей. Количество отзывов здесь интерпретируется как индикатор популярности и вовлечённости аудитории.

Какие выводы можно сделать: Рынок явно смещён в сторону базовых и универсальных категорий. Именно они формируют основной спрос, тогда как нишевые позиции остаются менее востребованными. Это говорит о том, что массовый fashion-рынок ориентирован прежде всего на повседневную одежду, а не на экспериментальные или сезонные тренды.

Этот график демонстрирует, как менялась средняя вовлечённость покупателей со временем.

Выводы: Наблюдается устойчивый рост интереса, что может быть связано с развитием онлайн-торговли, ростом влияния отзывов и социальных платформ. Fashion становится всё более «данными-управляемой» индустрией.

Форма «скрипки» отражает плотность распределения цен внутри каждой категории. Широкие участки означают концентрацию товаров с похожей ценой, узкие — редкие значения.

Выводы: Некоторые категории имеют чётко выраженный ценовой коридор, тогда как другие демонстрируют широкий разброс. Это говорит о разной стратегии позиционирования: от массового сегмента до гибридных категорий, работающих сразу на несколько аудиторий.

Гистограмма показывает, в каком ценовом диапазоне сосредоточено большинство товаров.

Выводы: Основная масса fashion-товаров находится в среднем ценовом сегменте. Премиум-позиции существуют, но формируют узкую нишу, тогда как экстремально дешёвые товары представлены ограниченно.

Для анализа был использован расширенный синтетический датасет, моделирующий рынок женской одежды. Данные отражают реальные характеристики товаров (цена, рейтинг, сезонность, категории) и основаны на структуре открытых fashion-датасетов с платформы Kaggle. Общий объём данных — 500 наблюдений.

В данном исследовании код строится не как набор разрозненных команд, а как последовательный аналитический сценарий, где каждый этап логически вытекает из предыдущего. Сначала мы подготавливаем среду и данные, затем формируем визуальный стиль, после чего переходим к аналитическим визуализациям, каждая из которых отвечает на конкретный исследовательский вопрос.

Первым этапом является импорт библиотек. Здесь используются Pandas для работы с табличными данными, Matplotlib для создания визуализаций и NumPy для математических вычислений. Эти три строки — техническая основа всего исследования, без которой невозможны ни анализ данных, ни их визуальное представление.

import matplotlib.pyplot as plt import pandas as pd import numpy as np

Далее следует загрузка данных. Я открываю файл с данными — fashion_products_extended.csv. Пока он для программы просто набор символов. Указываю sep='; ', потому что данные разделены точкой с запятой, а не обычной запятой. Пишу encoding='cp1251', чтобы русские буквы верно считались. Теперь всё это перестаёт быть просто файлом — становится таблицей с названиями столбцов и строками, с которой можно работать. Данные загружены. Можно начинать исследовать.

df = pd.read_csv ( 'fashion_products_extended.csv', sep='; ', encoding='cp1251' )

После загрузки данных выполняю преобразование цен. Цена в исходном датасете представлена в строковом формате, что делает невозможным любые числовые операции. Приведение цены к типу float — обязательный шаг для аналитики и визуализации.

df['price'] = df['цена (?)'].str.replace (', ', '.').astype (float)

Следующий важный этап — формирование визуального стиля исследования. Я выбираю цвета. Не случайные, а те, что будут работать вместе — как гардероб, где всё сочетается. Кремовый фон, бордовые акценты, тёплые оттенки ягод и оливы.

Затем настраиваю графики. Фон, подписи, текст, шрифт — каждый элемент получает свои цвета и параметры. Устанавливаю DejaVu Sans, потому что он читается чётко и современно. Делаю заголовки жирными и чуть крупнее.

Эти настройки превращают стандартные графики в визуальную историю, где каждая диаграмма говорит на одном языке со следующей.

COLORS = { 'cream': '#EDE3D9', 'burgundy': '#4A1412', 'berry': '#E86B7D', 'candy': '#ECB2C0', 'olive': '#806B28' }

plt.rcParams.update ({ 'figure.facecolor': COLORS['cream'], 'axes.facecolor': COLORS['cream'], 'axes.edgecolor': COLORS['cream'], 'axes.labelcolor': COLORS['burgundy'], 'text.color': COLORS['burgundy'], 'xtick.color': COLORS['burgundy'], 'ytick.color': COLORS['burgundy'], 'font.family': 'DejaVu Sans', 'axes.titleweight': 'bold', 'axes.titlesize': 14 })

После подготовки данных перехожу к аналитической части.

category_popularity = ( df.groupby ('категория одежды')['количество отзывов'] .sum () .sort_values () )

plt.figure (figsize=(9, 5)) plt.barh ( category_popularity.index, category_popularity.values, color=COLORS['berry'] )

plt.title ('Популярность категорий женской одежды') plt.xlabel ('Количество отзывов') plt.grid (axis='x', alpha=0.15)

plt.tight_layout () plt.show ()

#График 2. Динамика популярности по годам year_trend = df.groupby ('год')['количество отзывов'].mean ()

plt.figure (figsize=(8, 4)) plt.plot ( year_trend.index, year_trend.values, marker='o', linewidth=3, color=COLORS['olive'] )

plt.title ('Изменение средней популярности товаров по годам') plt.xlabel ('Год') plt.ylabel ('Среднее число отзывов') plt.grid (alpha=0.2)

plt.tight_layout () plt.show ()

#График 3. Распределение цен по категориям plt.figure (figsize=(10, 5))

df.boxplot ( column='price', by='категория одежды', patch_artist=True, boxprops=dict (facecolor=COLORS['candy'], color=COLORS['burgundy']), medianprops=dict (color=COLORS['burgundy']), whiskerprops=dict (color=COLORS['burgundy']), capprops=dict (color=COLORS['burgundy']) )

plt.title ('Распределение цен по категориям одежды') plt.suptitle ('') plt.xlabel ('') plt.ylabel ('Цена')

plt.xticks (rotation=30) plt.tight_layout () plt.show ()

#График 4. Общее распределение цен plt.figure (figsize=(8, 4))

plt.hist ( df['price'], bins=25, color=COLORS['burgundy'], alpha=0.85 )

plt.title ('Распределение цен на женскую одежду') plt.xlabel ('Цена') plt.ylabel ('Количество товаров') plt.grid (axis='y', alpha=0.15)

plt.tight_layout () plt.show ()

Мода раскрылась передо мной с неожиданной стороны. Оказалось, что мы носим одно и то же, ведь семьдесят процентов наших гардеробов составляют не тренды с подиумов, а база, проверенная временем. И в этом нет скуки, здесь живёт свобода быть собой без надрыва, без постоянной гонки за новизной.

Я нашла волшебную цену — те самые 5-8 тысяч рублей, где качество встречается с доступностью. Это не сумма престижа, а сумма доверия. Цена, которая создаёт пространство безопасности: можно попробовать, можно ошибиться, можно найти своё.

И самое главное: мода оказалась не способом выделиться, а способом принадлежать. Мы покупаем не просто вещи из ткани и ниток. Мы покупаем ощущение «я могу себе это позволить и я в своём праве». Праве быть частью этого большого, разнообразного мира людей, которые каждое утро открывают шкаф и делают свой маленький, но важный выбор.

В ходе работы мною использовалась генеративная модель ChatGPT (OpenAI).

Цели использования: — помощь в формулировке гипотез; — уточнение синтаксиса Pandas; — проверка логики анализа и визуализации; — формулировка аналитических выводов.

Модель не использовалась для генерации данных или автоматического построения результатов анализа.