Machine Learning Algorithms for Slow Fashion Consumer Prediction: Theoretical and Managerial Implications

Ítalo José de Medeiros Dantas; Marcelo Curth

doi:10.24883/eagleSustainable.v13i.439

Autores

Ítalo José de Medeiros Dantas Universidade Feevale (Feevale), Rio Grande do Sul https://orcid.org/0000-0003-0710-6142
Marcelo Curth Universidade Feevale (Feevale), Rio Grande do Sul https://orcid.org/0000-0002-9361-8373

DOI:

https://doi.org/10.24883/eagleSustainable.v13i.439

Palavras-chave:

Sustentabilidade, Classificação de consumidores, Aprendizado de máquina, Consciência ambiental, Tomada de Decisão Estratégica

Resumo

Objetivo: Comparar, propor e discutir as implicações de cinco algoritmos de aprendizado de máquina para prever perfis de consumidores de moda lenta.

Metodologia/abordagem: Utilizamos a linguagem de programação Python para construir os modelos com bibliotecas scikit-learn. Testamos o potencial de cinco algoritmos para classificar corretamente os consumidores de moda lenta: I) extremely randomized trees, II) random forest, III) support vector machine, IV) gradient boosting Tree, and V) naïve bayes.

Originalidade/Relevância: A originalidade deste artigo reside na combinação de preocupações relacionadas a sustentabilidade na Moda, análise do comportamento do consumidor e técnicas de aprendizado de máquina. Aborda uma questão crítica na indústria da moda e oferece implicações práticas que podem ser benéficas para empresas que procuram alinhar as suas práticas com os princípios do Slow fashion. Esta abordagem interdisciplinar torna-o uma contribuição relevante tanto para a academia como para a indústria.

Principais conclusões: As métricas de desempenho revelaram valores satisfatórios para todos os algoritmos. No entanto, o Support Vector Machine apresentou melhor precisão (96%) no conjunto de dados para perfil do consumidor Slow Fashion, enquanto a Random Forest apresentou o pior desempenho (87%).

Contribuições teóricas/metodológicas: Entendemos que o modelo pode ser útil para empresas que desejam adotar abordagens mais direcionadas e práticas no contexto do Slow fashion, permitindo-lhes tomar decisões mais informadas e estratégicas. Portanto, esses insights podem orientar pesquisas futuras na otimização de aplicativos de aprendizado de máquina para análise do comportamento do consumidor e fornecer orientações valiosas para profissionais de marketing de moda que buscam aprimorar suas estratégias de segmentação e engajamento.

Downloads

Não há dados estatísticos.

Biografia do Autor

Ítalo José de Medeiros Dantas, Universidade Feevale (Feevale), Rio Grande do Sul

Doutorando Ciência da Informação pela Universidade de Otago (Nova Zelândia) e em Processos e Manifestações Culturais pela Universidade Feevale (Brasil); Mestre em Design pela Universidade Federal de Campina Grande (2021); Especialista em Comunicação, Semiótica e Linguagens Visuais pela Universidade Braz Cubas (2021); e, graduado em Design de Moda pelo Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte (2019). Atualmente, é também Bacharelando em Estatística pelo Centro Universitário IBMR. Foi professor substituto na área de processos de gestão e controle de qualidade na indústria do vestuário no Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte - Campus Caicó entre os anos de 2022 e 2023. Teve sua dissertação selecionada para exibição no 35º Prêmio Design do Museu da Casa Brasileira, na categoria trabalhos escritos não publicados. Pesquisador multidisciplinar com interesses acadêmicos e profissionais em diferentes áreas, com ênfase em Design, Moda e Estatística, atuando principalmente nos seguintes temas: comunicação visual; morfologia dos artefatos; estudos empíricos; pesquisa de mercado, com foco no consumo; inferência estatística; e, análise exploratória de dados.

Marcelo Curth, Universidade Feevale (Feevale), Rio Grande do Sul

Possui doutorado em Administração pela Universidade do Vale do Rio dos Sinos (UNISINOS), mestrado em Administração e Negócios pela Universidade Católica do Rio Grande do Sul (PUC-RS), Pós-Graduado em Administração e Marketing pela Universidade Gama Filho, Pós-Graduado em Educação pela Faculdade (SENAC-RS) e pós-graduando em Mentoring Teacher Education (Universidade de Tampere - Finlândia) e graduação em Ciências do Desporto pela Universidade Luterana do Brasil (ULBRA). É professor do PPG em Processos e Manifestações Culturais da Universidade Feevale, atuando como pesquisador no tema Marketing: Identidade e Cultura. Professor em nível de graduação e pós-graduação de disciplinas sobre Marketing Estratégico, Marketing de Relacionamento, Comportamento do Consumidor, Gestão e Empreendedorismo na Saúde e Esporte. Coordenador de curso em nível de pós-graduação (Lato Sensu) em Gestão Esportiva e Treinamento e Prescrição de Exercícios. Coordenador de projetos de inovação na área da Saúde com agências de fomento. Gestor de programas e projetos esportivos e de extensão. Coordenador temático dos GTTs de Marketing Esportivo e Modelagem de Negócios e Empreendedorismo da Associação Brasileira de Gestão Esportiva (ABRAGESP). Atuação como Sócio proprietário de empresas de consultoria, assessoria e treinamento, realizando consultorias em estratégias de marketing em micro e pequenas empresas.

Referências

Abe, S. (2010). Support Vector Machines for Pattern Classification: Advances in Pattern Recognition. Springer, London. (https://doi.org/10.1007/978-1-84996-098-4). DOI: https://doi.org/10.1007/978-1-84996-098-4

Alloghani, M., Al-Jumeily, D., Mustafina, J., Hussain, A., & Aljaaf, A.J. (2020). A Systematic Review on Supervised and Unsupervised Machine Learning Algorithms for Data Science. In: Berry, M., Mohamed, A., Yap, B. (eds) Supervised and Unsupervised Learning for Data Science. Unsupervised and Semi-Supervised Learning. Springer, Cham (https://doi.org/10.1007/978-3-030-22475-2_1). DOI: https://doi.org/10.1007/978-3-030-22475-2_1

Amaral, W. A. N., et al. (2019). Moda circular no Brasil. Esalq/USP.

Ayyadevara, V.K. (2018). Gradient Boosting Machine. In: Pro Machine Learning Algorithms. Apress, Berkeley, CA. (https://doi.org/10.1007/978-1-4842-3564-5). DOI: https://doi.org/10.1007/978-1-4842-3564-5

Bachute, M. R., & Subhedar, J. M. (2021). Autonomous driving architectures: insights of machine learning and deep learning algorithms. Machine Learning with Applications, 6, 100164. (https://doi.org/10.1016/j.mlwa.2021.100164). DOI: https://doi.org/10.1016/j.mlwa.2021.100164

Baxter, M. (2011). Projeto de produto: guia prático para o design de novos produtos. Blucher.

Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54, 1937-1967. (https://doi.org/10.1007/s10462-020-09896-5). DOI: https://doi.org/10.1007/s10462-020-09896-5

Berlim, L. (2016). Moda e sustentabilidade: uma reflexão necessária. Estação das Letras e Cores.

Berrar, D. (2018). Bayes’ theorem and naive Bayes classifier. Encyclopedia of bioinformatics and computational biology: ABC of bioinformatics, 403, 412. (https://doi.org/10.1016/B978-0-12-809633-8.20473-1). DOI: https://doi.org/10.1016/B978-0-12-809633-8.20473-1

Breve, D. G., Gonzaga, L. S., & Mendes, F. D. (2018). Sustentabilidade como uma Tendência no Mercado da Moda. ModaPalavra e-periódico, 11(22), 311-331. (https://doi.org/10.5965/1982615x11222018311). DOI: https://doi.org/10.5965/1982615x11222018311

Bonaccorso, G. (2018). Machine Learning Algorithms: Popular algorithms for data science and machine learning. Packt Publishing Ltd.

Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., & Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges, and trends. Neurocomputing, 408, 189-215. (https://doi.org/10.1016/j.neucom.2019.10.118). DOI: https://doi.org/10.1016/j.neucom.2019.10.118

Cheng, H., Shi, Y., Wu, L., Guo, Y., & Xiong, N. (2021). An intelligent scheme for big data recovery in Internet of Things based on multi-attribute assistance and extremely randomized trees. Information Sciences, 557, 66-83. (https://doi.org/10.1016/j.ins.2020.12.041). DOI: https://doi.org/10.1016/j.ins.2020.12.041

Chen, K., Guan, D., Yuan, W., Li, B., Khattak, A.M., & Alfandi, O. (2018). A Novel Feature Selection-Based Sequential Ensemble Learning Method for Class Noise Detection in High-Dimensional Data. In: Gan, G., Li, B., Li, X., Wang, S. (eds) Advanced Data Mining and Applications. ADMA 2018. Lecture Notes in Computer Science(), vol 11323. Springer, Cham. https://doi.org/10.1007/978-3-030-05090-0_5. DOI: https://doi.org/10.1007/978-3-030-05090-0_5

Chen, W., Hoyle, C., & Wassenaar, H.J. (2013). Fundamentals of Analytical Techniques for Modeling Consumer Preferences and Choices. In: Decision-Based Design. Springer, London. https://doi.org/10.1007/978-1-4471-4036-8_3. DOI: https://doi.org/10.1007/978-1-4471-4036-8_3

Cutler, A., Cutler, D.R., Stevens, J.R. (2012). Random Forests. In: Zhang, C., Ma, Y. (eds) Ensemble Machine Learning. Springer, New York, NY. (https://doi.org/10.1007/978-1-4419-9326-7_5). DOI: https://doi.org/10.1007/978-1-4419-9326-7_5

El Naqa, I., & Murphy, M.J. (2015). What Is Machine Learning? In: El Naqa, I., Li, R., Murphy, M. (eds) Machine Learning in Radiation Oncology. Springer, Cham. (https://doi.org/10.1007/978-3-319-18305-3_1). DOI: https://doi.org/10.1007/978-3-319-18305-3

Ertekin, Z. O., & Atik, D. (2015). Sustainable Markets: Motivating Factors, Barriers, and Remedies for Mobilization of Slow fashion. Journal of Macromarketing, 31(1), 53-69. (https://doi.org/10.1177/0276146714535932). DOI: https://doi.org/10.1177/0276146714535932

Fabri, H. P., & Rodrigues, L. V. (2015). Slow fashion: perspectivas para um futuro sustentável. In Colóquio de Moda, 11

Fares, N., Lebbar, M., Sbihi, N. (2019). A Customer Profiling’ Machine Learning Approach, for In-store Sales in Fast Fashion. In: Ezziyyani, M. (eds) Advanced Intelligent Systems for Sustainable Development (AI2SD’2018). AI2SD 2018. DOI: https://doi.org/10.1007/978-3-030-11928-7_53

Advances in Intelligent Systems and Computing, vol 915. Springer, Cham. (https://doi.org/10.1007/978-3-030-11928-7_53).

Fernández-Delgado et al. (2014). Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Journal of Machine Learning Research, 15(2014), 3133-3181.

Fletcher, K. (2010). Slow fashion: An Invitation for Systems Change. Fashion Practice - The Journal of Design, Creative Process & the Fashion Industry, 2, 259-265. (https://doi.org/10.2752/175693810X12774625387594). DOI: https://doi.org/10.2752/175693810X12774625387594

Fletcher, K., & Grose, L. (2012). Moda e sustentabilidade: design para a mudança. Senac.

Geurts, P., Ernst, D. & Wehenkel, L. (2006). Extremely randomized trees. Mach. Learn., 63, 3–42. (https://doi.org/10.1007/s10994-006-6226-1). DOI: https://doi.org/10.1007/s10994-006-6226-1

Gurevich, Y. (2012). What Is an Algorithm?. In: Bieliková, M., Friedrich, G., Gottlob, G., Katzenbeisser, S., Turán, G. (eds) SOFSEM 2012: Theory and Practice of Computer Science. SOFSEM 2012. Lecture Notes in Computer Science, vol 7147. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-27660-6_3. DOI: https://doi.org/10.1007/978-3-642-27660-6_3

Güler, O., & Polat, K. (2022). Classification Performance of Deep Transfer Learning Methods for Pneumonia Detection from Chest X-Ray Images. Journal of Artificial Intelligence and Systems, 4, 107-126.

Jung, S., & Jin, B. (2014). A theoretical investigation of Slow fashion: sustainable future of the apparel industry. International Journal of Consumer Studies, 38(5), 510-519. (https://doi.org/10.1111/ijcs.12127). DOI: https://doi.org/10.1111/ijcs.12127

Jung, S., & Jin, B. (2016). From quantity to quality: understanding Slow fashion consumers for sustainability and consumer education. International Journal of Consumer Studies, 40(4), 410-421. (https://doi.org/10.1111/ijcs.12276). DOI: https://doi.org/10.1111/ijcs.12276

Langarizadeh, M., & Moghbeli, F. (2016). Applying naive bayesian networks to disease prediction: a systematic review. Acta Informatica Medica, 24(5), 364. (https:// doi.org/10.5455/aim.2016.24.364-369). DOI: https://doi.org/10.5455/aim.2016.24.364-369

Lian, Y., Zhang, G., Lee, J., & Huang, H. (2020). Review on big data applications in safety research of intelligent transportation systems and connected/automated vehicles. Accident Analysis & Prevention, 146, 105711. (https://doi.org/10.1016/j.aap.2020.105711). DOI: https://doi.org/10.1016/j.aap.2020.105711

Löbach, B. (2001). Design Industrial. Edgard Blücher.

Los, V. A., et al. (2021). Um estudo de caso sobre os impactos ambientais na produção do jeans em uma empresa de Jaraguá do Sul (SC). Revista Poliedro, 5(5), 82–102. (https://doi.org/10.15536/2594-4398.2021.v5.n5.pp.082-102.2651). DOI: https://doi.org/10.15536/2594-4398.2021.v5.n5.pp.082-102.2651

M. Mohri, A. Rostamizadeh and A. Talwalkar, Foundations of Machine Learning, Cambridge, MA, USA:MIT Press, 2012.

Mahesh, B. (2020). Machine Learning Algorithms - A Review. International Journal of Science and Research, 9(1), 381-386. (https://doi.org/10.21275/ART20203995). DOI: https://doi.org/10.21275/ART20203995

Mammone, A., Turchi, M., & Cristianini, N. (2009). Support vector machines. Wiley Interdisciplinary Reviews: Computational Statistics, 1(3), 283-289. (https://doi.org/10.1002/wics.49). DOI: https://doi.org/10.1002/wics.49

Müller, M. C. (2016). Moda sustentável, consumo consciente e comunicação: estudo de casos no Rio Grande do Sul. Dissertação (Mestrado) - Universidade Fernando Pessoa.

Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.

Morse, L., Teodorescu, M.H.M., & Awwad, Y. et al. (2022). Do the Ends Justify the Means? Variation in the Distributive and Procedural Fairness of Machine Learning Algorithms. J Bus Ethics 181, 1083–1095. https://doi.org/10.1007/s10551-021-04939-5 DOI: https://doi.org/10.1007/s10551-021-04939-5

Natekin, A., & Knoll, A. (2013). Gradient boosting machines, a tutorial. Frontiers in neurorobotics, 7, 21. (https://doi.org/10.3389/fnbot.2013.00021). DOI: https://doi.org/10.3389/fnbot.2013.00021

Niinimäki, K., et al. (2020). The environmental price of Fast fashion. Nature Reviews Earth & Environment, 1, 189–200. (https://doi.org/10.1038/s43017-020-0054-x). DOI: https://doi.org/10.1038/s43017-020-0039-9

Pinto, Liliane Araújo. (2021). Consumo Slow fashion e Bem-estar: influência da espiritualidade, da gratidão e do materialismo. João Pessoa.

Provost, F., Fawcett, T. (2013). Data Science for Business. O’Reilly Media, California.

Rajoub, B. (2020). Supervised and unsupervised learning. In Biomedical Signal Processing and Artificial Intelligence in Healthcare (pp. 51-89). Academic Press. (https://doi.org/10.1016/B978-0-12-818946-7.00003-2). DOI: https://doi.org/10.1016/B978-0-12-818946-7.00003-2

Rawassizadeh, R., Sen, T., Kim, S.J. et al. (2019). Manifestation of virtual assistants and robots into daily life: vision and challenges. CCF Trans. Pervasive Comp. Interact. 1, 163–174. (https://doi.org/10.1007/s42486-019-00014-1). DOI: https://doi.org/10.1007/s42486-019-00014-1

Shehab, M., Abualigah, L., Shambour, Q., Abu-Hashem, M. A., Shambour, M. K. Y., Alsalibi, A. I., & Gandomi, A. H. (2022). Machine learning in medical applications: A review of state-of-the-art methods. Computers in Biology and Medicine, 145, 105458. (https://doi.org/10.1016/j.compbiomed.2022.105458). DOI: https://doi.org/10.1016/j.compbiomed.2022.105458

Sobreira, E. M. C., Silva, C. R. M., & Romero, C. B. A. (2020). Slow profile: estudo das orientações ao consumo de Slow fashion. Internext - Revista Eletrônica de Negócios Internacionais, 15(3), 103-127. (https://doi.org/10.18568/internext.v15i3.589). DOI: https://doi.org/10.18568/internext.v15i3.589

Sohail, A., & Arif, F. (2020). Supervised and unsupervised algorithms for bioinformatics and data science. Progress in biophysics and molecular biology, 151, 14-22. (https://doi.org/10.1016/j.pbiomolbio.2019.11.012). DOI: https://doi.org/10.1016/j.pbiomolbio.2019.11.012

Sokol, K., & Flach, P. (2020). One Explanation Does Not Fit All. Künstl Intell, 34, 235–250 (2020). https://doi.org/10.1007/s13218-020-00637-y. DOI: https://doi.org/10.1007/s13218-020-00637-y

Solino, L. J. S., Dantas, Í. J. M., Teixeira, B. M. L., Alves, I. T. P., & Medeiros, A. L. P. (2021). Slow profile potiguar: perfis de orientação ao consumo Slow fashion no Rio Grande do Norte. In: Anais do 3º Encontro Científico de Pesquisa em Design de Moda, Passos.

Solino, L. J. S., González, M. O. A., Siqueira, M. E. M., & Nascimento, W. A. (2015). Fast-fashion: uma revisão bibliográfica sistemática e agenda de pesquisa. Revista Produção Online, 15(3), 1021–1041. (https://doi.org/10.14488/1676-1901.v15i3.1947). DOI: https://doi.org/10.14488/1676-1901.v15i3.1947

Solino, L. J. S., Teixeira, B. M. L., & Dantas, Í. J. M. (2020). The sustainability in fashion: a systematic literature review on Slow fashion. International Journal for Innovation Education and Research, 8(10), 164–202. (https://doi.org/10.31686/ijier.vol8.iss10.2670). DOI: https://doi.org/10.31686/ijier.vol8.iss10.2670

Solino, L.J.S., De Medeiros Dantas, Í.J., De Lima Teixeira, B.M., Alves, I.T.P., De Medeiros, A.L.P. (2023). Research on the Potential of the Consumption of Slow fashion Products in Brazil. In: Broega, A.C., Cunha, J., Carvalho, H., Providência, B. (eds) Advances in Fashion and Design Research. CIMODE 2022. Springer, Cham. (https://doi.org/ 10.1007/978-3-031-16773-7_50). DOI: https://doi.org/10.1007/978-3-031-16773-7_50

Solomon, M. R., et al. (2016). Consumer Behavior: A European Perspective (5th ed.). Pearson.

Speiser, J. L., Miller, M. E., Tooze, J., & Ip, E. (2019). A comparison of random forest variable selection methods for classification prediction modeling. Expert systems with applications, 134, 93-101. (https://doi.org/10.1016/j.eswa.2019.05.028). DOI: https://doi.org/10.1016/j.eswa.2019.05.028

Štefko, R., & Steffek, V. (2018). Key Issues in Slow Fashion: Current Challenges and Future Perspectives. Sustainmability, 10(7), p. 2270. (https://doi.org/10.3390/su10072270). DOI: https://doi.org/10.3390/su10072270

Stuart, R., & Norvig, P. Artificial Intelligence: A Modern Approach, Upper Saddle River, NJ, USA:Prentice-Hall, 2009.

Tseng, M. L., Chiu, A. S., & Liang, D. (2018). Sustainable consumption and production in business decision-making models. Resources, Conservation and Recycling, 128, 118-121. DOI: https://doi.org/10.1016/j.resconrec.2017.02.014

Veronese, O., & Laste, A. (2022). O trabalho escravo e Fast fashion: o flerte da indústria da moda com a servidão. Revista Direito e Justiça: Reflexões Sociojurídicas, 22(43), 171-185. DOI: https://doi.org/10.31512/rdj.v22i43.1009

Whales, S., & Pandey, G. (2013). A Comparative Analysis of Ensemble Classifiers: Case Studies in Genomics. In: IEEE 13th International Conference on Data Mining. Dallas, IEEE. DOI: https://doi.org/10.1109/ICDM.2013.21

Webb, G. I., Keogh, E., & Miikkulainen, R. (2010). Naïve Bayes. Encyclopedia of machine learning, 15(1), 713-714. (https://doi.org/10.1007/978-0-387-30164-8_576). DOI: https://doi.org/10.1007/978-0-387-30164-8_576

Yang, Z., & Su, X. Customer Behavior Clustering Using SVM. Physics Procedia, v. 33, p. 1489-1496, 2012. (https://doi.org/10.1016/j.phpro.2012.05.243). DOI: https://doi.org/10.1016/j.phpro.2012.05.243

Zahay, D., & Griffin, A. (2010). Marketing strategy selection, marketing metrics, and firm performance. Journal of Business & Industrial Marketing, 25(2), 84-93. (https://doi.org/10.1108/08858621011017714). DOI: https://doi.org/10.1108/08858621011017714

Zhang, C., & Ma, Y. (.2014). Ensemble Machine Learning: Methods and Applications. Springer New York, NY. (https://doi.org/10.1007/978-1-4419-9326-7).

Zheng, A. and Casari, A. (2018) Feature Engineering for Machine Learning: Principles and techniques for Data Scientists. O’Reilly Media, Inc., Sebastopol.

Zhou, Z. (2021). Machine Learning. Singapore: Springer Nature. (https://doi.org/10.1007/978-981-15-1967-3).