Redeployment of trend forecasting : managing the overproduction challenge in the fashion industry

Situated around the interconnected issues of overconsumption and overproduction, the aim of this thesis is to explore how redeploying trend forecasting can help reduce these problems in the fashion industry. Setting the research in the context of postmodern society and digital culture, where the concepts of time and space are redefined and greatly relativized, the first part conducts a theoretical analysis. The goal is to understand how redeploying trend forecasting can reduce waste in the fashion industry from a multi-perspective level, considering sociological, psychological, economic, and cultural contexts. This part aims to analyze the concepts of (over)consumption and (over)production to profoundly understand these phenomena and outline their causes, triggers, and consequences. It then examines phenomena of trends, focusing on the contemporary setting of constant fluidity and rapid changes driven by digital culture and social media. It also delves into trend forecasting, exploring its conventional use within the fashion industry, including its strategic tools and techniques. The analysis transitions into defining the state-of-the-art of trend forecasting, analyzing its conventional use and the challenges related to overproduction in the fashion industry, as well as the use of AI-driven trend forecasting. The purpose of the research is to identify the gaps in reliance on Social Media Data for Trend Forecasting and Collection Development, Challenges in Trend Forecasting, and Its Relationship to Overproduction, and AI-Driven Trend Forecasting in the Fashion Industry. The research question is: How does the inaccuracy in filtering and interpreting data from social media contribute to overproduction and waste in the fashion industry? This will be achieved through empirical findings from case study analysis, exploring social media’s influence on trend adoption across different levels of the fashion industry’s pyramid, identifying concrete challenges and problems in current trend forecasting practices. Different methodologies are employed, including interviews, participatory observation, and analyzing the work of NextAtlas, an AI-driven trend forecasting platform. The NextAtlas platform uses AI to scan and monitor early adopters through social media listening. The thesis concludes by synthesizing insights from theoretical analysis and empirical research, proposing anticipatory solutions for the fashion industry. These solutions aim to guide the industry towards more sustainable practices, reducing overproduction and overconsumption through improved redeployment of trend forecasting.

Situata attorno alle questioni interconnesse di sovraconsumo e sovrapproduzione, l’obiettivo di questa tesi è esplorare come il riutilizzo della previsione delle tendenze possa contribuire a ridurre questi problemi nell’industria della moda. Collocando la ricerca nel contesto della società postmoderna e della cultura digitale, in cui i concetti di tempo e spazio vengono ridefiniti e relativizzati, la prima parte conduce un’analisi teorica. L’obiettivo è comprendere come il riutilizzo della previsione delle tendenze possa ridurre gli sprechi nell’industria della moda da una prospettiva multi-livello, considerando contesti sociologici, psicologici, economici e culturali. Questa parte mira ad analizzare i concetti di (sovra)consumo e (sovra)produzione per comprendere profondamente questi fenomeni e delinearne cause, inneschi e conseguenze. Esamina quindi il fenomeno delle tendenze, concentrandosi sul contesto contemporaneo di fluidità costante e rapidi cambiamenti guidati dalla cultura digitale e dai social media. Si approfondisce anche la previsione delle tendenze, esplorando il suo utilizzo convenzionale nell’industria della moda, comprese le sue tecniche e strumenti strategici. L’analisi si sposta poi sulla definizione dello stato dell’arte della previsione delle tendenze, analizzandone l’uso convenzionale e le sfide legate alla sovrapproduzione nell’industria della moda, nonché l’uso della previsione delle tendenze guidata dall’intelligenza artificiale (IA). Lo scopo della ricerca è identificare le lacune nella dipendenza dai dati dei social media per la previsione delle tendenze e lo sviluppo delle collezioni, le sfide nella previsione delle tendenze e la sua relazione con la sovrapproduzione, e la previsione delle tendenze basata sull’IA nell’industria della moda. La domanda di ricerca è: come l’inesattezza nel filtraggio e nell’interpretazione dei dati dai social media contribuisce alla sovrapproduzione e allo spreco nell’industria della moda? Questo obiettivo sarà raggiunto attraverso i risultati empirici dell’analisi dei casi studio, esplorando l’influenza dei social media sull’adozione delle tendenze attraverso i diversi livelli della piramide dell’industria della moda, identificando sfide e problemi concreti nelle pratiche attuali di previsione delle tendenze. Verranno impiegate diverse metodologie, tra cui interviste, osservazione partecipativa e l’analisi del lavoro di NextAtlas, una piattaforma di previsione delle tendenze basata sull’IA. La piattaforma NextAtlas utilizza l’intelligenza artificiale per monitorare e analizzare gli early adopters attraverso il social media listening. La tesi si conclude sintetizzando gli spunti provenienti dall’analisi teorica e dalla ricerca empirica, proponendo soluzioni anticipatorie per l’industria della moda. Queste soluzioni mirano a guidare l’industria verso pratiche più sostenibili, riducendo la sovrapproduzione e il sovraconsumo attraverso un miglior riutilizzo della previsione delle tendenze.