現代營銷學之父曾經有說過, 消費者需求主要分為數量滿足、品質滿足, 以及情感滿足階段。随着社會經濟的發展, 消費者對于産品品質進入到情感需求階段, 達到一個新高度。與此同時, 消費者對于現在生活環境和産品品質的需求, 不僅僅局限于功能特性的實用階段, 更加注重消費過程中環境美學的需求。此外, 消費者對于同質化産品, 以及對競争激烈消費場景有更大的色彩需求, 是以色彩對消費者購買行為的影響具有重要現實意義。
背景
先前，分析服務公司KISSmetrics釋出的一項調查結果，分析了顔色與購買行為的奇妙聯系。
- 當推銷一件産品的時候，消費者會把注意力放在哪些部分呢？93%的消費者選擇了産品外觀，6%選擇産品質地，1%選擇氣味或聲音。由此可見外觀對于一件産品的銷售起着至關重要的作用；
- 當消費者購買一件特殊商品的時候，85%的消費者解釋主要原因是産品的顔色；
- 顔色能提升80%品牌認知度，而品牌認知度直接影響消費者信任；
可以這麼了解，色彩在不同場景的選取，所表達的含義不同：
黃色：樂觀、年輕，常用于吸引消費者注意力；
紅色：充滿能量，讓人心跳加速，給人緊迫感，常見于清倉大甩賣；
藍色：給人值得信任和受到保護的感覺，常見于銀行和商業；
綠色：讓人聯想到富足。所有人來說最易接受的顔色，常置于商店中用于放松和休息；
橙色：積極行動的，通常是放行為提示語，比如産品描述，買或是賣；
粉色：浪漫且女性化的，用來吸引女人和年輕女孩兒；
黑色：有力的有光澤的，用來銷售高檔産品；
紫色：讓人緩和平靜，通常在化妝品或者抗衰老産品中使用；
由此可見，在消費經濟邁入更加精細化的時代，色彩的外化表現和消費購買行為有着至關重要的關系。
同時，電商行業的新品開發與設計越發依賴精準與高效的數字化決策。結合我們目前平台，憑借豐富的大資料助力行業的發展，運用數字化技術對傳統消費品行業賦能，滿足行業制造新需求，在色彩屬性上，進行商品開發基礎屬性洞察與疏理，挖掘消費新需求。
問題
然而，目前平台上商品的色彩标簽，采用主觀意識人工填寫，是以在資料層面産生了極為分散的描述，限制了其中歸納與提取更加精準的色彩洞察。
比如上圖中色彩描述，可以看到視覺上的同一色彩，由于平台上商品的色彩标簽由商家于背景手動填寫，是以産生了極為分散的描述。有的商家填寫從流量與營運視角出發，色彩标注為” XXX同款色”或是”主圖色”，有的從營銷視角出發，描述為”深夜星空”或是”卡布奇諾”，即使限制隻能使用單純的色彩命名，“淡紅棕”、“土咖”也難以準确判斷。最終導緻平台底層色彩屬性資料不一緻，線上線下存在色彩偏差，行業小二、消費者、商家對顔色認知沒有形成統一标準。
由于個人色彩感受的差異與色彩語言的不一緻，造成色彩資料抓取分散，計算機與資料科學中的常用原則Garbage in，garbage out (GIGO，無用輸入，無用輸出)限制了我們由大資料中歸納與提取更加精準的色彩分析，使得目前的色彩決策形成了巨大落差，感性預測與理性資料無法互相支撐、線上虛拟色号與線下商品實體色彩難以互相比對。若回到色彩決策的理性角度來說，具有廣泛行業的色彩資料、聚焦中國消費者、具有時間次元的阿裡巴巴平台消費資料是否能更加準确的洞察未來趨勢色彩的變化?
基于此，新品平台、阿裡設計ADIC平台、以及外部ISV雲巢科技公司，共同研究主流色彩體系，提出一套全新可适配電商的色彩系統，并通過圖檔主色拾取的算法能力，将此色彩系統與顔色标準化引擎結合，對相近色以色彩.色相.色階歸納分組進行排序，将理性資料定量标準化分析形成精準色彩決策指引，實際應用于AilbabaDesign“智美産品”，沉澱在新品平台體系，以及平台上需要顔色标準體系支撐的産品，提供商家精準貨品色彩開發。
理性研究色彩
發現問題，就要針對問題對症下藥，首先要調研色彩标準體系，以此為理論基礎支撐，作為色彩理性判斷的依據。
正常情況下，對色彩的了解大多從感性出來，這就出現了色彩描述起來含糊不清并難于管理的情況，從理性的角度分析色彩，需要根據色相、彩度、白度和黑度等體驗參數判斷色彩。
上個世紀，從亞裡士多德開始，人類就開始研究色彩，色彩理論逐漸地系統化，出現了很多不同的色彩系統，在這些色彩系統的指引下，人們已經可以資料化的分析色彩，以下簡要介紹一下各大自然色彩系統及其他主流色彩系統。
▐ NCS色彩體系及其他主流體系
NCS自然色彩系統是根據人眼所看到的色彩，基于人眼的視神經，設定了紅黃藍綠以及黑白，一共6個顔色，如下圖：
把黃紅藍綠4個有彩色圍繞一圈組成色相環，而這些顔色之間10等分，這樣每一個色相就都有了自己的色相編号，色階的次元由黑白度和彩度辨別，黑白之間10等分，彩度和黑白之間又是10等分，這樣就形成了色階，把色相和色階組合起來，而形成了一個錐形的色立體。
基于這個色立體可以将色彩資料化，色彩本身的構成原理，同樣線上色立體的資料化，更加是可行的。
目前比較通用的色彩體系有瑞典的NCS自然色彩系統，德國的勞爾色彩體系，日本的PCCS色彩系統，丹麥Malerlaug色彩系統等。而每個系統各有其各自的特點，而針對不同的色彩需求。
▐ 瑞典-NCS自然色彩系統
NCS是Natural Colour System（自然色彩系統）的簡稱。NCS是如今世界上最具盛名的色彩體系之一，是國際通用的顔色規範，更是國際通用的顔色交流的言語。研讨始于1611年，後來在顔色學、心思學、實體學以及修建學等十幾位專家數十年的共同努力下，經過了數不清的科學試驗，天然顔色體系于1979年完結，并變成瑞典的國家規範。
在三維的立體模型中，立體的上下兩頭是兩種非五顔六色原色，頂端是白色，底端是黑色。立體在中心部位由黃、紅、藍、綠四種五顔六色原色形成一個色相環。在這個立體體系中，每一種顔色都占有一個特定的方位，而且和别的顔色有精确的聯系。
三角形的W角代表達，S角代表黑，也即是顔色立體的頂端和底端，C代表一個純色，與對錯都不類似。用NCS斷定顔色時，第二步是由目測判别出該顔色中含有五顔六色和非五顔六色量的相對多少。顔色三角形中有兩種标尺；彩度标尺闡明一個顔色與純五顔六色的挨近程度；對錯标尺闡明一個顔色與黑色的挨近程度，這兩種标尺被均分紅100等份。
▐ 德國-勞爾色彩體系
勞爾RAL設計體系的顔色是按色相(hue)、亮度(lightness)和彩度(chroma)進行系統排列，共有1825種顔色。按照色譜的順序，色相被排列成一個圓圈，各角度有相應的顔色。紅色能在0° (= 360°)處找到，黃色在90°，綠色在180°，藍色在270°，同一色相内的不同的明度值分列在不同的層次上。
勞爾RAL設計色彩體系應用非常廣泛，别的領域不敢說，但在工業領域的應用占有着絕對優勢，是全球建築師、室内設計師、工業應用設計和所有顔色專業使用者的首選，早已被視為現代個性化顔色設計的完美工具。
▐ 日本-PCCS色彩系統
PCCS，非常年輕的色空間，最在意配色應用，商業性強，日本常用。PCCS色彩體系，集合了Munsell和NCS、Oswald各自優點的色空間，各方面都最成熟，在配色上也下了很大的功夫。
PCCS除了将顔色表現為具有“色相”，“亮度”和“飽和度”三個屬性的方法外，還具有“色調”的概念，該概念将“亮度”和“飽和度”結合在一起，用“色相”和“色調”這兩個屬性來表示色彩的性格。
由“色相”和“色調”組成的色彩系統是PCCS的主要功能，該系統也稱為“色調系統”，可針對不同主題的設計進行快速搭配。
PCCS最重要的應用方法，不隻是将顔色分類，更将顔色與适合應用的場合結合。如果将2020年的流行色放入表中，我們能從中看出，明年流行趨勢基本上都在表中偏左上角的色調裡。
也就意味着：他們的“亮度”高，“飽和度”低，具有統一的清爽、年輕、不具侵略性的特點。
每一個色彩系統都有它各自的優點，這次建構電商色彩系統也是經過長時間的資料驗證，結合電商行業特性不斷試錯，進行電商色彩系統的驗證。
探索電商色彩
為了選擇更好的色彩研究方法，首先需要對電商商品特性及其圖檔體量有基礎了解。阿裡巴巴作為中國最大的電商平台，有着數以億計的商品圖檔，擁有着天然優勢來探索并建構電商色彩系統。
▐ 電商平台的圖檔特性
在平台體系内，商家每釋出一個商品，就需要上傳商品主圖、詳情頁介紹圖、内容管道拍攝圖、營銷管道活動圖等不同圖檔，加上後期使用者回報的買家秀，每一個商品都關聯着一套數量很大的圖檔集。對商品圖檔資料分析時，為了使獲得結論更有指導性，往往需要根據行業品類、人群特性、價格區間進行分類分析。
基于這個資料量級下的分層需求，如果對線上資料依舊采用以往色彩研究定性的分析方法，必定耗時耗力，同時無法保證研究結果的科學性與可用性。
為此，我們應用了圖像識别算法中的圖檔主色拾取能力，基于算法色彩提取，進行電商圖檔色彩研究。建立符合平台應用場景的完整色立體，形成一套全新的線上色彩體系，可以客觀地分析背景色彩資料，研究消費者對色彩的喜好以及色彩趨勢。
▐ 圖檔主色拾取算法能力
商品圖檔主體顔色的識别，核心功能分為兩部分：分割摳圖、顔色識别。其中分割摳圖是極為關鍵的一步，因為商家往往上傳的圖檔品質、來源、内容參差不齊，很難用一個模型實作業務效果統一。
阿裡巴巴智能設計實驗室自主研發的分割摳圖系統，從底層技術實作涵蓋過濾、分類、檢測、分割四個子產品。分類模型，借鑒autoML的思想，在有限GPU資源的情況下做參數和模型搜尋，加速分類落地；檢測模型，借鑒FPN檢測架構；分割融合模型[4]，與傳統的隻需分别前景、背景圖像分割(segmentation)問題不同，高精度摳圖算法需要求出某一像素具體透明度是多少，将一個離散0-1分類問題變成[0, 1]之間的回歸問題。
針對圖像中某個像素p，透明度預測公式：α_p=β_p F ̅_p+(1-β_p ) 〖(1-B ̅〗_p)
備注：其中F ̅_p和B ̅_p分别代表了這個像素屬于前景和背景的機率，β_p是混合權重。
分割融合模型，是分割摳圖的關鍵，由此可知，網絡可整體分為兩部分，分割網絡和融合網絡，如下圖：
分割網絡與融合網絡模型
分割網絡：圖像分割任務中常用的編-解碼器結構作為基礎結構，但與傳統結構不同，此網絡中使用雙解碼器分别來預測前、背景機率F ̅_p 〖和B ̅〗_p。如果像素p在圖像的實心區域（透明度為0或1），預測像素透明度的真實值；如果p在圖像的半透明區域（透明度值在0到1之間），預測像素透明度真實值的上下界。通過在半透明區域使用權重的交叉熵損失函數，使F ̅_p 〖和B ̅〗_p的值相應升高，即可将透明度的真實值“包裹”在〖[1-B ̅〗_p 〖,F ̅〗_p]這一區間中。
融合網絡摳圖示意
融合網絡：由數個連續卷積層構成，它負責預測混合權重β_p。注意，在圖像的實心區域，像素的前背景預測往往容易滿足F ̅_p 〖+B ̅〗_p=1這一條件，此時α_p對β_p求導恒為0，這一良好性質令融合網絡在訓練時可以自動“聚焦”于半透明區域。
顔色識别，基于阿裡雲視覺智能開放平台，借助現有工具化的顔色識别能力，可以對輸入圖檔的顔色資訊進行分析，輸出顔色值（RGB形式和HEX格式）與對應的占比資訊。至此，電商圖檔的主圖主色拾取能力已具備。
▐ 色彩識别及歸納流程
有了圖檔主色拾取的算法能力，可以獲得大多數在平台售賣的商品色排序，本次研究取占比第一的商品主色進行研究。拼色及漸變色彩将在未來的研究中開展。擷取商品的主色後會發現，需要對相近色彩進行歸納分組，才能夠被定量化分析。為此我們采用了研究基礎中所提到的NCS色彩理論為基礎，建立符合平台應用場景的基礎色環，并參考PCCS的色階色相模型進行色調分類，并根據RGB和HSV數值進行色彩區域劃分分組。
- 第一次實驗
從RGB色彩模式入手，RGB所呈現的數值是0-255，色彩的形成都是有規律可追尋的。
首先先确定的是色相，然後在每個色階空間中均勻地确定色彩布點，而讓我們的色立體可以最大限度的包含了所有的色域。
第一步，12等分等分360°的色相環，等比切割選擇12個合适的色相；
第二步，每一個色相的色階空間中，根據明度和彩度對色彩的影響關系，找到12個色彩位置；144個有彩色，6個無彩色，共150個色彩；
第三步，最終形成三維錐形色立體空間。
色立體是色彩空間的結構原理，根據加法混色的原理排列，在色彩搜尋過程中，色立體的空間能無限放大且精準定位，并對以後新增色彩具體無限包容性，但在最終實作的時候，遇到難題，即色立體包括了明度軸彩度軸的多元變量，工程師需要非常紮實的了解色立體的原理才能更好地計算和呈現色彩空間，同時因為運算複雜導緻工作量非常大。
同樣顔色搜尋也受到多個次元的影響，隻有建立空間色立體，才可以運算，第一種嘗試的計算方式不能把多元度的色空間建立起來。
是以退而求次，在色域在計算方面嘗試采用了HSL色彩模式，以兩維角度計算，進而滿足了識色測色的需求。
- 第二次實驗
在HSL的色彩模式下，分色相和色階兩個次元來分析色彩，首先将色相環按照10°為機關切分為36色，再将每個色的色階做16等分的細分，以此明确顔色的明度和純度。
36色色相劃分說明圖
以H300、S100、V100為例，由右至左分為四等份，H和V不變，隻有S以每次遞減25的數值産生顔色的漸變變淺；由上至下分為四等份，H和S不變，隻有V每一次以遞減25的數值産生顔色的漸變變深。
12色色階示意圖
- 以人眼為基礎的色彩體系
色相環由36色改為18色，又改為16色
在實際搜尋測試中，發現36色的色相加上每個色相的12色的細分，多達432個顔色，數量非常龐大，而且因細分顆粒度過小，有些色相之間差異度不大，是以将色彩環改為20°為基本機關，色相縮減為18色，又因為綠色的工程實作度不高，減去了2個綠色，最終是16色色相環，如下圖：
16色色相劃分示意圖
色階由12色，改為10色
在實際搜尋測試中，原本12色的色階劃分會出現最左側和最下方的色彩更接近黑色和白色，新的一輪調整中将白度和黑度過高的接近無彩色的色彩剔除，将剩餘的色彩進行十等份，縮減至10色色階，如下圖H300,S100,V100的色階劃分圖。
12色色階展示圖
參考PCCS色彩體系，對色彩體系進行色調分類，便于設計師進行色彩的歸納和運用
PCCS的色彩體系最大的特點是從色調的觀念出發，平面展示了每一個色相的明度關系和純度關系，在色調中确定每一個有彩色的位置。它的優勢在于将龐大的色彩資料進行了有效的分析和歸納，形成了色彩組合和分類名額并對應為形象性的詞彙。
PCCS色調展示圖
PCCS利用同樣色階進行配色的原理，與我們的色彩原理類似，如下圖，以H300,S100,V100為例，将明度和純度的數值相近的紫紅色合并為一個代表色，整個色階被分為明清色調、純正色調、暗清色調、灰濁色調四大色調，友善設計師根據色調進行挑選顔色和搭配顔色。
色調展示圖
電商色彩系統的行業應用
▐ 業務場景應用
基于這套電商色彩系統，就可以看出色彩在不同行業上的表現情況。我們選擇了箱包、家用電器、服飾三個行業進行測試應用。
第一步，選擇合适的電商商品圖，為了提高測試效率及算法的識别準确度，我們直接選用了商品圖的第二張白底圖，進行歸類測試。第二步，通過算法模型，得出不同圖檔下的主體物主色的rgb數值，并通過抽檢，人工評測算法準确性，保證算法90%以上的準确率後，進入第三步。第三步，将rgb轉化為hsv。目前市面上比較成熟的方法論依據如下：設 (r, g, b) 分别是一個顔色的紅、綠和藍坐标，它們的值是在 0 到 1 之間的實數。設 max等價于 r, g和 b中的最大者。設 min等于這些值中的最小者。要找到在 HSV 空間中的 (h, s, v) 值，這裡的 h ∈ [0, 360）是角度的色相角，而 s, l ∈ [0,1] 是飽和度和亮度，計算為：
h的值通正常範化到位于 0 到 360°之間。而 h = 0 用于 max = min的（就是灰色）時候而不是留下 h未定義。
HSV有同樣的色相定義，但是其他分量不同。HSV 顔色的 s和 v的值定義如下：
第四步，通過電商色彩系統的分類規則，将批量的圖檔主體主色hsv歸納進我們所定義的67色标準色中。第五步，通過圖檔對應商品的銷售資料（例如商品銷售額gmv），将不同标準色下的商品組進行倒叙排序。第六步，剔除gmv占比過低的商品組。最後，獲得商品銷售額次元下的表現較好的幾種标準色彩。
在不同行業的測試過程中，我們也會發現，因受類目下商品材質、表面工藝的影響，商品色彩的劃分規則會稍有不同。
例如，箱包行業中因為金屬及高反光材質的廣泛引用，商品主色在拍攝過程中會受到明顯的反光色及環境色影響，進而造成拾取的主色顔色偏灰偏淺。是以，我們在色彩标準化系統的線上過程中，也增加了針對不同行業的可配置能力。
經過和行業小二的多次驗證确認，最終完成以上這種方式實作顔色标準化體系的業務效果驗證，目前在箱包行業和知識庫跑通底層标準色資料的拉通，并産出顔色屬性項和其他屬性項的交叉資料分析，并應用到行業側。同時，在服飾行業，和行業小二達成一緻，實作營銷色和标準色比對的關聯關系産品形态，供服飾小二做C端營銷色資料驗證的場景。最後，和設計小二達成一緻，開發一套标準色色闆動态配置的功能實作。
▐ 顔色标準化技術方案
色彩全鍊路數字化的階段性産出，有了以上業務場景的驗證，在工程端實作了顔色标準化落地的産品化解決方案。
- 顔色标準化工程設計方案
從圖上可以出，顔色(CMF)标準化引擎，輸入是天貓行業商品資料，輸出為标準化後的客觀理論支撐的顔色資料。對于上層業務調用，有兩種暴露方式：1）基于服務化接口，開放标準化引擎服務；2）基于産品化的動态配置，根據天貓行業需求适配上層業務場景，進而可實作标準化體系的搭建，承上啟下滿足行業端對顔色的标準化需求。
顔色的全鍊路數字化探索暫告一段落，未來還會有很多延展的可能性，在不同業務場景的驗證，不同場域的透出，任重道遠，道阻且長，行則将至，行而不辍，未來可期。
電商色彩系統的展望思考
我們透過分析現有顔色體系，結合平台的圖檔底池資料特性，提出一套全新可适配電商的色彩系統，并體系化搭建标準，承上啟下滿足多行業對顔色洞察的需求，給到新品開發更精确的指導。未來将立足現有C（色彩）基礎之上，分階段進行MFP（色彩.材質.表面工藝.紋理圖樣）的平台商品屬性标準化建立。
第一階段已完成針對消費者購買決策進行屬性語意分析排序，找到色彩影響購買決策靠前的類目進行分析，運用AI圖像識别及顔色标準化引擎歸依，精準洞察趨勢色彩，并實際應用于阿裡巴巴新品平台-智美産品與Alibaba Design商品設計趨勢報告，提供商家貨品開發指引。
第二階段将著眼于商品色彩混色.漸層色進行AI圖像識别及顔色标準化引擎歸依。并透過消費者購買決策進行屬性語意分析排序，結合材質與表面工藝，綜合考量人群需求.消費能力.材料相對成本，進行下鑽精準洞察，提供商家産品企劃人員.商品營運人員貨品開發或選品指引。
第三階段将此平台商品屬性标準化沈澱之資料資訊，結合社群趨勢熱點與搜尋關鍵詞做熱度映射比對知識圖譜，洞察尚未滿足之市場需求，并根據行業特性輸出具備指導意義的貨品開發政策或原材料研發指引。
緻謝
業務同學：不北、智羚、樂司外部色彩機構：雲巢設計研究院算法同學：銅駱前端同學：凨霖、竹滢視覺互動：不北後端同學：幹城、望沉、凨霖
參考文獻
[1] 瑞典的NCS自然色彩系統
[2] 設計領域，勞爾色彩體系的應用
[3] 日本pccs色彩體系
[4] 電商平台數字化色彩系統
[5] 顔色與消費行為的奇妙關系
[6] 色彩營銷對消費者購買行為的影響分析
團隊介紹
新品平台，打造新品全鍊路數智化引擎，緻力于建構新品全鍊路的數字化工具和智能化驅動品牌創新的技術體系，圍繞新品從市場研究、到産品研發、再到上市打爆的全生命周期，基于全域資料洞察，關聯産業生态，通過全鍊路的資料驅動、使用者共創和生态協同，幫助商家全面提升新品全鍊路效率和新品成功率，帶動規模優質新供給的創造和孵化，打造新品一站式孵化中心。