日系简约（MUJI 风格） vs 暗黑山本耀司风 双风格独立运营模型
定位：双风格品牌架构与差异化运营的教学级建模工具
适用：《时尚产业与品牌创新》课程实验、品牌矩阵规划、差异化运营策略
语言：Python 3.8+
说明：采用模拟真实分布数据（贴合两大风格客群特征），全流程可复现、中立化、无商业引流
一、实际应用场景描述
在《时尚产业与品牌创新》课程中，一个经典品牌架构问题是：
"如果一个集团同时运营日系简约（MUJI 风）和暗黑山本耀司风两条线，如何在产品、定价、渠道、传播上做独立运营？"
现实商业语境：
维度 日系简约（MUJI / 无印良品风格） 暗黑山本耀司风（Yohji Yamamoto 风格）
核心理念 "这样就好" — 去品牌化、功能主义 "反时尚" — 解构、黑色、不对称
目标人群 25-45 岁，中产，极简主义者 25-40 岁，设计敏感，亚文化圈层
价格带 中端（¥200-2000） 中高端（¥1500-15000）
渠道 生活方式集合店、购物中心 买手店、美术馆式旗舰店
传播 自然流量、口碑、内容种草 时装周、艺术跨界、KOL 深度合作
典型决策场景：
– 同一集团旗下两个品牌，如何避免 cannibalization（同类相食）？
– 供应链能否共用？设计与面料如何差异化？
– 营销预算如何在两个品牌间分配？
– 数据如何分品牌独立追踪？
二、引入痛点
🔴 痛点 1：风格边界模糊
问题 后果
"都是日系，放一起卖不行吗？" 品牌认知混乱
简约和暗黑都"酷"，消费者选哪个？ 内部竞争，互相蚕食
视觉语言混淆 传播效率下降
🔴 痛点 2：运营指标混用
– 用同一套 KPI 衡量两个风格品牌
– MUJI 风看复购率，山本风看客单价 — 但报表合在一起
– 无法评估各品牌独立盈利能力
🔴 痛点 3：缺乏差异化运营框架
运营维度 问题
产品规划 没有系统化区分两个风格的企划流程
定价策略 两套成本结构，一套定价逻辑
渠道选择 购物中心 vs 买手店，决策凭感觉
营销预算 按营收比例粗暴切分
三、核心逻辑讲解
✅ 双风格独立运营模型框架
集团层面
├── 品牌 A：日系简约（MUJI 风格）
│ ├── 产品策略：基础款为主，S/M/L 尺码，天然面料
│ ├── 定价策略：中端，成本+倍率（2-3x）
│ ├── 渠道策略：购物中心、社区店、线上旗舰店
│ ├── 传播策略：内容种草、生活方式叙事
│ └── KPI：复购率、客单价、坪效
│
└── 品牌 B：暗黑山本耀司风
├── 产品策略：解构设计，不对称剪裁，实验性廓形
├── 定价策略：中高端，设计师溢价（5-10x）
├── 渠道策略：买手店、美术馆式旗舰店、时装周
├── 传播策略：艺术跨界、KOL 深度合作
└── KPI：品牌溢价指数、媒体声量、联名质量
✅ 差异化运营的核心维度
维度 日系简约 暗黑山本风 关键差异
产品哲学 减法设计 解构主义 一个做减法，一个做加法
面料策略 棉麻丝天然 羊毛/真丝/创新面料 质感 vs 戏剧感
色彩体系 大地色/白色/灰色 黑色/深灰/藏蓝 柔和 vs 浓烈
尺码逻辑 宽松包容（S-XXL） 解构剪裁（不对称性） 普适性 vs 个性表达
上新节奏 季节基础款 + 月度补充 季度概念系列 持续补货 vs 事件驱动
客群画像 功能导向、注重性价比 审美导向、注重独特性 理性 vs 感性
✅ 双品牌数据隔离与对比分析
独立运营数据模型：
├── 各自消费者数据库（CRM 隔离）
├── 各自产品主数据（PLM 隔离）
├── 各自营销预算与 ROI 追踪
└── 集团层面汇总对比（不混合 KPI）
四、代码模块化实现
📁 项目结构
dual_style_brand_architecture/
│
├── config.py # 双品牌参数配置
├── data_simulator.py # 模拟两大风格客群数据
├── brand_profiler.py # 品牌画像与特征提取
├── operations_model.py # 差异化运营策略模型
├── comparator.py # 双品牌对比分析
├── reporter.py # 报告生成与导出
├── main.py # 程序入口
└── README.md
config.py
# config.py
from dataclasses import dataclass, field
from typing import Dict, List
# ============ 日系简约品牌参数 ============
@dataclass
class MinimalistBrandParams:
"""MUJI 风格品牌参数"""
name: str = "日系简约"
short_name: str = "Minimal"
# 产品参数
avg_price_range: tuple = (200, 2000) # 平均价格区间（元）
core_price_point: int = 499 # 核心价格带
sku_count: int = 800 # SKU 数量
new_arrival_monthly: int = 40 # 月均上新数
# 面料
core_materials: List[str] = field(default_factory=lambda: [
"棉", "麻", "真丝", "竹纤维", "有机棉"
])
core_colors: List[str] = field(default_factory=lambda: [
"米白", "浅灰", "大地色", "淡蓝", "燕麦色"
])
# 目标客群
age_core: tuple = (28, 45) # 核心年龄
gender_ratio_male: float = 0.38 # 男性占比
income_level: str = "中产" # 收入水平
# 渠道
channels: Dict[str, float] = field(default_factory=lambda: {
"购物中心": 0.35, "社区店": 0.25, "线上旗舰店": 0.30, "其他": 0.10
})
# 营销
marketing_budget_ratio: float = 0.08 # 营收占比
content_focus: List[str] = field(default_factory=lambda: [
"生活方式", "收纳技巧", "天然面料科普", "极简穿搭"
])
# ============ 暗黑山本耀司风品牌参数 ============
@dataclass
class AvantGardeBrandParams:
"""Yohji Yamamoto 风格品牌参数"""
name: str = "暗黑山本风"
short_name: str = "AvantGarde"
# 产品参数
avg_price_range: tuple = (1500, 15000)
core_price_point: int = 3999
sku_count: int = 300
new_arrival_monthly: int = 15
# 面料
core_materials: List[str] = field(default_factory=lambda: [
"羊毛", "真丝", "羊绒", "创新合成纤维", "精纺棉"
])
core_colors: List[str] = field(default_factory=lambda: [
"黑色", "深灰", "藏蓝", "酒红", "墨绿"
])
# 目标客群
age_core: tuple = (25, 40)
gender_ratio_male: float = 0.55
income_level: str = "中高净值"
# 渠道
channels: Dict[str, float] = field(default_factory=lambda: {
"买手店": 0.40, "美术馆旗舰店": 0.25, "线上精选": 0.20, "时装周": 0.15
})
# 营销
marketing_budget_ratio: float = 0.15
content_focus: List[str] = field(default_factory=lambda: [
"解构美学", "反时尚宣言", "艺术跨界", "设计师纪录片"
])
# ============ 集团层面参数 ============
@dataclass
class GroupParams:
total_revenue_target: float = 50_000_000 # 年营收目标（元）
brand_ratio: Dict[str, float] = field(default_factory=lambda: {
"Minimal": 0.65, "AvantGarde": 0.35
})
cannibalization_threshold: float = 0.15 # 同类相食阈值
# ============ 消费者标签 ============
CONSUMER_TAGS = [
"注重功能性", "追求性价比", "环保意识", "极简主义者", # 简约型
"设计敏感", "亚文化认同", "艺术从业者", "追求独特性" # 暗黑型
]
# 输出文件
OUTPUT_DIR = "brand_analysis"
data_simulator.py
# data_simulator.py
"""
模拟两大风格品牌的消费者数据
– 日系简约：理性消费、功能导向、中产家庭
– 暗黑山本风：审美驱动、设计敏感、创意阶层
"""
import numpy as np
import pandas as pd
from config import MinimalistBrandParams, AvantGardeBrandParams, CONSUMER_TAGS
def simulate_minimalist_customers(n: int = 2000, seed: int = 42) -> pd.DataFrame:
"""
模拟日系简约风格消费者
特征：理性、功能导向、年龄偏大、价格敏感适中
"""
np.random.seed(seed)
records = []
for i in range(n):
# 年龄：偏向 28-45，正态偏移
age = int(np.clip(np.random.normal(36, 6), 20, 60))
# 性别
gender = "男" if np.random.rand() < 0.38 else "女"
# 消费金额：中端，集中 200-1500
spend = np.random.gamma(shape=2.5, scale=280)
spend = np.clip(spend, 50, 3000)
# 购买频次：较高（基础款补货逻辑）
freq = np.random.poisson(lam=5.5)
freq = np.clip(freq, 1, 30)
# 最近购买距今天数：较近（日常消费）
recency = np.random.exponential(scale=25)
recency = int(np.clip(recency, 1, 180))
# 标签（多标签）
tags = []
if np.random.rand() < 0.55:
tags.append("注重功能性")
if np.random.rand() < 0.42:
tags.append("追求性价比")
if np.random.rand() < 0.35:
tags.append("环保意识")
if np.random.rand() < 0.48:
tags.append("极简主义者")
# 渠道偏好
channel = np.random.choice(
["购物中心", "社区店", "线上旗舰店"],
p=[0.35, 0.25, 0.40]
)
# 内容偏好
content = np.random.choice([
"生活方式", "收纳技巧", "天然面料科普", "极简穿搭"
])
records.append({
"customer_id": f"MIN{10001 + i}",
"brand": "Minimal",
"age": age,
"gender": gender,
"annual_spend": round(spend * freq, 2),
"purchase_freq": freq,
"recency_days": recency,
"avg_order_value": round(spend, 2),
"tags": tags,
"channel_pref": channel,
"content_pref": content,
})
return pd.DataFrame(records)
def simulate_avant_garde_customers(n: int = 1200, seed: int = 123) -> pd.DataFrame:
"""
模拟暗黑山本耀司风格消费者
特征：审美驱动、设计敏感、年龄偏小、客单价高
"""
np.random.seed(seed)
records = []
for i in range(n):
# 年龄：偏向 25-38，更年轻
age = int(np.clip(np.random.normal(32, 5), 20, 55))
# 性别：男性略多（山本风男装影响力大）
gender = "男" if np.random.rand() < 0.55 else "女"
# 消费金额：中高端，集中 800-8000
spend = np.random.gamma(shape=3.0, scale=650)
spend = np.clip(spend, 200, 20000)
# 购买频次：较低（每件都是决策）
freq = np.random.poisson(lam=2.8)
freq = np.clip(freq, 1, 15)
# 最近购买距今天数：波动大
recency = np.random.exponential(scale=45)
recency = int(np.clip(recency, 1, 365))
# 标签
tags = []
if np.random.rand() < 0.62:
tags.append("设计敏感")
if np.random.rand() < 0.45:
tags.append("亚文化认同")
if np.random.rand() < 0.38:
tags.append("艺术从业者")
if np.random.rand() < 0.52:
tags.append("追求独特性")
# 渠道偏好
channel = np.random.choice(
["买手店", "美术馆旗舰店", "线上精选"],
p=[0.45, 0.30, 0.25]
)
# 内容偏好
content = np.random.choice([
"解构美学", "反时尚宣言", "艺术跨界", "设计师纪录片"
])
records.append({
"customer_id": f"AVG{10001 + i}",
"brand": "AvantGarde",
"age": age,
"gender": gender,
"annual_spend": round(spend * freq, 2),
"purchase_freq": freq,
"recency_days": recency,
"avg_order_value": round(spend, 2),
"tags": tags,
"channel_pref": channel,
"content_pref": content,
})
return pd.DataFrame(records)
def generate_all_customer_data() -> pd.DataFrame:
"""生成合并数据集"""
df1 = simulate_minimalist_customers()
df2 = simulate_avant_garde_customers()
return pd.concat([df1, df2], ignore_index=True)
brand_profiler.py
# brand_profiler.py
"""
品牌画像分析：从数据中提炼两大风格的差异化特征
"""
import numpy as np
import pandas as pd
def profile_brand(df: pd.DataFrame, brand_name: str) -> dict:
"""
对单个品牌做消费者画像分析
"""
sub = df[df["brand"] == brand_name].copy()
if len(sub) == 0:
return {}
profile = {
"brand": brand_name,
"n_customers": len(sub),
"avg_age": round(sub["age"].mean(), 1),
"median_age": round(sub["age"].median(), 1),
"male_pct": round((sub["gender"] == "男").mean() * 100, 1),
"avg_annual_spend": round(sub["annual_spend"].mean(), 0),
"avg_order_value": round(sub["avg_order_value"].mean(), 0),
"avg_purchase_freq": round(sub["purchase_freq"].mean(), 1),
"avg_recency_days": round(sub["recency_days"].mean(), 0),
}
# 渠道分布
channel_dist = sub.groupby("channel_pref")["customer_id"].count() / len(sub) * 100
profile["channel_distribution"] = channel_dist.round(1).to_dict()
# 内容偏好分布
content_dist = sub.groupby("content_pref")["customer_id"].count() / len(sub) * 100
profile["content_distribution"] = content_dist.round(1).to_dict()
# 标签频次（Top 标签）
all_tags = []
for tags_list in sub["tags"]:
all_tags.extend(tags_list)
tag_counts = pd.Series(all_tags).value_counts()
profile["top_tags"] = tag_counts.head(5).to_dict()
# RFM 综合得分（简单版）
# R: 越小越好 → 取倒数
r_score = 1 / (sub["recency_days"] + 1) * 100
f_score = sub["purchase_freq"] / sub["purchase_freq"].max()
m_score = sub["annual_spend"] / sub["annual_spend"].max()
rfm = 0.3 * r_score + 0.35 * f_score + 0.35 * m_score
profile["avg_rfm_score"] = round(rfm.mean(), 3)
return profile
def print_brand_profile(profile: dict):
"""打印单个品牌画像"""
b = profile
print(f"\\n{'=' * 60}")
print(f" {b['brand']} — 品牌消费者画像")
print(f"{'=' * 60}")
print(f" 消费者人数: {b['n_customers']:,}")
print(f" 平均年龄: {b['avg_age']} 岁（中位 {b['median_age']} 岁）")
print(f" 男性占比: {b['male_pct']}%")
print(f" 年均消费: ¥{b['avg_annual_spend']:,.0f}")
print(f" 平均客单价: ¥{b['avg_order_value']:,.0f}")
print(f" 年均购买: {b['avg_purchase_freq']} 次")
print(f" 活跃度: {b['avg_recency_days']:.0f} 天前")
print(f" RFM 得分: {b['avg_rfm_score']}")
print(f"\\n 📊 渠道分布:")
for ch, pct in b.get("channel_distribution", {}).items():
print(f" {ch}: {pct}%")
print(f"\\n 📊 内容偏好:")
for ct, pct in b.get("content_distribution", {}).items():
print(f" {ct}: {pct}%")
print(f"\\n 📊 Top 消费者标签:")
for tag, cnt in b.get("top_tags", {}).items():
print(f" {tag}: {cnt} 人")
print(f"{'=' * 60}")
operations_model.py
# operations_model.py
"""
双风格差异化运营策略模型
输出每个品牌在产品、定价、渠道、传播上的独立运营方案
"""
from config import MinimalistBrandParams, AvantGardeBrandParams, GroupParams
def generate_minimalist_strategy(params: MinimalistBrandParams) -> dict:
"""日系简约品牌运营策略"""
return {
"brand": params.name,
"product_strategy": {
"core_philosophy": "减法设计 — 去除一切不必要装饰",
"design_principles": [
"功能性优先，装饰性最小化",
"天然面料为主（棉麻丝占比 80%+）",
"宽松包容性剪裁（S-XXL）",
"大地色 + 中性色色彩体系",
"基础款 70% + 季节款 30%"
],
"sizing_logic": "普适性尺码，降低决策成本",
"replenishment_model": "高频补货（月度上新 40 SKU）",
"material_focus": params.core_materials,
"color_palette": params.core_colors,
},
"pricing_strategy": {
"positioning": "中端大众市场",
"markup_strategy": "成本加成（2-3x）",
"core_price_zone": f"¥{params.avg_price_range[0]} – ¥{params.avg_price_range[1]}",
"anchor_price": f"¥{params.core_price_point}",
"discount_policy": "季末适度折扣（15-20%）",
"value_proposition": "高性价比的优质基础款",
},
"channel_strategy": {
"primary": "购物中心专柜（品牌体验 + 客流）",
"secondary": "线上旗舰店（全品类 + 会员运营）",
"tertiary": "社区店（生活方式渗透）",
"store_format": "明亮、通透、自然材质陈列",
"service_model": "自助式 + 轻咨询",
},
"marketing_strategy": {
"budget_ratio": f"{params.marketing_budget_ratio*100:.0f}% 营收",
"core_narrative": "回归生活本质的穿着方式",
"content_pillars": params.content_focus,
"kols": "生活方式博主、收纳达人、职场穿搭 KOC",
"campaign_types": ["新品发布", "季节穿搭指南", "面料科普"],
"community_building": "用户晒单 + UGC 穿搭社区",
},
"kpi_dashboard": {
"primary_kpi": "复购率（目标 > 35%）",
"secondary_kpi": "客单价（目标 ¥500+）",
"efficiency_kpi": "坪效（购物中心店 > ¥8000/㎡/月）",
"health_kpi": "库存周转天数（目标 < 60 天）",
}
}
def generate_avant_garde_strategy(params: AvantGardeBrandParams) -> dict:
"""暗黑山本耀司风品牌运营策略"""
return {
"brand": params.name,
"product_strategy": {
"core_philosophy": "解构主义 — 挑战服装的传统结构",
"design_principles": [
"不对称剪裁 + 解构细节",
"黑色为主色调（占比 70%+）",
"实验性廓形与面料创新",
"限量概念系列（每季 3-4 个主题）",
"男女装边界模糊化"
],
"sizing_logic": "精准剪裁，强调廓形效果",
"replenishment_model": "季度概念系列（月均上新 15 SKU）",
"material_focus": params.core_materials,
"color_palette": params.core_colors,
},
"pricing_strategy": {
"positioning": "中高端设计师品牌",
"markup_strategy": "设计师溢价（5-10x）",
"core_price_zone": f"¥{params.avg_price_range[0]} – ¥{params.avg_price_range[1]}",
"anchor_price": f"¥{params.core_price_point}",
"discount_policy": "严格控制折扣（仅 VIP 季末 10%）",
"value_proposition": "独一无二的审美表达",
},
"channel_strategy": {
"primary": "买手店（精准触达设计敏感人群）",
"secondary": "美术馆式旗舰店（品牌体验 + 艺术化）",
"tertiary": "时装周展示 + 限量线上",
"store_format": "暗色调、画廊式空间、灯光氛围感",
"service_model": "深度顾问式（预约制 + 造型建议）",
},
"marketing_strategy": {
"budget_ratio": f"{params.marketing_budget_ratio*100:.0f}% 营收",
"core_narrative": "反时尚的时尚 — 用服装表达态度",
"content_pillars": params.content_focus,
"kols": "时尚评论人、艺术 KOL、设计师博主",
"campaign_types": ["时装周直播", "艺术跨界联名", "设计师访谈"],
"community_building": "品牌私域 VIP 社群 + 线下展览",
},
"kpi_dashboard": {
"primary_kpi": "品牌溢价指数（实际售价/成本比）",
"secondary_kpi": "媒体声量（提及量 + 情感分析）",
"efficiency_kpi": "联名合作质量评分",
"health_kpi": "品牌辨识度（调研问卷）",
}
}
def check_cannibalization(min_strategy: dict, avg_strategy: dict) -> dict:
"""
检查两个品牌之间是否存在同类相食风险
"""
# 价格带重叠
min_low, min_high = 200, 2000
avg_low, avg_high = 1500, 15000
price_overlap = max(0, min(min_high, avg_high) – max(min_low, avg_low))
price_overlap_pct = price_overlap / (avg_high – min_low) if avg_high > min_low else 0
# 渠道重叠
min_channels = set(min_strategy["channel_strategy"].keys())
avg_channels = set(avg_strategy["channel_strategy"].keys())
channel_overlap = min_channels & avg_channels
return {
"price_overlap_pct": round(price_overlap_pct * 100, 1),
"channel_overlap": list(channel_overlap),
"risk_level": "低" if price_overlap_pct < 0.15 else "中" if price_overlap_pct < 0.35 else "高",
"recommendation": "价格带区分明确，风险可控" if price_overlap_pct < 0.15
else "建议进一步拉大价格带差距或强化差异化叙事"
}
comparator.py
# comparator.py
"""
双品牌对比分析模块
"""
import pandas as pd
import numpy as np
def compare_brands(profile_a: dict, profile_b: dict) -> pd.DataFrame:
"""生成双品牌对比表"""
comparison = pd.DataFrame({
"维度": [
"消费者人数", "平均年龄", "男性占比(%)", "年均消费(元)",
"平均客单价(元)", "年均购买次数", "活跃度(天)", "RFM 得分"
],
"日系简约": [
profile_a["n_customers"],
profile_a["avg_age"],
profile_a["male_pct"],
profile_a["avg_annual_spend"],
profile_a["avg_order_value"],
profile_a["avg_purchase_freq"],
profile_a["avg_recency_days"],
profile_a["avg_rfm_score"]
],
"暗黑山本风": [
profile_b["n_customers"],
profile_b["avg_age"],
profile_b["male_pct"],
profile_b["avg_annual_spend"],
profile_b["avg_order_value"],
profile_b["avg_purchase_freq"],
profile_b["avg_recency_days"],
profile_b["avg_rfm_score"]
]
})
return comparison
def print_comparison_table(comparison_df: pd.DataFrame):
"""打印对比表"""
print(f"\\n{'=' * 65}")
print(" 双品牌核心指标对比")
print(f"{'=' * 65}")
print(comparison_df.to_string(index=False))
print(f"{'=' * 65}")
def analyze_differentiation(min_strategy: dict, avg_strategy: dict):
"""分析差异化程度"""
print(f"\\n{'=' * 65}")
print(" 差异化运营分析")
print(f"{'=' * 65}")
# 产品差异化
print(f"\\n🎨 产品策略差异:")
print(f" 简约: {min_strategy['product_strategy']['core_philosophy']}")
print(f" 暗黑: {avg_strategy['product_strategy']['core_philosophy']}")
# 定价差异化
print(f"\\n💰 定价策略差异:")
print(f" 简约: {min_strategy['pricing_strategy']['positioning']}")
print(f" {min_strategy['pricing_strategy']['value_proposition']}")
print(f" 暗黑: {avg_strategy['pricing_strategy']['positioning']}")
print(f" {avg_strategy['pricing_strategy']['value_proposition']}")
# 渠道差异化
print(f"\\n🏪 渠道策略差异:")
print(f" 简约主渠道: {min_strategy['channel_strategy']['primary']}")
print(f" 暗黑主渠道: {avg_strategy['channel_strategy']['primary']}")
# KPI 差异化
print(f"\\n📊 KPI 体系差异:")
print(f" 简约核心 KPI: {min_strategy['kpi_dashboard']['primary_kpi']}")
print(f" 暗黑核心 KPI: {avg_strategy['kpi_dashboard']['primary_kpi']}")
print(f"\\n{'=' * 65}")
reporter.py
# reporter.py
"""
报告生成与导出模块
"""
import pandas as pd
import json
def export_all_data(
all_df: pd.DataFrame,
profile_min: dict,
profile_avg: dict,
strategy_min: dict,
strategy_avg: dict,
cannibalization: dict
):
"""导出完整分析结果"""
# 原始数据
all_df.to_csv("dual_brand_customer_data.csv", index=False, encoding="utf-8-sig")
# 品牌画像
summary = {
"日系简约": profile_min,
"暗黑山本风": profile_avg,
"同类相食检查": cannibalization
}
with open("brand_profiles.json", "w", encoding="utf-8") as f:
json.dump(summary, f, ensure_ascii=False, indent=2)
# 运营策略
strategies = {
"日系简约运营策略": strategy_min,
"暗黑山本风运营策略": strategy_avg
}
with open("operations_strategies.json", "w", encoding="utf-8") as f:
json.dump(strategies, f, ensure_ascii=False, indent=2)
print(f"\\n📊 导出完成:")
print(f" dual_brand_customer_data.csv — 消费者原始数据")
print(f" brand_profiles.json — 品牌画像报告")
print(f" operations_strategies.json — 差异化运营策略")
def print_executive_summary(profile_min: dict, profile_avg: dict, cannibalization: dict):
"""打印高管摘要"""
print(f"\\n{'=' * 65}")
print(" 📋 双品牌独立运
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！
