From the characteristics of each group, each cluster was assigned a name to represent them:

• Cluster 1: “The Practicals”: Generally uninterested, they give importance to purely “concrete” factors such as the possibility to try on a garment and its price. They don’t care if it is durable and high quality, but rather if it is comfortable and possibly available online. Three-quarters of them have never sold a garment of their own, while most buy vintage and do so primarily for reasons of convenience.
• Cluster 2: “Fashionistas”: If the brand is unknown, they will hardly buy the garment; for Fashionistas, the important thing is that what they purchase is part of the latest collection and is unique. They have no interest that the garment is comfortable and sustainable. In fact, it is the cluster with the highest share of people who have never bought vintage and have no intention to do so in the near future
• Cluster 3: “The Greens”: For this cluster, quality and durability are essential elements when choosing a garment. It does not matter that the brand is unknown and the garment is “obsolete”; the important thing is that it is comfortable and sustainable. They have the largest share of people who buy vintage (76%) and are the only cluster whose majority has sold a garment at least once. Unlike the Practicals, the reasons that lead them to buy vintage are the sustainability of the choice and the uniqueness of the pieces.

As it emerges from the results of the quantitative analysis, a good part of consumers is increasingly considering the purchase of vintage or second-hand garments, driven by different reasons. In addition, as it emerged from the desk analysis, the growth of the resale market is inevitable and in solid acceleration.

By analyzing and understanding the interests of their consumers, companies in this sector will necessarily consider including resale strategies in their business model, either by implementing their own resale channel or by relying on resale experts.

Dopo la sezione di domande sulle abitudini di acquisto, il questionario pone una serie di domande che riguardano la sostenibilità e l’acquisto o vendita di vintage e second-hand.

Il 74% degli intervistati sostiene di aver cambiato la propria consapevolezza in termini di sostenibilità e la maggioranza del campione afferma di essere disposto a pagare un prezzo maggiore per un capo più sostenibile rispetto ad un altro identico in termini di qualità.

L’acquisto di vintage è piuttosto diffuso tra gli intervistati: infatti, il 67% del campione ha almeno una volta acquistato un capo o accessorio vintage, mentre, al contrario, la maggioranza degli intervistati non hai mai venduto un proprio capo di abbigliamento e/o accessorio. I canali utilizzati per l’acquisto e la vendita di vintage e usato sono significativamente differenti: se, infatti, la maggior parte degli acquisti vintage avvengono prevalentemente nei negozi fisici (69%), quasi la totalità (82,1%) delle vendite di propri capi o accessori avviene attraverso le numerose piattaforme online.

Dopo aver analizzato le singole variabili, con l’aiuto del software SPSS è stata condotta una cluster analysis sulla base delle risposte alla domanda: “«Valuta su una scala da 1 a 7 come è cambiata l’importanza dei seguenti fattori nella scelta di un capo di abbigliamento rispetto al periodo pre-pandemia».

I fattori presi in considerazione sono i seguenti: Qualità dei materiali, Comodità, Affidabilità del brand, Prezzo, Sostenibilità, Durabilità, Novità, Possibilità di provarlo, Notorietà del brand, Disponibilità online, Unicità.

La Cluster Analysis per omogeneità di tipo non gerarchico ha permesso la creazione di 3 differenti cluster tramite l’applicazione del metodo k-means, con il rispetto dei seguenti criteri:

1. In nessun cluster è presente un numero ridotto di osservazioni o eccessivamente elevato, garantendo omogeneità
2. Tutte le variabili presentano un test F significativo
3. Le effettive caratteristiche individuate dei centri finali.

Una volta ottenuti, i cluster sono stati salvati all’interno del dataset come nuova variabile. In questo modo è stato possibile incrociare i tre profili con altre variabili presenti all’interno del dataset.