Nous proposons une pipeline centrée sur les données capable de générer des données d'observation exogènes pour le problème de Prévision des Performances des Nouveaux Produits de Mode (NFPPF), c'est-à-dire prédire la performance d'un vêtement entièrement nouveau sans observations passées disponibles. Notre pipeline crée les observations passantes manquantes à partir d'une seule image du vêtement disponible. Il commence par étendre les balises textuelles associées à l'image, en interrogeant des images similaires, tendance ou non, publiées sur le web à une date précise dans le passé. Un classifieur binaire est formé de manière robuste sur ces images web grâce à l'apprentissage confiant, afin d'apprendre ce qui était tendance dans le passé et dans quelle mesure l'image du vêtement correspond à cette notion de tendance. Cette conformité produit la série temporelle de Performance Potentielle (POP), indiquant comment le vêtement aurait pu performer s'il avait été disponible plus tôt. La POP s'avère être très prédictive pour la performance future du vêtement, améliorant les prévisions de vente de tous les modèles d'avant-garde sur le récent ensemble de données fast-fashion VISUELLE. Nous montrons également que la POP reflète la popularité réelle des nouveaux styles (ensembles d'articles vestimentaires) sur le banc d'essai Fashion Forward, démontrant que notre signal appris via le web est une expression véridique de la popularité, accessible à tous et généralisable à toute période d'analyse. Le code de prévision, les données et la série temporelle POP sont disponibles à l'adresse suivante : https://github.com/HumaticsLAB/POP-Mining-POtential-Performance