Stitch Fix如何應用數據科學提供大規(guī)模個性化搭配服務？

摘要： “在日新月異的時代，時尚服飾行業(yè)依然提供和70年代一樣的服務。我很好奇他們如何適應時代的變化，我想參與到改變未來的這個過程中。”這是按月訂購時尚電商Stitch Fix的CEO K...

“在日新月異的時代，時尚服飾行業(yè)依然提供和70年代一樣的服務。我很好奇他們如何適應時代的變化，我想參與到改變未來的這個過程中。”

這是按月訂購時尚電商Stitch Fix的CEO Katrina Lake在接受《哈佛商業(yè)評論》采訪時所講到的。

Source：Campfire Capital

Stitch Fix這家神奇的公司打破了傳統(tǒng)的實體零售和電子商務零售模式，大量利用數據科學來提供大規(guī)模的個性化搭配服務。其實它的商業(yè)模式很簡單：網站向用戶每次寄送5件認為用戶會喜歡的服裝和配飾，用戶保留下他們喜歡的物品并購買，然后將剩下物品寄回即可。

Source：Study Breaks Magazine

不是沒有別的公司也在這么做，比如其頭號競爭對手Rent The Runway（此前我們也有文章對其商業(yè)模式和增長戰(zhàn)略進行介紹，點擊Rent The Runway即可了解）。但Stitch Fix可能更早一步就在數據科學方面發(fā)力了——寄送出去的服飾配件的選擇是根據數據和算法來做出的，這些數據來源于用戶自己，以及數百萬其他用戶在注冊時填寫的信息和每次收貨后提供的反饋。

CEO Katrina說道：“我們不會僅僅因為用戶的購買記錄就向其推銷某個品牌，或是借助瀏覽行為就直接推測一位用戶正打算買一條小黑裙子。與這些低轉化率的行為相反，Stitch Fix將數據中的機器學習與造型搭配專家人性化的判斷相結合，以此為用戶作出獨特的個性化推薦?！?/span>

Source：giphy

從其早期獲得的快速增長表明，現(xiàn)在很多用戶都樂于這種讓專業(yè)造型師替他們選擇合適衣服進行搭配的方式。大家很享受這樣方便又到位的服務。但這種高度客制化的服務要實現(xiàn)規(guī)?；陀?，實際上是很不容易的。尤其是在日新月異的時裝零售行業(yè)中，情況就更為復雜。一般的服裝零售商都想通過價格優(yōu)勢或發(fā)貨速度來脫穎而出，但這樣的競爭太過激烈，并且缺乏真正的創(chuàng)新和競爭力。

而Stitch Fix自2011年成立起，不到5年，在2016年就銷售了價值7.3億美元的服裝，2017年達到了9.77億美元。這些收入的100%都來自于他們的搭配推薦服務。對于這家時尚電商屆的Netflix，搭配推薦就是其業(yè)務的核心。該公司聘用了80多位數據科學家，圍繞客戶本身及其需求構建大量算法，致力于將推薦做到極致。

非典型創(chuàng)業(yè)故事

和典型的硅谷創(chuàng)業(yè)故事完全不同，Katrina不是連續(xù)創(chuàng)業(yè)者。Stitch Fix是她創(chuàng)辦的第一家公司。雖然她不是從經歷了一次次失敗而吸取教訓、獲得成功的這樣一條道路走來，但她卻是在對行業(yè)多年的持續(xù)關注中漸漸誕生出大膽的想法。

Source：PYNMTS

“我一直非常關注零售業(yè)和21世紀現(xiàn)代科技對它們的影響。在00年代就讀于斯坦福大學本科期間，以及后來我在Parthenon Group（全球十大管理咨詢公司之一）擔任顧問的第一份工作期間，我與零售業(yè)和餐飲業(yè)有許多接觸。雖然我很喜歡這兩類行業(yè)，相信它們對于人們的生活賦有很大意義，但是幾十年過去了，時代不停在變化，這兩類行業(yè)卻依然提供和70年代、甚至是50年代一樣的服務。我非常好奇，并且想深入參與到它們如何去適應時代變化的過程?！?/span>

Source：giphy

Katrina在2007年iPhone剛面世時，離開了Parthenon Group，成為了風投公司Leader Ventures的合伙人。當時她也依然在不斷思考零售業(yè)未來的變革。Netflix崛起的期間，她同時密切觀察著它跟另一家錄像出租連鎖運營商Blockbuster。前者于2007年在線上售出第10億份DVD拷貝，并正式推出了在線流媒體播放業(yè)務，后者曾一度統(tǒng)治著實體店的錄像租賃。

Katrina在觀察天平會在哪個時刻發(fā)生傾斜。

每當Netflix占到當地市場份額的30%時，當地的Blockbuster就不得不選擇關門。然后剩下70%的顧客就面臨抉擇：嘗試使用Netflix，或者到更遠的地方去租DVD。結果自然是多數人選擇嘗試Netflix，從而給Blockbuster帶來了更大的壓力，只能一家接一家地關店。

Source：pitacocriativo.com.br

Katrina意識到，其他零售商如果不重新考慮自己的戰(zhàn)略，可能就會走上Blockbuster的老路。比如十年后消費者會怎么購買牛仔褲呢？

首先肯定不會是傳統(tǒng)的方式——逛六家商店，從貨架上費力地挑牛仔褲，再排隊到試衣間逐條試穿。而且她也不認為會是類似于當下的電子商務模式——瀏覽器開著15個頁面，一邊查看產品尺寸一邊瀏覽商品評價，然后花一大筆錢一下子下單很多條，在家里一一試穿過后再退回不合身的那些。

Katrina認為數據可以用來創(chuàng)造更好的服飾穿搭體驗。畢竟，合身和品味只是一堆屬性：腰圍、褲長、布料、顏色、重量、耐用性和樣式，它們都是可以被量化的數據。只要你對此收集足夠多的數據，就能知道人們想要怎么樣的衣服。

但是她也知道，購物是有人情味的。人們都體驗過意外發(fā)現(xiàn)一件合身又劃算的新衣服的喜悅。因而Katrina看到了一個機會，她希望把數據和人情味結合起來，為購買服飾創(chuàng)建出一種新的模式。

Source：Pinterest

這項創(chuàng)業(yè)并不被看好

是庫存噩夢？

一開始并沒有多少人認同Katrina的創(chuàng)業(yè)想法。她在哈佛商學院的一位教授甚至稱其為一場庫存噩夢。

Katrina想要擁有全部庫存，以便深入理解每件商品，獲得大量結構化數據；而非在一開始就根據哪件或哪類商品買的人多來控制庫存，因為這樣獲得的數據可能就比較單一。但對于零售業(yè)來說，一開始擁有大量庫存是非?？膳碌?，這會讓Stitch Fix的戰(zhàn)略依賴大量資本且風險很高。

Source：VentureBeat

但這個戰(zhàn)略最終成功了。Stitch Fix利用數據更好地理解人們的需求，把商品交付給合適的用戶，反而使得他們的存貨周轉率高于很多傳統(tǒng)零售商。利用數據進行匹配，快速銷貨，然后向供應商支付貨款，這其實是一種很節(jié)省資本的模式。

不夠自動化？

風險投資人曾經也對Stitch Fix的商業(yè)模式持懷疑態(tài)度。這些人中的大多數都不喜歡堆滿衣服的倉庫，并且在知道Stitch Fix雇傭了一群按小時收費的人類造型師時深感懷疑——在一切都和自動化有關的時代里，他們認為這是一個非常不VC的想法。

Source：Dev.to

但這些不被看好也激勵著Stitch Fix渴望變得更加強大，迫使他們更聚焦于盈利能力和資本效率的提升。因為公司收入高度依賴于服飾推薦，Stitch Fix必須面對機器學習領域中的困難任務，提高他們的算法能力。

開啟對算法的探索

剛開始，Katrina的“數據科學”很原始，她僅僅使用調查問卷平臺SurveyMonkey、Google Docs和一些統(tǒng)計方法來追蹤用戶的偏好并提出搭配建議。

那個時候，Katrina幾乎兼任造型師甚至到送貨員的各項角色。但她始終計劃著最終能夠建立一個可以使Stitch Fix的業(yè)務走向規(guī)?；臄祿茖W流程。

Katrina給了數據科學團隊很多自由度去研究新的解決方案并評估其潛力。他們已經開發(fā)了數十種算法，比如回購建議的算法——確定某樣商品銷售良好，需要對其進行回購。產品開發(fā)則甚至采用了遺傳學中的一些算法，來幫助團隊找到成功的服裝特征。

Stitch Fix自己的服裝品牌Hybrid Designs就是如此誕生的。數據分析顯示很多40多歲女性顧客想要的一款短袖衣服類型是市面上所缺少的。為了填補這些空白，一年之后，Hybrid Designs推出了29種由計算機設計出的女性服裝和大碼服裝，滿足了許多客戶的特定需求。

Source：Pinterest

這些算法可以幫助Stitch Fix更早且更準確地了解未來趨勢，從而面對庫存管理和需求高峰做好準備。

Stitch Fix對服裝的各項屬性也進行了量化研究。針對不同類型的衣服，他們對每一件進行30到100項屬性追蹤，結合200萬活躍用戶的體驗，比如Stitch Fix現(xiàn)在明白了用戶對于舒適度的要求，知道了用戶在什么情況下愿意花錢購買他們推薦的服飾。他們運用數據分析，來調整胸部較大的男士從襯衫領口到第一顆紐扣的距離。他們還知道適合27英寸褲長的用戶所占比例，并可以根據該比例調整庫存。

Source：Real Men Real Style

上面這些還是相對來講比較容易的部分。真正的挑戰(zhàn)是在正確的時間向用戶推薦尺碼、顏色和設計都正確的衣服。這當中涉及的數學相當復雜，需要考慮到商品的所有屬性，再加上用戶的偏好、季節(jié)、地理位置、過往趨勢等諸多變量。

Stitch Fix不是在徒勞無功地嘗試改變傳統(tǒng)零售商，而是以數據科學為核心構建業(yè)務。

不要忘記以人為本

雖然Katrina很認可Stitch Fix以數據科學為核心的模式，但是她也明白，購物本質上還是一個“人”的行為，是非常個性化的。這也是為什么她堅持把數據和造型專家的判斷結合起來，后者完全可以更改或是推翻由算法給出的搭配推薦。不過Stitch Fix的造型師們盡管來自不同的背景，但也都認同數據科學的作用，除此之外，他們更是以熱愛和同理心在服務著用戶。

Source：giphy

Katrina認為，在某些方面，人類比機器要好得多，這在未來很長時間里都是如此。

“有的時候，客戶會提出一個非常具體的請求，比如‘我需要一件在7月的戶外婚禮上穿的衣服’，而這時我們的造型專家就會立即知道什么衣服適合這種場合。此外，客戶也會經常分享懷孕、體重減輕或找到新工作等私密細節(jié)的信息，而這些情況背后的重要意義都是機器無法完全理解的。但是造型師知道這些生活時刻的重大意義，他們不僅僅會推薦合適的搭配，還會與客戶密切溝通，根據需求量體裁衣。這為Stitch Fix帶來了極高的品牌忠誠度?！?/span>

Katrina明白一個很簡單的道理：一個好的人加上一個好的算法互相配合，遠勝過一個最好的人或一種最好的算法單獨工作。