找穿搭個人顧問? 就找 Stitch Fix 吧~!
2016年，Stitch Fix賣出價值7.3億美元的衣服，2017年賣出9.77億美元。我們所有的營收，全都是直接來自我們的推薦，這是我們的業務核心。
我們在美國有超過兩百萬名活躍客戶，供應超過七百種品牌。我們不會在你剛把某件上衣放進購物車時，就追加推銷和它很搭的皮帶；我們也不會因為你以前買過某個品牌，就向你推銷那個品牌；我們更不會利用你瀏覽的模式，就憑直覺判斷你可能想要買一件黑色小洋裝。因為這些做法的轉換率都很低。相反地，我們結合資料、機器學習和人類專家的判斷，做出獨特的個人化選擇。
Stitch Fix執行長雷克喜歡衣服，也喜歡數據資料，她認為資料可以創造更好的服飾體驗。公司的營收仰賴演算法做出推薦，所以資料科學家直屬於執行長。但她也堅持，人類造型師可以改變或推翻演算法提出的產品組合建議。
執行長說到 : Stitch Fix的商業模式很簡單：把認為你會喜歡的服飾寄給你；你留下你喜歡的品項，退回其他的。我們善用資料科學，大規模提供個人化服務，因而超越傳統的實體和電子商務零售體驗。顧客樂於有專業造型師為他們採買，而且讚賞這種服務既便利又簡單。
搭配與否和品味如何，都只是一堆屬性而已：腰圍、材質、顏色、重量、圖案。一切都只是資料。
熱愛資料的那個部分的我，知道可以把資料用在服飾上，創造更好的體驗。畢竟，搭配與品味，只是一堆屬性而已：腰圍、褲腿內縫、材質、顏色、重量、耐用性和圖案。這一切都只是資料。只要收集夠多資料，你就能相當清楚了解人們想要什麼衣服。
但熱愛衣服的那個部分的我，明白採購也牽涉到人的因素，像是以下這種感覺：找到你原本沒料到可以找到的某樣東西，而且很高興它穿起來適合你，且符合你的預算。我看出有機會把資料與人的體驗這兩個要素結合起來，創造購買衣服的新模式。
演算法闖入時尚業
剛起步時，我用的資料科學相當粗淺。我使用SurveyMonkey和Google Docs，加上一些統計方法，來追蹤人們的偏好，並試著做出好建議。起初，我基本上是擔任個人造型師，有時甚至親自遞送Fix的盒子。但我的計畫，一直是要建立起資料科學營運作業，好讓業務的規模可以擴大。我們的推薦之所以有效，是因為我們的演算法不錯，但我們的演算法之所以不錯，是因為資料科學是我們公司的根基。
我們必須考慮許多變數：各種衡量指標、顧客的品味、季節、過去的趨勢。
我們把量化方法應用在時尚的另一種方式，是使用衡量資料。我們追蹤一件衣服的三十到一百個衡量指標，不同種類的服飾追蹤的指標數量不同；根據超過兩百萬名活躍客戶的體驗，我們現在知道，什麼樣的搭配，會讓顧客的支出超越他或她的舒適區。我們知道男性襯衫寬度，相對於胸圍大小的最適當比率。我們利用資料分析，調整大胸膛男性襯衫從衣領到第一顆鈕釦的距離。我們曉得適合27吋褲腿內縫的人口所占百分比，並根據那個比率來安排存貨。
但從某些方面來說，這是容易的部分。真正的挑戰，是要能在正確的時間，供應色彩正確和尺寸正確的正確衣服。這些因素的數學計算相當複雜。我們必須考慮所有的衡量指標，加上顧客的品味、季節、地點、過去的趨勢，變數實在很多。
如果有一塊錢可以投資公司，而能選擇的投資項目是行銷、產品或資料科學，我們幾乎總是選擇資料科學。我們很高興資料科學從一開始就是我們的核心，而不是試著改造傳統的零售業（我相信這是行不通的）。傳統的零售商如果說「我們來做Stitch Fix做的事」，就會像是我說「希望我現在能長高」。
這個道理很簡單：一個好的人，加上一個好的演算法，遠優於只有一個最好的人，或是只有一個最好的演算法。我們不是要人和資料互別苗頭。我們需要他們攜手共事。我們不想訓練機器採取像人的行為，而且，我們當然不希望訓練人像機器那樣行事作為。而且我們都必須承認，人人都會犯錯，不管是造型師、資料科學家或我都一樣。有些時候，我們全都錯了，連演算法也不例外。重要的是，我們應不斷從中學習。
↓↓↓ 如果您喜歡這篇文章，請幫我按5下拍手，讓我收到來自LikeCoin基金會的獎勵，謝謝！
0 留言