代理什么掙錢,為什么時尚產業(yè)的顛覆者在硅谷？

摘要： “在日新月異的時代，時尚衣飾行業(yè)依然提供和70年代一樣的服務。我很好奇他們若何順應時代的轉變，我想介入到改變未來的這個歷程中?！边@是按月訂購時尚電商Stitch Fix的CEO K...

“在日新月異的時代，時尚衣飾行業(yè)依然提供和70年代一樣的服務。我很好奇他們若何順應時代的轉變，我想介入到改變未來的這個歷程中。”

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

Source：Campfire Capital

Stitch Fix這家神奇的公司打破了傳統的實體零售和電子商務零售模式，大量行使數據科學來提供大規(guī)模的個性化搭配服務。實在它的商業(yè)模式很簡單：網站向用戶每次寄送5件以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置，然后將剩下物品寄回即可。

Source：Study Breaks Magazine

不是沒有其余公司也在這么做，好比其頭號競爭對手Rent The Runway（此前我們也有文章對其商業(yè)模式和增進戰(zhàn)略舉行先容，點擊Rent The Runway即可領會）。但Stitch Fix可能更早一步就在數據科學方面發(fā)力了——寄送出去的衣飾配件的選擇是憑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。

CEOKatrina說道：“我們不會僅僅由于用戶的購置紀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計劃買一條小黑裙子。與這些低轉化率的行為相反，Stitch Fix將數據中的機械學習與造型搭配專家人性化的判斷相連系，以此為用戶作出怪異的個性化推薦?！?/span>

Source：giphy

從其早期獲得的快速增進解釋，現在許多用戶都樂于這種讓專業(yè)造型師替他們選擇合適衣服舉行搭配的方式。人人很享受這樣利便又到位的服務。但這種高度客制化的服務要實現規(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，情形就更為龐大。一樣平常的服裝零售商都想通過價格優(yōu)勢或發(fā)貨速率來脫穎而出，但這樣的競爭太過猛烈，而且缺乏真正的創(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，搭配推薦就是其營業(yè)的焦點。該公司聘用了80多位數據科學家，圍繞客戶自己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)故事完全差別，Katrina不是延續(xù)創(chuàng)業(yè)者。Stitch Fix是她開辦的第一家公司。雖然她不是從履歷了一次次失敗而吸取教訓、獲得樂成的這樣一條門路走來，但她卻是在對行業(yè)多年的連續(xù)關注中逐漸降生出勇敢的想法。

Source：PYNMTS

“我一直異常關注零售業(yè)和21世紀現代科技對它們的影響。在00年代就讀于斯坦福大學本科時代，以及厥后我在Parthenon Group（全球十大治理咨詢公司之一）擔任照料的第一份事情時代，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)，信賴它們對于人們的生涯賦有很大意義，然則幾十年過去了，時代不停在轉變，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。我異常好奇，而且想深入介入到它們若何去順應時代轉變的歷程?！?/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。那時她也依然在不停思索零售業(yè)未來的變化。Netflix崛起的時代，她同時親切考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營業(yè)，后者曾一度統治著實體店的錄像租賃。 

Katrina在考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%的主顧就面臨決議：實驗使用Netflix，或者到更遠的地方去租DVD。效果自然是多數人選擇實驗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

Katrina意識到，其他零售商若是不重新考慮自己的戰(zhàn)略，可能就會走上Blockbuster的老路。好比十年后消費者會怎么購置牛仔褲呢？

首先一定不會是傳統的方式——逛六家商鋪，從貨架上艱苦地挑牛仔褲，再排隊到試衣間逐條試穿。而且她也不以為會是類似于當下的電子商務模式——瀏覽器開著15個頁面，一邊查看產物尺寸一邊瀏覽商品評價，然后花一大筆錢一下子下單許多條，在家里逐一試穿事后再退回不合身的那些。

Katrina以為數據可以用來締造更好的衣飾穿搭體驗。究竟，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。只要你對此網絡足夠多的數據，就能知道人們想要怎么樣的衣服。

然則她也知道，購物是有人情味的。人們都體驗過意外發(fā)現一件合身又劃算的新衣服的喜悅。因而Katrina看到了一個機遇，她希望把數據和人情味連系起來，為購置衣飾創(chuàng)建出一種新的模式。

Source：Pinterest

區(qū)塊鏈創(chuàng)業(yè)，必須知道哪個文件？

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想要擁有所有庫存，以便深入明了每件商品，獲得大量結構化數據；而非在一開始就憑據哪件或哪類商品買的人多來控制庫存，由于這樣獲得的數據可能就對照單一。但對于零售業(yè)來說，一開始擁有大量庫存是異?？植赖?，這會讓Stitch Fix的戰(zhàn)略依賴大量資源且風險很高。

Source：VentureBeat

但這個戰(zhàn)略最終樂成了。Stitch Fix行使數據更好地明了人們的需求，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許多傳統零售商。行使數據舉行匹配，快速銷貨，然后向供應商支付貨款，這實在是一種很節(jié)約資源的模式。

不夠自動化？

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

Source：Dev

但這些不被看好也激勵著Stitch Fix盼望變得加倍壯大，迫使他們更聚焦于盈利能力和資源效率的提升。由于公司收入高度依賴于衣飾推薦，Stitch Fix必須面臨機械學習領域中的難題義務，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，她僅僅使用觀察問卷平臺SurveyMonkey、Google Docs和一些統計方法來追蹤用戶的偏好并提出搭配建議。

那個時刻，Katrina險些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確立一個可以使Stitch Fix的營業(yè)走向規(guī)模化的數據科學流程。

Katrina給了數據科學團隊許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，好比回購建議的算法——確定某樣商品銷售優(yōu)越，需要對其舉行回購。產物開發(fā)則甚至采用了遺傳學中的一些算法，來輔助團隊找到樂成的服裝特征。

Stitch Fix自己的服裝品牌Hybrid Designs就是云云降生的。數據剖析顯示許多40多歲女性主顧想要的一款短袖衣服類型是市面上所缺少的。為了填補這些空缺，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，知足了許多客戶的特定需求。

Source：Pinterest

這些算法可以輔助Stitch Fix更早且更準確地領會未來趨勢，從而面臨庫存治理和需求岑嶺做好準備。

Stitch Fix對服裝的各項屬性也舉行了量化研究。針對差別類型的衣服，他們對每一件舉行30到100項屬性追蹤，連系200萬活躍用戶的體驗，好比Stitch Fix現在明了了用戶對于舒適度的要求，知道了用戶在什么情形下愿意花錢購置他們推薦的衣飾。他們運用數據剖析，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，并可以憑據該比例調整庫存。

Source：Real Men Real Style

上面這些照樣相對來講對照容易的部門。真正的挑戰(zhàn)是在準確的時間向用戶推薦尺碼、顏色和設計都準確的衣服。這當中涉及的數學相當龐大，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不是在徒勞無功地實驗改變傳統零售商，而是以數據科學為焦點構建營業(yè)。

不要遺忘以人為本

雖然Katrina很認可Stitch Fix以數據科學為焦點的模式，然則她也明了，購物本質上照樣一個“人”的行為，是異常個性化的。這也是為什么她堅持把數據和造型專家的判斷連系起來，后者完全可以更改或是推翻由算法給出的搭配推薦。不外Stitch Fix的造型師們只管來自差別的靠山，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以為，在某些方面，人類比機械要好得多，這在未來很長時間里都是云云。

“有的時刻，客戶會提出一個異常詳細的請求，好比‘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刻知道什么衣服適合這種場所。此外，客戶也會經常分享有身、體重減輕或找到新事情等私密細節(jié)的信息，而這些情形背后的重要意義都是機械無法完全明了的。然則造型師知道這些生涯時刻的重大意義，他們不僅僅會推薦合適的搭配，還會與客戶親切相同，憑據需求相機行事。這為Stitch Fix帶來了極高的品牌忠誠度。”

Katrina明了一個很簡單的原理：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事情。

“我們不想讓人工和數據相互競爭，不想把機械訓練得像人類，也不想把人訓練成機械。我們希望他們配合配合。我們都得認可我們會犯錯，不管是造型師、數據科學家、照樣我。有時我們所有人都錯了，甚至是算法。”