“在日新月异的时代，时尚服饰行业依然提供和70年代一样的服务。我很好奇他们如何适应时代的变化，我想参与到改变未来的这个过程中。”
这是按月订购时尚电商Stitch Fix的CEO Katrina Lake在接受《哈佛商业评论》采访时所讲到的。
Source：Campfire Capital
Stitch Fix这家神奇的公司打破了传统的实体零售和电子商务零售模式，大量利用数据科学来提供大规模的个性化搭配服务。其实它的商业模式很简单：网站向用户每次寄送5件认为用户会喜欢的服装和配饰，用户保留下他们喜欢的物品并购买，然后将剩下物品寄回即可。
Source：Study Breaks Magazine
不是没有别的公司也在这么做，比如其头号竞争对手Rent The Runway（此前我们也有文章对其商业模式和增长战略进行介绍，点击Rent The Runway即可了解）。但Stitch Fix可能更早一步就在数据科学方面发力了——寄送出去的服饰配件的选择是根据数据和算法来做出的，这些数据来源于用户自己，以及数百万其他用户在注册时填写的信息和每次收货后提供的反馈。
CEO Katrina说道：“我们不会仅仅因为用户的购买记录就向其推销某个品牌，或是借助浏览行为就直接推测一位用户正打算买一条小黑裙子。与这些低转化率的行为相反，Stitch Fix将数据中的机器学习与造型搭配专家人性化的判断相结合，以此为用户作出独特的个性化推荐。”
从其早期获得的快速增长表明，现在很多用户都乐于这种让专业造型师替他们选择合适衣服进行搭配的方式。大家很享受这样方便又到位的服务。但这种高度客制化的服务要实现规模化和盈利，实际上是很不容易的。尤其是在日新月异的时装零售行业中，情况就更为复杂。一般的服装零售商都想通过价格优势或发货速度来脱颖而出，但这样的竞争太过激烈，并且缺乏真正的创新和竞争力。
而Stitch Fix自2011年成立起，不到5年，在2016年就销售了价值7.3亿美元的服装，2017年达到了9.77亿美元。这些收入的100%都来自于他们的搭配推荐服务。对于这家时尚电商届的Netflix，搭配推荐就是其业务的核心。该公司聘用了80多位数据科学家，围绕客户本身及其需求构建大量算法，致力于将推荐做到极致。和典型的硅谷创业故事完全不同，Katrina不是连续创业者。Stitch Fix是她创办的第一家公司。虽然她不是从经历了一次次失败而吸取教训、获得成功的这样一条道路走来，但她却是在对行业多年的持续关注中渐渐诞生出大胆的想法。
Source：PYNMTS
“我一直非常关注零售业和21世纪现代科技对它们的影响。在00年代就读于斯坦福大学本科期间，以及后来我在Parthenon Group（全球十大管理咨询公司之一）担任顾问的第一份工作期间，我与零售业和餐饮业有许多接触。虽然我很喜欢这两类行业，相信它们对于人们的生活赋有很大意义，但是几十年过去了，时代不停在变化，这两类行业却依然提供和70年代、甚至是50年代一样的服务。我非常好奇，并且想深入参与到它们如何去适应时代变化的过程。”
Source：giphy
Katrina在2007年iPhone刚面世时，离开了Parthenon Group，成为了风投公司Leader Ventures的合伙人。当时她也依然在不断思考零售业未来的变革。Netflix崛起的期间，她同时密切观察着它跟另一家录像出租连锁运营商Blockbuster。前者于2007年在线上售出第10亿份DVD拷贝，并正式推出了在线流媒体播放业务，后者曾一度统治着实体店的录像租赁。每当Netflix占到当地市场份额的30%时，当地的Blockbuster就不得不选择关门。然后剩下70%的顾客就面临抉择：尝试使用Netflix，或者到更远的地方去租DVD。结果自然是多数人选择尝试Netflix，从而给Blockbuster带来了更大的压力，只能一家接一家地关店。
Source：pitacocriativo.com.br
Katrina意识到，其他零售商如果不重新考虑自己的战略，可能就会走上Blockbuster的老路。比如十年后消费者会怎么购买牛仔裤呢？首先肯定不会是传统的方式——逛六家商店，从货架上费力地挑牛仔裤，再排队到试衣间逐条试穿。而且她也不认为会是类似于当下的电子商务模式——浏览器开着15个页面，一边查看产品尺寸一边浏览商品评价，然后花一大笔钱一下子下单很多条，在家里一一试穿过后再退回不合身的那些。Katrina认为数据可以用来创造更好的服饰穿搭体验。毕竟，合身和品味只是一堆属性：腰围、裤长、布料、颜色、重量、耐用性和样式，它们都是可以被量化的数据。只要你对此收集足够多的数据，就能知道人们想要怎么样的衣服。但是她也知道，购物是有人情味的。人们都体验过意外发现一件合身又划算的新衣服的喜悦。因而Katrina看到了一个机会，她希望把数据和人情味结合起来，为购买服饰创建出一种新的模式。一开始并没有多少人认同Katrina的创业想法。她在哈佛商学院的一位教授甚至称其为一场库存噩梦。Katrina想要拥有全部库存，以便深入理解每件商品，获得大量结构化数据；而非在一开始就根据哪件或哪类商品买的人多来控制库存，因为这样获得的数据可能就比较单一。但对于零售业来说，一开始拥有大量库存是非常可怕的，这会让Stitch Fix的战略依赖大量资本且风险很高。
Source：VentureBeat
但这个战略最终成功了。Stitch Fix利用数据更好地理解人们的需求，把商品交付给合适的用户，反而使得他们的存货周转率高于很多传统零售商。利用数据进行匹配，快速销货，然后向供应商支付货款，这其实是一种很节省资本的模式。风险投资人曾经也对Stitch Fix的商业模式持怀疑态度。这些人中的大多数都不喜欢堆满衣服的仓库，并且在知道Stitch Fix雇佣了一群按小时收费的人类造型师时深感怀疑——在一切都和自动化有关的时代里，他们认为这是一个非常不VC的想法。Source：Dev.to
但这些不被看好也激励着Stitch Fix渴望变得更加强大，迫使他们更聚焦于盈利能力和资本效率的提升。因为公司收入高度依赖于服饰推荐，Stitch Fix必须面对机器学习领域中的困难任务，提高他们的算法能力。刚开始，Katrina的“数据科学”很原始，她仅仅使用调查问卷平台SurveyMonkey、Google Docs和一些统计方法来追踪用户的偏好并提出搭配建议。那个时候，Katrina几乎兼任造型师甚至到送货员的各项角色。但她始终计划着最终能够建立一个可以使Stitch Fix的业务走向规模化的数据科学流程。Katrina给了数据科学团队很多自由度去研究新的解决方案并评估其潜力。他们已经开发了数十种算法，比如回购建议的算法——确定某样商品销售良好，需要对其进行回购。产品开发则甚至采用了遗传学中的一些算法，来帮助团队找到成功的服装特征。Stitch Fix自己的服装品牌Hybrid Designs就是如此诞生的。数据分析显示很多40多岁女性顾客想要的一款短袖衣服类型是市面上所缺少的。为了填补这些空白，一年之后，Hybrid Designs推出了29种由计算机设计出的女性服装和大码服装，满足了许多客户的特定需求。
Source：Pinterest
这些算法可以帮助Stitch Fix更早且更准确地了解未来趋势，从而面对库存管理和需求高峰做好准备。Stitch Fix对服装的各项属性也进行了量化研究。针对不同类型的衣服，他们对每一件进行30到100项属性追踪，结合200万活跃用户的体验，比如Stitch Fix现在明白了用户对于舒适度的要求，知道了用户在什么情况下愿意花钱购买他们推荐的服饰。他们运用数据分析，来调整胸部较大的男士从衬衫领口到第一颗纽扣的距离。他们还知道适合27英寸裤长的用户所占比例，并可以根据该比例调整库存。Source：Real Men Real Style
上面这些还是相对来讲比较容易的部分。真正的挑战是在正确的时间向用户推荐尺码、颜色和设计都正确的衣服。这当中涉及的数学相当复杂，需要考虑到商品的所有属性，再加上用户的偏好、季节、地理位置、过往趋势等诸多变量。Stitch Fix不是在徒劳无功地尝试改变传统零售商，而是以数据科学为核心构建业务。
虽然Katrina很认可Stitch Fix以数据科学为核心的模式，但是她也明白，购物本质上还是一个“人”的行为，是非常个性化的。这也是为什么她坚持把数据和造型专家的判断结合起来，后者完全可以更改或是推翻由算法给出的搭配推荐。不过Stitch Fix的造型师们尽管来自不同的背景，但也都认同数据科学的作用，除此之外，他们更是以热爱和同理心在服务着用户。
Source：giphy
Katrina认为，在某些方面，人类比机器要好得多，这在未来很长时间里都是如此。“有的时候，客户会提出一个非常具体的请求，比如‘我需要一件在7月的户外婚礼上穿的衣服’，而这时我们的造型专家就会立即知道什么衣服适合这种场合。此外，客户也会经常分享怀孕、体重减轻或找到新工作等私密细节的信息，而这些情况背后的重要意义都是机器无法完全理解的。但是造型师知道这些生活时刻的重大意义，他们不仅仅会推荐合适的搭配，还会与客户密切沟通，根据需求量体裁衣。这为Stitch Fix带来了极高的品牌忠诚度。”Katrina明白一个很简单的道理：一个好的人加上一个好的算法互相配合，远胜过一个最好的人或一种最好的算法单独工作。“我们不想让人工和数据相互竞争，不想把机器训练得像人类，也不想把人训练成机器。我们希望他们共同配合。我们都得承认我们会犯错，不管是造型师、数据科学家、还是我。有时我们所有人都错了，甚至是算法。”如果你想要拥有时尚行业数据营销的项目经历，想要体验时尚零售行业数据科学的魅力，不要错过MarTechApe的宝藏级项目《营销组合建模训练营——Marketing Mix Modeling Bootcamp》！
通过清理和分析来自不同渠道、多维度的数据，建立并优化统计模型，你可以为时尚品牌预测和分配营销预算，从而凭借这一段扎实的数据驱动项目背景，成为各大厂（不管是新兴科技公司，还是传统零售企业）都在争抢的营销数据科学家！
该项目已经毕业了6期背景多元的学生，往期的学生们拿到了全美顶级的面试机会以及全职工作OFFER，组成了训练营的荣誉之墙：
Marketing Mix Modeling Bootcamp往期学员拿到的面试机会以及全职工作OFFER包括Google、Facebook、Twitter、LinkedIn、Uber、Wayfair、Accenture、Pepsi、Bloomberg、Square、Deloitte、Salesforce、AT&T、JP Morgan、Mediamath、Mediacom等互联网科技公司、咨询公司、广告传媒公司、金融机构。
训练营的学员收获了：
真正意义上的“用数据和模型解决营销中最重要的问题”的经历。
熟练掌握SQL、R、Tableau等时下最流行的数据处理语言，并用这些技能解决实际问题。
大大提高Media/Advertising Industry的商业意识，熟悉不同媒介渠道的广告活动对不同商业指标的不同回报率（ROI）与有效性（Effectiveness），学会用“营销效果”的视角看待营销活动，理解各大公司市场营销部门、消费者洞察部门的痛点。
跳出学校作业的框架，上手真正商业情境中、实际工作中的实战案例。让校园与实际工作无缝衔接。将学到的Analytics思维方式泛化到其他应用场景，面对Case Study建立系统性解决思路。
提升项目演示Presentation技能，学会如何从原始数据中挖掘具有意义的故事。为客户解决实际问题，提高Business KPI。
完成项目后，辅导老师将帮助你利用这一个惊艳的项目背景打造最引人注目的简历；所有学员获得内推机会，优秀学员获得一对一面试辅导。
- 各类SQL、Tableau疑难杂症的go-to person
2. 全球最大广告代理公司GroupM | 营销分析经理- 营销效果分析专家。为十多个每年广告预算上亿美元的大客户提供营销效果评估、销售预测等解决方案
- 拥有6年Marketing Mix Modeling等高阶分析经验，具有丰富的训练新人和带领团队的经验
- 毕业于Columbia University统计学系
如果你想了解关于该项目的更多具体信息（具体学习内容、往期学员评价、报名方式等），欢迎点击下方图片了解详情👇：
长按二维码，添加小助手为好友，回复“MMM”，即可了解项目详情、获得试听课程、进行报名：
年底了，明年的你，是否能在更好的公司做更优秀的自己？
投资自己，全方位提升能力，为自己增添被验证有效的宝藏项目经历！赶快报名吧！
前往“发现”-“看一看”浏览“朋友在看”