Stitch Fix公司CEO：传统零售商想要模仿，是不可能的
建立在数据科学基础上的美国时尚电商Stitch Fix的收入全部来自产品推荐，这是其核心业务。这家公司不会根据用户的购买历史推荐商品，而是将数据、机器学习和专业人士的判断结合起来，进行独特和个性化的推荐。
stitch Fix的商业模式很简单：我们寄给你我们认为你会喜欢的衣服和配饰，你留下想要的，寄回其他的。我们利用数据科学为大量受众提供定制服务，超越了传统的实体和线上零售体验。用户喜欢让专业造型师为他们购物，享受这项服务的简单和便利。
当然，让我们的服务显得简单便捷，同时实现盈利和规模化，这是一件复杂的事情。在拥挤、浮躁、易变的时尚行业，就更加复杂。有些服装零售商试图通过低价和快速物流获得优势，我们则通过定制彰显独特性。每一单“Fix”都包含我们为你挑选的五件衣服和配饰，选择的依据是你提供的信息。像其他数百万用户一样，你提供的信息主要来自注册时填写的内容宽泛的调查问卷，以及在每次发货后提交的反馈。
Stitch Fix在2016年和2017年的销售额分别为7.3亿美元和9.77亿美元，我们的收入全部来自产品推荐，这是我们的核心业务。我们在美国有200多万活跃用户，合作的品牌超过700个。我们不会根据你放进购物车的上衣推荐搭配的腰带，不会根据你的购买历史推荐某个品牌，也不会根据浏览行为推测你可能想买一条小黑裙——这些做法的转化率都很低。我们的方法是，将数据、机器学习和专业人士的判断结合起来，进行独特和个性化的推荐。
我不会说“数据科学在我们的文化中”，因为它就是我们的文化本身。数据科学在我们起家时就是核心，而非传统组织结构的补充。我们围绕用户及其需求构建算法，雇用超过80名数据科学家，其中大部分人拥有数学、神经科学、统计学、天体物理学等定量科学领域的博士学位。数据科学团队直接向我汇报。Stitch Fix没有数据科学就不会存在，就这么简单。
并非硅谷故事
我们远不是典型的硅谷初创公司，我也不是连续创业家，因为Stitch Fix是我创立的第一家公司。但我对零售深感兴趣，特别是如何将零售与21世纪的新技术结合起来。2000年代初我在斯坦福大学读本科，接着在Parthenon Group做咨询，这期间从事了很多零售和餐饮方面的工作。我很喜欢这两个行业，认为它们对大众很有意义。然而，尽管世界已发生了巨大变化，这两个行业提供的体验仍和20世纪70年代甚至50年代基本相同，这件事总是引起我的思考。我会设想它们将如何改变，也希望参与到这种变革中。
离开Parthenon之后，我在2007年来到风投公司Leader Ventures做分析员，当时正值iPhone问世。同时，在Netflix崛起期间，我研究了其竞争对手Blockbuster的运营，两者分别主导着影碟的非实体销售和实体销售。这是一个经典案例。双方竞争的黄金点非常清晰：只要Netflix的市场份额达到30%，当地的Blockbuster就会关店。其余70%顾客面临选择，或者尝试Netflix，或者跑更远的路去实体店租影碟。更多人尝试Netflix，导致Blockbuster面临更大压力，店面越关越多，面临选择的顾客越来越多，由此形成恶性循环。
我当时意识到，如果其他零售商不重新思考战略，可能会遭受与Blockbuster相同的命运。比如，10年之后，你会怎样买牛仔裤？还会跑六家店一一试穿？我觉得这不会是主流方式。同时，我也不认为一般的电商模式能持续：在浏览器上打开一堆页面，比较各种产品信息和顾客评论。我认为你会这样做：一次买下好几条牛仔裤，然后退回不合适的。
对数据的兴趣让我意识到，可以用数据改善买衣服的体验。归根到底，合身程度和审美只是数据而已，腰围、裤长、材质、颜色、重量、耐久性、图案等等，都可以量化。如果收集到足够的数据，就可以很好地把握人们想要什么衣服。
但对衣服的爱也让我意识到，购物中的人性因素也很重要，比如意外看到喜欢的衣服、还发现它很合身而且在预算之内的惊喜。我看到了一个机会，可以把数据和人的体验结合起来，创造购买衣服的新模式。
商业模式之辩
最开始我并没想自己创业，只是想加入一家采用我设想的新模式的初创公司。在LeaderVentures公司，我遇到了数百位创业者，希望其中有符合我要求的，但没能找到。于是我入读哈佛商学院，开始谨慎地准备创业。在商学院的两年中，我设计并成立了自己的公司。2011年2月，Stitch Fix收到投资意向书，第一批Fix于4月寄出，我在5月毕业。
当时，并没有很多人认为这是一个好的商业模式。我的一位教授就称之为库存噩梦。我希望拥有全部库存，这样才能深入理解每件商品，从中获得大量结构化数据。在零售业，拥有全部库存是很可怕的，教授认为这让我的战略依赖资本且风险过高。但这个战略最终证明是正确的。利用数据更好地理解人们的需求，我们就可以采购合适的商品并把它交给合适的用户，这让我们的存货周转率高于很多传统零售商。快速销货后支付货款给供应商，实际是资本效率很高的模式。
此外，风险投资人也持怀疑态度。与投资人见面时，我会带着一盒衣服和造型师的定制卡片。我记得有一次，见面还不到五分钟，一位投资人就说：“我就是不理解为什么有人想要收到这种东西。”我欣赏他的坦诚。很多投资人对库存过高表示担忧。还有一些人不喜欢我们雇用造型师并支付时薪——当时自动化和app风行，我们的做法与主流风投项目背道而驰。尽管我们取得早期成功，B轮投资者却有些冷淡。“我觉得你很棒，团队很棒，你的项目正在有效运转。”一位风险投资人告诉我，“但我一年只加入一到两个董事会，我想选择让我真正有感觉的东西。我对零售或女人的衣服没有激情。”
这很公平，也令人沮丧。实际上，Stitch Fix 87%的员工、35%的数据科学家和32%的工程师是女性。超过90%的风险投资人是男性，让我感觉这个行业的性别状况很不利于我们。但最后，困难让我们变得更强大，因为它迫使我们聚焦盈利能力和资本效率。从那时起，我们只使用自有资金开展新业务，包括男装和大码女装。
最后，还有行业本身的问题。由于公司的收入依赖于服饰推荐，我不得不面对机器学习领域中相对困难的任务。即便认为自己对衣服没有眼光的人，其实也在意自己的穿着。合身度、风格、材质——所有人都会在意这些事情。这是一桩非常注重细节的买卖。这让我们的工作非常有趣，但也更加困难。早先，焦点小组成员不相信我们能挑出他们喜欢的衣服。他们会说：“这怎么能成功呢？只会一团糟。”
预付20美元造型设计费、决定购买后返还这一政策，也引起质疑。焦点小组参与者会问：“如果我没挑出喜欢的东西，为什么还要付20美元？”我们需要让顾客相信他们会收到想要留下的衣服，而我们做到了——在数据科学的帮助下。
开启算法
公司成立时，我们的“数据科学”还很原始。我使用SurveyMonkey、Google Docs和一些统计方法，来追踪用户偏好并给出合理推荐。我当时的工作实质上就是个人造型师，有时甚至会自己送货。但我的目标一直是建立数据科学能力，让业务能够规模化。我们的推荐被顾客认可，是因为算法对，而算法对是因为数据科学定义了我们这家公司。
机器学习的效力取决于三件事：
数据科学团队直接向CEO汇报。大多数企业的数据科学团队归属于工程甚至财务部门，向CTO汇报。Stitch Fix则拥有独立的数据科学团队，并且首席算法官埃里克·科尔森（Eric Colson）参与公司战略决策。埃里克2012年8月从Netflix加盟，但在此之前他就是我们的顾问。他对我们公司感兴趣，是因为他视之为挑战。他记得在Netflix听到有人说：“用户一打开app，也许系统就可以播放我们认为他喜欢的电影。”这个大胆的想法很有风险——把宝全部押在一次推荐上。他意识到，这正是Stitch Fix做的事。虽然只是顾问，但他有一次假期居然一直琢磨我们的数据。最终他决定全职加入，这是我们这个初创小公司的大事件。
因为公司的收入取决于算法推荐的效果，数据科学家与CEO直接连线就更加重要。我们也认为，这会让整个组织清晰认识我们的价值观和战略：数据科学是重中之重，而通过与数据科学团队紧密协作，营销和工程等团队将提升自己的能力。
通过数据科学进行创新。我们的数据科学团队完全自发地开发了数十种算法，因为我们允许他们创造新的解决方案并评估其潜力。比如，从没有人明确要求团队开发重复采购（因为销售良好而需要再次进货）推荐算法，而他们帮助我们提早准确发现趋势，让我们更高效地补充库存应对需求高峰。最近，团队找到一种跟踪仓库员工活动的方法，并开发算法优化移动路径，同时避免空间变化时较高的重新测绘成本。
数据科学深植于公司文化的程度，外人有时难以想象。我们已经在使用很多种算法，同时也在开发很多种。服饰的个性化推荐必然是由机器学习驱动的；通过使用算法，物流和仓储能降低资本成本、提高存货周转率、提升送货效率；借鉴遗传科学的算法，也能帮助产品开发团队找到服饰的“成功特征”。我们甚至已开始利用机器学习进行服装设计。
一个下雨的午后，两三位数据科学家在讨论如何填补市场上的产品空白，由此催生了我们的自有服装品牌Hybrid Designs。比如，很多40多岁的女性用户提出想要盖袖上衣，但我们的库存中缺少这种风格。一年后，我们已经有29款由计算机设计的女装和大码服装，满足了此前用户提出的一些具体需求。
另外，我们也通过分析属性数据，对服饰进行量化研究。根据不同服装类型，我们对每件衣服要追踪30到100项属性数据。现在，依据200多万活跃用户的体验，我们知道哪类推荐能让用户在舒适区之外消费。我们了解男式衬衫胸围和肩宽的最佳比例，并运用数据分析，调整大码衬衫领口到最上面一颗纽扣的距离。我们还知道有多少人适合内长27英寸的裤子，并根据这一比例调整库存。
但某种意义上，这些都属于简单任务。真正的挑战是，在正确的时间推荐尺码、颜色和设计都正确的衣服。这里面的数学相当复杂。我们必须考虑到商品的所有属性，以及用户的偏好、季节、地理位置、过往趋势等很多变量。
假如我们有一美元可以投资于营销、产品或数据科学，我们基本上都会选择数据科学。很幸运，我们一开始就将数据科学确立为核心，而没有尝试去转变传统零售商。在我看来，传统零售商想要模仿Stitch Fix，就好像说“我现在想长高点”，是无法实现的。
充分考虑人的因素。我人格中分析性的那部分很喜欢我们的算法战略，但购物本质上是个性化的、是人的行为。这就是为什么我们坚持把数据和造型专家的判断结合起来，后者可以更改或推翻算法给出的搭配建议。我们的造型师拥有不同设计和零售背景，但都认同数据的作用，并以爱和同理心服务用户。在一些方面，人的表现远胜机器，而且在未来很长时间中都将如此。
当一位用户发来非常详细的要求，比如“我需要一件适合七月份户外婚礼的裙子”，我们的造型师马上就知道哪些裙子适合这个场合。还有，用户经常分享一些私密的生活细节，如怀孕、减重、新的工作机会等，这些都是机器无法充分理解的情形。但我们的造型师完全了解这些时刻的特殊性，因此竭尽所能设计合适的风格、与用户密切沟通，并在需要时即兴发挥。这为我们带来极高的品牌忠诚度。
道理很简单：优秀的人类专家配合高质量算法，将远胜于最厉害的专家或最厉害的算法独自工作。我们不会让人类和数据相互竞争，而是让他们合作。我们不会训练机器像人一样行动，更不会训练人像机器一样表现。我们只需要承认，我们每个人都会犯错，包括造型师、数据科学家，以及我自己。即便算法也有犯错的时候。重要的是，我们要持续从错误中学习。
公众号ID：hbrchinese
长按二维码，订阅属于你的“卓越密码”。