Stitch Fix将数据转化为个性化时尚的典范。与和其他订阅类服务，如ThunkClub等相比，Stitch Fix的核心竞争力在于以数据+算法作为商业模式的出发点，数据是其生意的源动力，而「数据科学+人工决策」驱动的个性订制化服务，则是商业的未来。
Stitch Fix认为，和其他订阅类服务，如ThunkClub等，相比，自己最大的不同在于以数据+算法作为商业模式的出发点。
1. 大趋势：海量个性化服务
2010年，阿里巴巴研究院在《2010年网商发展研究报告》中正式提出「海量个性化」 这一概念，对信息商业和传统商业进行了理念上的区分，报告认为，因为信息社会和工业社会相比，基础设施发生了巨大的变化，所以，未来的商业将转向海量个性化的服务，如下图：
其中最关键的几个影响因素：
- 基础设施层面，2008年，除了Amazon和Google这两个主要业者之外，微软、Saleforce、IBM、惠普、英特尔等大公司也纷纷入局云计算。公共计算被视为未来的「中央电厂」，将成为信息商业的基础设施。遗憾的是，在国内，仅仅只有阿里巴巴在2007年坚定地提出了云计算是未来的发展方向，并且投入了巨资建设云计算。
- 商业模式层面，2008年之后，快时尚等大规模定制模式得到了空前的重视，以客户为中心、按需驱动、先消后产的个性化定制也部分成为现实，特别是淘品牌的崛起，引发了行业对于在线零售和线下零售区别在哪里的思考。
- 2008年金融海啸之后，电子商务跨越式发展，不管是国内国外都出现了大量的电商创业案例。单就国内而言，2008年就出现了京东、淘宝商城等后来的主要B2C，2008年也是淘品牌开始飞速发展的起点，截止2010年，阿里巴巴所定义的「网商」数量已经超过6300万，网购人群数量超过1亿，网购商品数量超过10亿，市场呈现网络化、碎片化特征。
- 随着2007年，苹果发布第一支iPhone，移动互联网逐渐成为主流，App Store所开创的移动应用市场开始割裂了用户时间，加剧了媒介碎片化，个性化营销和社会化营销越来越被品牌所重视。
来看一个具体的例子，下图是淘宝消费者路径的研究总结：
从图上可以看到，消费者会从任意一点发起需求，也会在任意一点结束其需求，从整个淘宝来看，消费者的路径已然变成网络化的链接，而不再是传统的营销漏斗。不仅媒介和消费者时间碎片化，消费者的消费路径也不再呈现统一的特征。
那么，面对海量个性化，我们的答案是什么？
2. 解决方案—个性化推荐系统
1998年，Amazon推出了基于Item的协同过滤算法，使得系统能够以一种前所未见的规模处理数百万商品并为数百万的顾客提供推荐服务。2003年，Amazon在IEEE Internet Computing上公布了自己的算法，并且在之后的近二十年里，不断地优化算法，让每个顾客在登录后都能看到个性化的页面。
推荐系统就是海量个性化服务的答案。
简单来说，如果顾客知道自己要什么，那么，他们就会通过搜索引擎来获取自己想要的商品，但是在大多数的情况下，顾客并不是那么清楚自己想要什么，他们更多地处于一种「find what I love」的状态。正如上文中淘宝消费者行为网络图中显示，消费者在淘宝上的主要行为是「逛」，也就是不断浏览来获取更多商品信息的过程。
而推荐系统可以大大缩短消费者获取商品信息的路径。推荐系统了解顾客的需求，在顾客打开页面的时候，就会把系统认为和顾客匹配的商品，第一时间推送到页面上，如果顾客感兴趣，就会直接点开下单购买。
今天，Amazon上35%的购买行为都来自推荐系统的推荐；在经过推荐系统推荐后，用户的购买率和转化率可以达到60%的程度。同样的，Stitch Fix把推荐系统也作为自己生意的核心，Stitch Fix也是时尚网站中第一个开设科技博客的公司，其博客和Airbnb的科技博客，都是推荐系统从业者常看的几个网站之一。
这里要补述一下数据和业务的关系，以推荐系统为核心的商业模式，本质上是在做「业务数据化」和「数据业务化」的工作——通过在业务场景中不断地收集和消费数据，从而产生新的数据，解决问题并且提升算法的效率。
数据和算法，就是这种商业模式的壁垒。结合上图，Stitch Fix的推荐系统至少能带来：
- 先发优势：通过数据的结构化建立该领域的知识图谱，从而对人和服装的关系有更深刻的理解；越使用，数据越丰富，不管是在质上还是在量上；
- 累积优势：越使用数据去解决现实的问题，就越能提高算法推荐的精准度，也就更能预测未来可能发生的问题，从而逐步提升顾客的购买体验；
3. 数据驱动的DTC模式
数据有效地帮助Stitch Fix解决了顾客和商品的匹配问题，并且优化了顾客体验和商业效率，从而改变了顾客「Find what they love」的方式。
第1步：收集丰富的数据来构建造型档案（知识图谱）
根据其博客，Stitch Fix 会通过85+数据采集点来采集数据，Stitch Fix的每个SKU下面会包含四种数据类型：
- 基础数据，由供应商提供，包括商品的品牌、尺码、颜色、图案、廓型和材料等等；
- 商品尺寸，由供应商提供，自己也会采集，包括长度、宽度、套筒开口直径、套筒到第一个纽扣的距离等等；
- 细节描述，主要用于描述顾客和商品的合适程度，比如商品是否适合穿着去参加正式活动
- 顾客反馈，主要用于记录顾客对于商品的显性或者隐形的反馈数据，比如商品在年轻母亲中受欢迎的程度
另外，正如前文所言，Stitch Fix也会收集顾客的相关数据和问卷，以及个人喜好等信息，并且对顾客和商品的关系进行匹配和描述，这是开展机器学习的第一步——建立知识图谱，Stitch Fix把它称为造型档案。
第2步：使用算法来处理数据，用于下一步的推荐
Stitch Fix使用了50+种算法来处理问题，这些问题主要包括：为客户量身定制盒子、预测购买行为和需求、库存优化和设计新服装。算法主要分成两类：提升客户体验的算法和提升商业效率的算法。
1.提升客户体验的算法：
- 造型算法，解决顾客和商品的匹配问题。通过给商品组合打分，用分数来反映客户喜欢该商品组合的程度，从而筛选出盒子的最佳商品组合，搭配师会在算法推荐后用人工选择的方式来最终决定盒子内容。
- 风格预测，分析出顾客尚未被满足的需求，并通过推出相关商品来解决。算法会利用知识图谱，把合适的商品属性重新组合在一起，提供给Stitch Fix自有的独家品牌来推出满足独特需求的商品。曾经，公司发现40岁女士需要某种类型的衬衫，于是，第二年，Hybrid Designs（自有品牌）推出了29款该类型的衬衫，满足了客户需求。
- 搭配师算法，解决顾客和搭配师的匹配问题。算法会检测顾客和搭配师之间的亲和力、风格偏好、地理接近度和人口统计学资料等等，为顾客找到最合适的搭配师。
2.提升商业效率的算法：
- 需求预测，提前分析顾客需求，包括偏好、生活方式、生活阶段和满意度，来提前对进销存进行管理，预测顾客需求的商品类型、款式、品牌等等，以减少供应过剩的问题，并为推荐提供参考建议；
- 商品优化，解决在合适的时间给顾客提供合适的商品的问题，从而通过科学的商品管理来实时调整库存，优化库存管理和分配。例如，Stitch Fix通过数据了解到男士衬衫的胸围和宽度的最佳比例，于是，就调整了男士衬衫衣领到胸前第一个纽扣的距离；再比如，通过数据分析得到某种尺寸商品的合理分布，就可以根据这个比例来储存相关商品。
- 物流管理：根据顾客和履约中心的距离、顾客需求和库存的匹配度等等，来合理分配选择最佳的履约中心来递送和回收盒子；优化选择路径，算法通过绘制更有效的路线来帮助履约中心的员工一次性完成多个盒子的商品选择工作，从而缩短时间，减少人工成本。
第3步：造型师进行人工决策
Stitch Fix拥有超过3,400名搭配师，其中绝大多数是兼职和远程工作。公司为搭配师提供了定制的搭配程序，来帮助搭配师完成搭配工作。对于每个盒子而言，搭配程序可以为搭配师：
- 提供推荐的toplist
- 提供每个顾客的历史记录和个人笔记
- 通过各种属性过滤库存中的商品
- 浏览算法推荐
- 引导使用数据分析功能
- 选择商品组合
- 为顾客撰写造型说明
- 把方案传导给具体的运营团队负责实施
第4步：提升每次的顾客体验，从而获取顾客的忠诚度和重复购买
顾客通过网站和客户端和搭配师沟通，可以方便地查阅其订单和搭配配置；Stitch Fix则收集客户相关的数据、客户反馈等等，并且把这些数据反馈给搭配师和算法，从而优化个性化的服务体验。
0 thoughts on “创新案例｜数据引领时尚：Stitch Fix个性化服饰定制的4个关键步骤”
消费者的购买意向会随着时间、时尚趋势的变化而改变，个性化推荐需要不断更新和优化。
订阅制让顾客有了更多尝试新品的机会，也能更好地维护顾客忠诚度。
服装个性化推荐是未来电商的趋势，Stitch Fix的实践案例值得借鉴。
Stitch Fix利用数据分析和人工智能算法为每个用户推荐个性化的服装，这种个性化定制可以为用户省去挑选商品的时间和麻烦。
Stitch Fix和Trunk Club有类似的业务模式，但Stitch Fix更加注重个性化和数据分析。
用户的反馈意见和数据指标对个性化推荐的优化至关重要。
这个模式适用于有一定规模的消费群体，对于小众品牌可能不太适用
服装零售行业竞争激烈，而个性化推荐可以为企业提供独特的竞争优势。
这种订阅制和预测推荐的模式能否推广到其他品类，比如家具、家电等领域呢？
Stitch Fix的成功不仅仅是技术和数据算法的支撑，还有其深刻的顾客洞察和对时尚趋势的独到把握。