3/3 可免費閱讀文章篇數免費閱讀

本文出自

謀定後動vs.邊做邊學

謀定後動vs.邊做邊學

2018年5月號

演算法賣衣服,衝出近十億美元業績

Stitch Fix's CEO on Selling Personal Style to the Mass Market
卡翠娜.雷克 Katrina Lake
瀏覽人數:41131
  • "演算法賣衣服,衝出近十億美元業績"

  • 字放大
  • 文章授權
    購買〈演算法賣衣服,衝出近十億美元業績〉文章授權
  • 購買文章
    購買〈演算法賣衣服,衝出近十億美元業績〉PDF檔
    下載點數 10
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。

我們Stitch Fix的商業模式很簡單:把我們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。

當然,把某件事做得讓消費者覺得簡單和便利,同時要能大規模營運並創造獲利,是相當複雜的事。在擁擠、難以捉摸、變動快速的時尚零售產業,則更複雜得多。其他的服飾零售商的差異化做法,是提出最低的價格和最快的交貨速度;我們則是經由個人化,來創造差異。就像我們說的,Stitch Fix每一次交貨,是用一個盒子裝著我們專門為你挑選的五樣服飾。我們的選擇,是根據你和數百萬其他人給我們的資訊:資訊的第一個來源,是你在註冊時填寫的詳細問卷,接下來就是每次交運之後,你提供的回饋意見。

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。

我們不是把資料科學融入公司文化之中,其實它就是我們的文化。我們一開始就把資料科學放在業務核心,而不是把它加進傳統的組織結構裡;我們根據客戶和他們的需求,來打造演算法。我們雇用超過八十名資料科學家,其中大多數人在數學、神經科學、統計、天體物理學等量化領域擁有博士學位。資料科學單位直屬於我,若沒有資料科學,Stitch Fix就不會存在。事情就是這麼簡單。

這不是一個矽谷故事

我們絕對不是典型的矽谷新創企業。我自認並非連續創業家。Stitch Fix是我創立的第一家公司。但我對於零售體驗,以及21世紀的現代技術為何沒有改變零售業,都感到好奇不已。2000年代初,我就讀史丹福大學(Stanford)的大學部期間,以及我的第一份工作,也就是擔任巴特農集團(Parthenon Group)的顧問,都在零售商、餐廳有豐富的工作經驗。我很喜歡這個兩個產業,也覺得它們對人們十分重要,卻不懂為什麼世界改變了那麼多,但它們基本上提供的仍是與1970年代、甚至1950年代相同的體驗。我想知道它們可能如何順應調整,也希望成為那個未來的一部分。

我後來辭去巴特農的工作,於2007年加入創投公司Leader Ventures,而就在那一年,iPhone問世。不過,我仍然心繫零售。網飛(Netflix)崛起時,我研究百視達(Blockbuster)的經濟運作法則。一邊是主宰實體商店銷售的公司;另一邊是主宰無店面銷售的公司。這是絕佳的個案研究。我可以確切看出情勢何時開始翻轉。每當網飛在某個市場搶到約30%的市占率時,當地的百視達就會關門。接著其餘70%的顧客就會面對一個決定:是要嘗試網飛提供的服務,或是到更遠的地方去租影片。更多人嘗試網飛,於是百視達受到更大的壓力。另一家店面關閉,更多顧客會面對「嘗試新服務,或是到更遠的店去租影片」的決定,情況急轉直下。

我發現,其他零售業者如果不重新思考本身的策略,可能會步上百視達的後塵。例如,十年後的人們會怎麼買牛仔褲?我知道人們不會遵循傳統的模式:走遍六家商店,從貨架上拿一些牛仔褲,一一試穿。我也認為,未來不會採用今天的電子商務模式:用瀏覽器開啟15個分頁、檢視產品的尺寸,並看看其他購物者的說法。然後一口氣買好幾件,再退回不合身的。

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。

只是一個壞構想?

起初,我並不打算創設公司;我只想投效打算實現這個構想的新創企業。我在Leader服務的時候,認識數百位創業家,期望能碰到適合的人。但我的希望落空。所以我去念哈佛商學院,追求我規避風險的創業途徑。我利用那兩年的時間,計畫和推出我的公司。2011年2月,我收到募集Stitch Fix資金的投資條款清單;4月,我從我的公寓寄出第一批Fix盒子;5月,我畢業。

認為這是好構想的人不多。我的一位教授把這個想法稱為存貨夢魘。我想擁有所有的存貨,如此才能深入了解每個品項,將它化為許多結構化的資料。在零售業,擁有所有的存貨,是件可怕的事,而那位教授認為,這會使我的策略變得資本密集和高風險。但最後證明這套策略是對的。使用資料,得以更了解人們想要什麼,讓我們比許多傳統零售商更快周轉存貨,因為我們可以買進正確的東西,交運給正確的人。以夠快的速度銷售存貨,用客戶付的現金來付款給供應商,後來證明這是資本效率很高的模式。

另外也有一些創投家抱持懷疑態度。我會帶著一盒衣服和造型師的個人化卡片,參加推介說明會。我記得在一次會議上,有位創投家不到五分鐘就開口說:「我根本不懂,為什麼會有任何人想收到像這樣的東西。」我很欣賞這種坦白。他們許多人對倉庫堆滿衣服並不感到振奮。另有一些人則覺得困惑,不解為何我們依時薪雇用人類造型師,在大家都大談自動化和應用程式時,這非常不像創投的構想。儘管我們早期取得成功,第二輪的資金募集會談卻沒有引起熱烈反應。「我認為妳很棒,妳的團隊十分出色,妳的業務可行,」一位創投家告訴我:「但我每年得挑一、兩個董事會,我想挑一個我有切身感受的。我其實對零售和女裝沒什麼熱情。」

這麼說是有道理的,但令人洩氣。Stitch Fix碰巧有87%的員工、35%的資料科學家、32%的工程師是女性。但有超過90%的創投家是男性,我覺得,這個產業的兩性情勢對我們不利。幸好,這些情況並沒有擊垮我們,反而讓我們變得更強大,因為這迫使我們聚焦在獲利能力和資本效率。我們此後一直使用來自營運活動的現金,用來推出新的業務,包括男裝和大尺碼女性服飾。

最後,是這個產業本身的問題。我們的營收仰賴時尚方面的推薦,等於是挑選了機器學習領域較困難的一個任務。連自認不在乎穿著的人,其實也在意。搭配、樣式、材質等,對所有人都很重要。這是個細緻的行業,因此特別有趣,卻也更為困難。起初,焦點小組堅持表示,他們根本不相信我們能挑出他們喜歡的衣服。他們說:「這要怎麼運作?不會有搭配得好的東西。」

客戶得先繳二十美元的造型費給我們,如果留下某些服飾,再從這筆錢扣除,這樣的做法也讓某些人卻步。焦點小組參與者問:「如果我沒有挑中任何東西,為什麼要付二十美元?」我們需要顧客相信他們會留下一些品項。後來他們真的留下一些品項,因為我們運用了資料科學。

我們的演算法,協助我們更正確地提早看到這些趨勢,所以能更有效率地補充存貨。

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。

以下這三件事,使機器學習變得不可或缺:

資料科學直屬執行長

在大部分公司,資料科學是工程團隊的一部分,直屬於技術長,有時甚至隸屬於財務部。在我們公司,它是與那些部門分開的,而且,我們設有「演算法長」的職位,由艾立克.柯爾森(Eric Colson)擔任,他會參與策略決策。艾立克是在2012年8月從網飛轉來任職。在那之前,他是我們的顧問。他後來對我們公司產生興趣,因為我們呈現了一個挑戰。他回憶,在網飛時曾有人說:「如果在某個人打開應用程式時,我們就開始播放我們認為他會喜歡的電影,那會怎麼樣?」這似乎是個大膽但高風險的構想,孤注一擲只推薦一部影片。他知道Stitch Fix就是在做這樣的事。他擔任我們的顧問任內,休假時也在查看我們的一些資料。他後來決定全職加入我們的行列,對我們這家小公司來說,這可是件大事。

我們的營收,取決於演算法做出很棒的推薦,所以讓資料科學家直屬於執行長就更重要了。我們也相信,這向整體組織發出的訊息,表達了我們的價值觀和策略方法:資料科學極為重要,而行銷和工程等其他團隊,若與我們的資料科學團隊密切合作,就能提升本身的能力。

用資料科學來創新

我們開發出不曾有人要求我們去做的數十個演算法,因為我們允許資料科學團隊打造新的解決方案,並判斷它們是否具有潛力。例如,沒有人明白要求資料科學團隊開發出可提出補貨建議的演算法。(當某種存貨品項賣得很好,需要採購更多時,便需要補貨。)我們的演算法,協助我們更正確地提早看到這些趨勢,所以能更有效率地補充存貨,做好準備因應需求突增的情況。最近這支團隊想出一種方法,可追蹤倉庫中員工的移動情形,並製作一個演算法,協助優化走動路徑,而不需要在改變它們時,花大錢重新布置空間。

人們有時很難想像,資料科學在我們的文化當中有多麼根深柢固。我們現在使用許多種演算法,也正在打造更多演算法。個人化的衣服推薦,當然是靠機器學習來驅動。接單出貨和存貨管理使用演算法,以壓低資金成本、提高存貨流動和交貨效率。產品開發方面,我們已調整借自遺傳學的一些演算法,找到衣服的成功「特質」。我們甚至開始使用機器學習來設計服飾。

一個有雨的午後,兩、三位資料科學家思考如何填補市場上的產品缺口,我們的自有服裝品牌混合設計(Hybrid Designs)因此誕生。例如,許多45歲左右的女性客戶想要短袖上衣,但我們目前的存貨缺少那種樣式。往前快轉一年,我們有29種電腦設計的女性服飾項目和加大尺寸,能滿足客戶以前無法得到滿足的一些特定需求。

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」。

不要忘記人的因素

我內在屬於分析的那個部分,熱愛運用演算法,但購物本質上是個人和人類的活動。因此我們堅持結合資料和人類造型師,造型師可以改變或推翻造型演算法提出的產品組合。我們的造型師來自各式各樣的設計和零售背景,但他們都能體認資料的可貴,並對客戶充滿愛和同理心。人類遠比機器擅長做某些事情,而且可能保持這種狀況很長的時間。

例如,當客戶寫的需求十分明確,像是「我需要一件禮服,參加7月的戶外婚禮」,我們的造型師馬上就知道,什麼樣的禮服可能適合那種場合。此外,我們的客戶經常分享懷孕、體重大減,或是有了新的工作機會等私密細節,而機器不能完全理解這些事情的重要性。但我們的造型師,十分清楚這種人生重要時刻到底有多特別,所以能格外用心安排設計合適的外表、和客戶聯繫,以及必要時當場調整因應。這產生令人難以置信的品牌忠誠。

讓人和資料攜手共事

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。

(羅耀宗譯自“Stitch Fix's CEO on Selling Personal Style to the Mass Market,” HBR, May-June 2018)



卡翠娜.雷克 Katrina Lake

Stitch Fix執行長。


本篇文章主題策略