Stitch Fix：當數據遇到時尚

本文共12000個字，預計閱讀時長：20分鐘。

一、摘要

Stitch Fix是一家智能零售商，雖然其在產品體驗中存在不完美之處，但是憑藉其商業模式的優越性，並且自身有強大的數據與演算法團隊的支持，配合公司的造型師，較好地滿足了現有用戶的定製服裝需求。

二、前言

從最初的個性化推薦服裝公司，最後到智能零售商，隨著對Stitch Fix的了解深入，我對其的觀念在不斷地進行更新，越是了解，越是充滿對數據驅動公司的敬佩。

三、公司情況

1.公司簡介

Stitch Fix使用數據分析軟體和機器學習來匹配用戶不同的定製服裝需求，為顧客挑選符合其個人風格、尺寸和偏好的服飾和配飾。現有超過75位數據科學家。

2.公司願景

通過整合綜合零售、技術、數據分析等資源，為顧客提供一個更好的消費體驗。

引領著時尚行業進入大數據時代。

3.商業模式

與Netflix早期的商業模式相似。

顧客按需訂購服裝或申請每月、每兩個月或每季度交貨。每個盒子有五件貨物。如果顧客喜歡配送貨物，可以選擇以標籤價購買，全部購買享受75%的折扣；如果不喜歡，則免費退貨。如果顧客沒有購買任何貨物，則需支付20美元的設計費。

Stitch Fix的平均商品單價約65美元，公司期望在每個盒子中，用戶能夠保存2件商品。造型師是兼職，薪水為每小時15美元。每小時，造型師會完成4個盒子，這樣能產生較高的毛利率，以覆蓋巨大的開銷及庫存成本。

4.融資情況

種子輪：75萬美元，2011

A輪：475萬美元，2013-02

B輪：1200萬美元，2013-10

C輪：2500萬美元，2014-06

D輪：1200萬美元，2017-09

IPO：計劃籌集1億美元，預計估值30-40億美元，正在申請（點擊查看，SFIX，NASDAQ）

5.財務情況

2014年，虧損630萬美元；

2015年，盈利2090萬美元，收入3.428億美元；

2016年，盈利3320萬美元，收入7.303億美元

2017年，虧損59.4萬美元，收入9.771億美元；

6.用戶數據

現今有219萬活躍客戶，復購率在2016年為83%，2017年為86%。

四、產品介紹

1.產品名稱

Stitch Fix，存在Web與iOS App ver.4.4.7

2.體驗環境

此處體驗更新較為頻繁的App

使用設備：iPhone 6s Plus，iOS 11.2 開發者預覽版

3.產品結構圖

4.產品流程圖

本產品有兩個主要流程：a.註冊及首次填寫表單；b.下單-追蹤包裹-付款反饋；但因條件限制，流程b無法體驗，此處介紹流程a.註冊及首次填寫表單

4.1.註冊及首次填寫表單

5.主要用戶畫像

5.1前期：

a.沒時間上街購物的人，生活太忙碌，沒空去買衣服，網購的衣服卻不合身，風格不搭等問題。

b.發掘新的穿著偏好的人，無論哪個購物地點，銷售只會給你推薦大眾品類的衣服，乏味而重複，想要找到人推薦給真正適合自己的衣服。

c.追隨潮流的人，對所有事情感到好奇，願意嘗試新鮮事物。

5.2.中期：

a.主流消費者，白領為主，對穿衣、價格有一定要求，希望能便宜、省時間地買到更好的衣服。

b.高端消費者，對定製化需求極高，除了現實中的定製店，也願意嘗試互聯網推薦的定製。

6.主要功能

該產品的主要功能為兩點：a.Fix的派送、追蹤、付款反饋；b.風格資料的填寫及修改；

五、產品分析

1.主要功能分析

1.1.風格檔案頁（我的風格頁）

在用戶註冊時，Stitch Fix向用戶詢問所有和推薦衣服相關的信息，分為資料、身材、風格三個方向，一共31個大問題，涉及到個人的基本信息，身材情況，喜好、偏好風格，甚至有和用戶相關的圖片社交網路信息。

a.從產品的角度分析：

這三個頁面是失敗的。讓用戶在剛開始註冊時，就要面對非常長時間的資料填寫，會流失掉大部分用戶，屬於產品設計時的大忌。

但是，雖然內容繁多，良好的歸類和圖文並茂的展示方式，能夠減輕不少用戶的煩躁感。

可優化點：

• 拆分填寫的內容
• 內容上的拆分，將3頁內容拆分為更多頁面，減少在單一頁面上填寫內容過多。
• 填寫流程上的拆分，若產品支持，可分階段填寫這些信息，不一定非要在註冊階段填寫完。
• 在原頁面優化，顯示用戶已經填寫內容的進度，增加更多的圖片交互，減少枯燥的文字描述。

b.從數據收集角度分析：

這三個頁面無疑是成功的。僅用三個頁面，就了解了用戶的所有信息，喜好，效率很高。

c.從用戶角度分析：

雖然這三個頁面及後續的派送頻率、付款信息、派送地址等頁面極為繁瑣，冗長，但是一旦完成填寫之後，也意味著用戶真的很需要這個產品，會轉化為高粘性的用戶，保持較長時間的活躍。

另一方面，詳盡的信息能幫助造型師更好的了解用戶，真正推薦出用戶可能喜歡的搭配和衣服，也提高了後續用戶使用產品服務時的體驗，讓其獲得更高的滿足感。

因此，雖然極長的註冊流程，刷掉了大量的潛在用戶，但是也留下了真正需要這個需求，非常剛需的用戶。一旦口碑做起來，用戶之間互相傳播，在了解到後續能夠獲得很高質量的服務時，這個註冊流程也並非不能忍受。

1.2.我的搭配頁（下單-追蹤-付款反饋）

前文已經介紹過Stitch Fix的商業模式：顧客按需訂購服裝或申請每月、每兩個月或每季度交貨。每個盒子有五件貨物。如果顧客喜歡配送貨物，可以選擇以標籤價購買；如果不喜歡，則免費退貨。如果顧客沒有購買任何貨物，則需支付20美元的設計費。

這個頁面就是其下單-追蹤-付款反饋流程的承載頁。

a.下單

在有下單的情況下，用戶可以知道下次派送到達的時間，並且對時間進行調整。

此外，用戶可以通過照片和文字，向平台進一步展示自己的風格，描述自己想要的產品及服務，介紹自己購買衣服的理由，這樣造型師可以進一步獲取用戶的需求及想法，為用戶更好的進行推薦。

底部顯示邀請好友可以獲取優惠，能夠激發用戶進行自主分享。

b.追蹤&c.付款反饋

因條件限制，這兩個頁面暫時沒法體驗。

但根據網路中獲取的用戶描述，文章報道，下單後，用戶會收到一份包裹，裡面有各種衣服服飾，如牛仔褲、毛衣、外套等等，額外還有一張小紙條寫著推薦這些衣物給你的原因，教用戶怎麼穿衣搭配才好看。喜歡的衣物可以留下，不喜歡的可以免費退回，同時會讓用戶填寫反饋表格，之後打開App為留下的衣服付賬。

因此，在初期已經有詳盡用戶資料的情況下，每個用戶的每次購物過程都不斷在展示自己的喜好，風格，能夠讓造型師越來越準確地為自己搭配。

1.3.小結

在整個Stitch Fix的產品設計中，首要目的是為了更多地獲取用戶的個人信息，喜好，風格，想法，等等內容，幫助造型師更好地為用戶搭配衣服。因此，雖然有明顯的產品缺陷，但是依然達到了產品設計的目的。

2.業務的邏輯及處理

前文介紹了用戶端是如何提交自己的數據，讓造型師為自己推薦合適的內容。但僅從產品、用戶角度分析一個App或者網站，Stitch Fix只能說是一個普通的，中規中矩的產品，並不存在特別的優勢，甚至在某些環節的處理上還是充滿了反用戶的設計。因此，讓Stitch Fix一路成長起來的，必定是它更多的東西，除了表面產品之外，背後的業務邏輯。

2.1.人貨匹配及造型師挑選商品

雖然Stitch Fix經常強調造型師和用戶之間的私人溝通在整體流程中的重要性，事實上，造型師並不是從無數的庫存商品中直接為用戶挑選衣服，而是依賴於數據團隊的推薦模型，從模型中推薦出的用戶可能喜歡的一小部分商品中挑選。

造型師根據推薦的內容選擇5件商品放入盒子中，並且會為用戶說明為什麼選擇這幾件商品，以及解決任何用戶提出的特殊要求。在準備盒子的過程中，依託於演算法，造型師能夠在有充足庫存，符合用戶尺碼和預期價格的商品中進行選擇。

隨著時間的推移，Stitch Fix能夠根據用戶的反饋，建立一個用戶喜惡的資料庫，讓用戶變得越來越滿意，增加產品的價值，提高用戶的忠誠度。

2.2.庫存管理

庫存管理也是這個業務模式的挑戰之一。Stitch Fix希望用戶能夠在每個盒子中留下2件商品，這意味著每一件商品在購買前，將會被運送2-3次。每次收到盒子，用戶有3天時間挑選商品，因此，為了盡量減少庫存持有成本，Stitch Fix建立了一個分銷中心的網路，使它能夠更快的記錄商品的退回，以及減少服裝周轉的時間。在演算法層面，模型也能夠預測用戶的需求，確保在適當的時間擁有充足的庫存資源。

除了在系統上進行優化，也有營銷手段上的技巧。用戶購買一個盒子里的所有5件商品時，能夠享受的25%折扣，這樣也提高了商品的周轉效率。因為很多時候購買5件比4件更便宜，用戶願意收下所有的商品，有效減少了退回率。

2.3.進貨管理

除了庫存管理，進購商品也需要一個平衡。一方面，在大量的衣服款式資料庫中，用戶數據的價值將會最大限度的展現出來，但是大量收集資料也是非常昂貴的；另一方面，在一個只有少數幾種衣服款式的非常集中的模型中，將能夠節省非常巨大的成本。因此，需要在節約成本的情況下，為用戶提供最好的服務，將用戶的數據發揮出最大的價值。

目前，Stitch Fix已經接入了200多個品牌，平均每個商品的價格為55美元。

2.4.專註用戶

另外，Stitch Fix其實也用通過更深入的了解用戶，規避了一些傳統零售商需要承當的風險。

它們的用戶均為女性，平均25-40歲，超過50%的用戶擁有孩子。這類用戶並不是那麼關注時尚前沿，但是也沒有遠離主流。她們不想成為站在時尚尖端的人，而是想輕輕鬆鬆的趕時髦。Stitch Fix不必擔心時尚潮流。它會購買最時尚的新品和一些賣的不好的商品，然後用自己的6條時尚產業線來填充在二者之間，讓造型師為用戶挑選時擁有最廣泛的選擇。

另外，Stitch Fix還避免了過早地向其他品類、尺寸及價格進軍，雖然這也讓它招致了批評，但是卻很好的避免了戰線過長，能夠在特定商品範圍和用戶群體內深耕。

2.5.供應商相關價值

最後，在供貨商方面，Stitch Fix能夠利用自身的數據為服裝設計師和批發零售商提供價值。傳統上，設計師和批發零售商很難獲知某個商品銷量慘淡的原因，但是Stitch Fix卻可以提供這個原因，並且利用這些信息謀取更低的進貨價格。

2.6.小結

在其商業模式之下，以數據為驅動，全面為公司中每一個環節賦能，加上靈活的分銷系統、專業的造型師，以及專註的用戶群體，共同造就了Stitch Fix過去幾年的成功。

3.數據與演算法團隊

在Stitch Fix的數據與演算法團隊，約 80 人左右，主要分為客戶、推薦、庫存和數據平台四個團隊。

客戶團隊：主要是做精準營銷、需求預測、用戶畫像、客服分析。需求預測方面主要考慮用戶穩定增長，需求的季節性以及訂閱式用戶。

推薦團隊：主要做人貨匹配、用戶造型師匹配、人力計算和造型師行為分析。當用戶發出請求，會把造型師匹配給用戶，人力計算主要是在虛擬環境下，研究造型師的行為，如一些歷史購買或退回的數據，基於這些數據抽樣，構造虛擬環境提供給造型師挑選衣服。在已知購買和退回的情況下，控制展示造型師的信息。同時研究不同展示的情況下對造型師的成功率產生的影響。造型師行為分析則通過日誌，對造型師的實際揀選行為進行分析。

庫存團隊：主要做庫存預測、基於演算法清倉和打標籤。庫存隨時性很大，有倉庫庫存商品，還有從庫存寄到用戶家，在用戶家裡停留，以及用戶不買的產品退回來的商品，所以要對庫存進行預測。還有對商品打標籤，有了標籤數據就可以做更好的匹配。

數據平台團隊：主要做大數據架構和自動化分析流程，支撐其他三個團隊。

因此，在整個用戶流程中，從「確定派送倉庫」、「匹配造型師」、「人貨匹配」、「倉庫派送」、「用戶喜惡資料庫」、「庫存管理」、甚至連「新服裝風格的發展」都運用到了數據和演算法。但因內容較多，展開後篇幅過大，不適合閱讀，所以此處不展開說明，若願進一步了解，可以另做一篇分析。

六、總結

我認為Stitch Fix的成功並不是偶然，其所做的是一種新的關於零售的商業模式，即通過數據及演算法，在用戶自己明確想要什麼東西之前，就為你提供最合適的商品，並且直接將合適、適量的商品送到到你手上。這種商業模式依賴於強演算法和人工推薦，更具有「未來感」。

另，目前國內已經有一款相似產品，「Soda」，杭州蘇打科技有限公司，2016年成立。模式與Stitch Fix基本一致，有興趣的朋友可以關注下。

七、參考文獻

• Stitch Fix，官網，https://www.stitchfix.com
• Technology at Stitch Fix，官方技術博客，http://multithreaded.stitchfix.com/
• Stitch Fix Personal Stylist，iOS App介紹，https://www.appannie.com/apps/ios/app/stitch-fix-your-very-own-personal/details/
• 納斯達克IPO報告，http://www.nasdaq.com/markets/ipos/company/stitch-fix-inc-1035402-85032
• 引領著時尚行業進入大數據時代，Stitch Fix 用演算法為顧客定製衣服，http://36kr.com/p/5061039.html
• Stitch Fix的創新和突破——用數據的心智經營公司，http://www.sohu.com/a/128980775_470008
• 數據科學+造型師，Stich Fix用人機協同顛覆傳統零售方式，http://www.sohu.com/a/138114934_728969
• 被演算法佔領的世界Stitch Fix機器學習設計網紅服裝，http://www.sohu.com/a/151858844_99915654
• 打臉淘寶，顛覆電商！這家時尚公司用演算法引領新零售，http://developer.51cto.com/art/201708/549034.htm
• Stitch Fix – Driving Retail Profits with Data Analytics and Mass Customization，https://rctom.hbs.org/submission/stitch-fix-driving-retail-profits-with-data-analytics-and-mass-customization/
• Can Silicon Valley Fix Womens Fashion?，https://www.buzzfeed.com/annehelenpetersen/can-silicon-valley-fix-womens-fashion?utm_term=.msPXal852#.xnjmkD2R6
• Stitch Fix: When Data Analytics Meet Fashion，https://www.businessnewsdaily.com/5309-stitch-fix-fashion-data-analytics.html
• Soda，官網，http://sodacan.cn/

推薦閱讀：