演算法賣衣服，衝出近十億美元業績

[文章轉載自哈佛商業評論]撰文/卡翠娜．雷克 Katrina Lake ;翻譯/羅耀宗

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。

原文網址：https://www.hbrtaiwan.com/article_content_AR0007918.html?utm_source=Facebook&utm_medium=GH_post&utm_campaign=1804