第10章 人类的选择
Stitch Fix:拥抱海量数据市场
年轻的卡特里娜·莱克在帕特侬集团(Parthenon Group)担任管理顾问的时候,认识到这样一个问题:因为没有充分地利用数据,传统的实体零售商并不能充分地了解客户的需求。因为具有很好的思辨天赋,加之远大的抱负,莱克决定去上商学院,立志成为“零售公司的首席执行官,并用科技和创新引领该行业发展”。2009年,她进入了哈佛商学院,开始向自己的目标奋进。
就读工商管理硕士课程大约一年后,她开始了自己最初取名为Rack Habit的创业项目,利用数据和算法帮助女性着装打扮,同时快速搭配靴子。她和当时的搭档(现在已经分开)向身边的朋友们,以及他们在波士顿地区的朋友们发出了邀请,请朋友们填写一份关于自己购物偏好的线上问卷。两位创始人将调查问卷上的“合适度”和“风格”两项数据转成电子表格,创建了关于新客户的简单个人档案。然后,他们开始给客户买东西。连衣裙、衬衫和短裙通过包裹邮寄给客户,客户可以留下,也可以寄回收到的东西——对于当今的严选购物服务来说这是一种标准做法。根据《财富》杂志的报道,Rack Habit“一直都在不断地使莱克刷爆她信用卡6 000美元的信用额度”,却“完全不挣钱”。尽管如此,客户人数越来越多,事实证明,她和她的合作伙伴一定在谋划着什么事情。
买衣服的麻烦在于,并不是合适的产品(合身并与个人偏好匹配的产品)本身不存在,而是大多数人,尤其是那些工作忙碌、家里孩子小的人,不知道如何轻松快速地找到合适的产品。或者,正如经济学家所言:服装行业的多样性大幅增加了,但是找到各种产品的渠道却并没有被拓宽。消费者需要的是一个聪明的中介,它可以为他们找到合适的商品。这种中介机构早就存在,它们被称为“私人代购”,但是可惜的是,对于我们大多数人来说,这些私人代购的费用太昂贵了。Rack Habit的核心业务理念是为客户提供一个他们能够负担得起的称职的私人代购。2011年,卡特里娜·莱克利用自己的提议——利用丰富的数据,来为客户和他们对市场上各种服装的偏好做出匹配——从种子基金公司筹集到75万美元。
获得哈佛商学院工商管理硕士学位后,莱克立即搬到了旧金山,将公司的名字改为Stitch Fix,并开始为女性时尚投资。她要做的事情可不是小打小闹。2015年,该公司在第三轮融资中获得了3亿美元的估值,《纽约时报》将其列为潜在的初创企业“独角兽”,即估值达到10亿美元以上的公司。2016年,当德温·韦尼希启动其“崩溃计划”,希望亿贝转变为海量数据市场时,卡特里娜·莱克已经成为福布斯富豪榜上最富有的白手起家女性富豪之一。
表面上看,今天的Stitch Fix就像一个传统的线上零售商。公司给客户(现在已经有男有女)寄送装有5件衣服和配件的包裹,客户为自己选择的物品买单。但仔细分析我们就会发现,Stitch Fix的作用更像是服装市场的中介,而不是零售商,这正是卡特里娜·莱克的初衷。每次寄给客户包裹,Stitch Fix都要收取20美元的“造型费”。当客户决定保留5件衣物中的至少2件时,造型费就会被免除(客户如果保留全部5件衣物,就会享有额外的折扣)。Stitch Fix不为它的商品定价,也没有季末促销,更没有“超级网络星期一”或“黑色星期五”这类打折活动以取悦对价格敏感的购物者。Stitch Fix是一个“后价格”时代的零售商,它的目标客户的想法是:比起浪费宝贵的时间寻找自己想买的商品,为优质匹配付费更加经济实惠。这种模式不会在所有市场上都行得通——一笔划算的汽车交易可能让买家节省几千美元,所以为此付出努力是值得的。但在成衣市场,就像Stitch Fix所展示的那样,它是一个可以成功的商业模式。
为了实现规模化服务,Stitch Fix对丰富、全面的数据流进行了分析。2016年,该公司在由首席算法官埃里克·科尔森(Eric Colson)领导的团队中,雇用了70多位数据科学家。科尔森曾在运用海量数据的先锋公司网飞公司 [1] 的平台实践数据科学。不过,事实证明,挑选合适的衣服比建议看哪部电影要困难得多。与标准的社交过滤推荐引擎(“喜欢这部电影的人也喜欢这部”)相比 [2] ,Stitch Fix采用了更加复杂的数据分析方法。除了在初次注册时向客户询问他们的偏好,该公司还使用了算法来考察Pinterest(美国一家图片社交平台)上客户喜爱的那些图片,并从中归纳出一些明显的特征,这些特征显示了客户自己可能并未意识到的一些偏好。这套系统的工作原理和我们在第4章中描述的机器学习系统完全一样:客户不必明确说明其需求,因为系统可以从客户与周围世界的互动中学习到这些内容。
反馈信息在Stitch Fix公司也起着至关重要的作用。首先,客户的每一条反馈都会生成数据。公司强烈建议客户对他们收到的每一件商品进行评论,只要用简单易懂的英语单词进行评论即可。在自然语言处理软件的帮助下,公司可以进一步完善客户的个人偏好。此外,Stitch Fix也在开发自己的服装系列,在设计过程中也会使用这些偏好数据。
Stitch Fix成功的秘诀是,它了解海量数据市场,以及数据在客户满意度中扮演的关键角色。正如公司自己所言:“这个‘市场’的供需双方都拥有海量数据,这使Stitch Fix有机会成为牵线人,将客户与他们喜爱的服饰风格联系到一起(而且客户自己不可能找到这种风格)。”
但是公司的成功还有另一个关键因素:人际关系。Stitch Fix雇用了数百名个人造型师。这些造型师都是兼职工作,他们既可以在家工作,又可以在全国各地工作,他们在为每个客户挑选商品时,都有最终决定权。他们能够得到Stitch Fix的机器学习系统和匹配算法的帮助,获得关于客户偏好的丰富、全面的数据,包括这些客户的个人偏好是如何随着时间而改变的。但是最终的选择是由造型师自己做出的。他们在每批货物中都会添加一张私人便条,告诉客户如何将新产品与衣柜里的其他物品进行搭配,或者如何利用配饰提高穿搭效果。
这样的私人便条向客户展示了一个人的关爱,同时可以建立并维护客户与造型师之间的关系。这对留住客户非常有帮助——毕竟,要抛弃一个人比抛弃一台机器更难。它也增加了顾客提供反馈的可能性。私人便条制造了社交债务,而大多数客户会选择偿还这笔债务。
然而,也许最重要的是,人类造型师在观点和品味上要比机器更加多样化。丰富多样的个人造型师创造了一个风格迥异的世界,从而使客户和造型师之间形成更好的匹配,进而转化为更高的销售额和顾客满意度。对于Stitch Fix来说,能够很好地利用人类的风格与喜好的丰富性,是公司成功的一个重要因素。它使人类变得不可或缺。
Stitch Fix把选择的乐趣与购物的无趣进行了拆分,我们也可能会看到实体世界复制这种模式。也许将来,我们会把我们的生活用品的补充任务,委托给我们的自适应机器学习系统,而我们自己还会继续享受亲自逛精品店,或者在书店浏览群书的乐趣。事实上,当我们开始仅仅为了购物体验而逛商店时,当我们重新发现触摸、观看和做出决定的诱人乐趣时,我们甚至可能愿意为这种特权向那些最好的商店支付费用。
对于一家大型线下零售商来说,一个好的战略举措可能就是并购Stitch Fix或者它的竞争对手,就像诺德斯特龙连锁百货在并购Trunk Club(一家男士个性化电商)时所做的那样。零售商店可以发展为一个体验式的环境,客户可以在那里浏览,也许他们的个人造型师(本人或虚拟的)就在现场。作为在线业务的补充,诺德斯特龙的实体店成为客户与商品,甚至是与其他客户,进行愉快社交的场所。客户的目标不是买东西,而是浏览商品,满足自己的感官享受,用音乐抚慰自己,用免费的浓缩咖啡激发自己的活力。我们在这些改造后的商店里,看不到会将我们的注意力吸引到价格和折扣信息上的标签。在这样的环境中,价格不是最重要的,我们将依靠决策辅助系统,例如数字购物代理,来为我们考虑价格的事情。
总之,人类是一种触觉生物,我们喜欢用我们的感官与世界接触,我们享受彼此的陪伴。Stitch Fix将这种人性元素注入客户体验中的做法是非常成功的。以同样的方式拥抱海量数据市场对于其他公司来说,也只是时间问题。
本书评论