مدل کسب‌وکار ما در شرکت استیچ فیکس (Stitch Fix) ساده است: ما برای مشتری لباس‌ها و اکسسوری‌هایی که فکر می‌کنیم دوست دارند می‌فرستیم؛ مشتری آیتم‌هایی را که می‌خواهد نگه می‌دارد و بقیه را پس می‌فرستد.
مترجم: مریم رضایی
ما علم داده را اهرم می‌کنیم تا محصول را برای مشتری «شخصی‌سازی» کنیم و تجربه‌ای فراتر از فروشگاه‌های فیزیکی سنتی و خرده‌فروشی به صورت تجارت الکترونیک ارائه کنیم. مشتری ما از اینکه یک کارشناس مد برای او تشخیص خرید انجام می‌دهد لذت می‌برد و راحتی و سادگی خدمات ما را مورد تقدیر قرار می‌دهد.
به گزارش سایت نساجی امروز به نقل از دنیای اقتصاد، مطمئنا، ساده‌سازی خدمات برای مصرف‌کننده و در عین حال سودآور بودن، کار بسیار پیچیده‌ای است. این موضوع به‌خصوص در صنعت خرده‌فروشی مد و لباس که شلوغ، بی‌ثبات و به سرعت در حال تغییر است، پیچیده‌تر هم می‌شود. دیگر خرده‌فروشان لباس سعی می‌کنند خودشان را با پایین آوردن قیمت یا ارسال سریع متمایز کنند، اما ما خودمان را با شخصی‌سازی محصول متمایز کرده‌ایم.
هر کدام از محموله‌های شرکت فیکس که به دست مشتری می‌رسند، شامل جعبه‌ای است که پنج لباس و اکسسوری مورد انتخاب ما برای آن شخص خاص در آن قرار گرفته است. این آیتم‌ها بر اساس اطلاعاتی که آن مشتری و میلیون‌ها نفر دیگر در اختیار شرکت قرار داده‌اند انتخاب می‌شوند. این کار ابتدا با پر کردن پرسشنامه هنگام پیوستن افراد به سایت و سپس از طریق بازخوردهایی بعد از دریافت هر محموله انجام می‌شود.
شرکت استیچ فیکس در سال ۲۰۱۶ به ارزش ۷۳۰ میلیون دلار لباس فروخت و این رقم در سال ۲۰۱۷ به ۹۷۷ میلیون دلار رسید. صد درصد درآمد ما به‌طور مستقیم از بسته‌های پیشنهادی به مشتری حاصل می‌شود که هسته کسب‌وکارمان است.
بیش از ۲ میلیون مشتری فعال در آمریکا داریم و با بیش از ۷۰۰ برند کار می‌کنیم. کار ما به این شکل نیست که مثلا برای پیراهنی که به سبد خریدتان اضافه کرده‌اید، یک کمربند گران‌قیمت را ست کنیم و پیشنهاد دهیم یا روی یک برند مشخص تنها به این دلیل که قبلا از آن خرید داشته‌اید، قفل کنیم یا از الگوهای جست‌وجوی شما برای اطلاع‌رسانی استفاده کنیم – همه این فعالیت‌ها نرخ تبدیل پایینی دارند. ما در عوض با ترکیب داده‌ها، یادگیری ماشینی و نظر کارشناس انسانی، انتخاب‌هایی منحصربه‌فرد و شخصی برای مشتری انجام می‌دهیم.
علم داده به فرهنگ ما پیوند نخورده، بلکه خود فرهنگ ما است. ما کارمان را با این فرهنگ در قلب کسب‌وکارمان شروع کردیم، نه اینکه آن را به یک ساختار سازمانی سنتی اضافه کنیم و الگوریتم‌های شرکت را حول مشتریان‌مان و نیازهای آنها ایجاد کنیم. ما بیش از ۸۰ دانشمند علم داده را استخدام کرده‌ایم که اکثریت آنها دارای مدرک phD در رشته‌هایی مثل ریاضی، عصب‌شناسی، آمار و فیزیک نجومی هستند. گزارش این داده‌ها به‌طور مستقیم در اختیار من قرار می‌گیرد و به جرات می‌توانم بگویم که استیچ فیکس بدون علم داده وجود نخواهد داشت.
تمرکز بر خرده‌فروشی
ما از مدل استارت‌‌آپ‌های کلیشه‌ای منطقه سیلیکون ولی خیلی دور هستیم. من خودم را یک کارآفرین سریالی هم نمی‌دانم. استیچ فیکس اولین شرکتی است که راه‌اندازی کرده‌ام. اما مجذوب تجربیات خرده‌فروشی شدم که در قرن ۲۱ تحت تاثیر تکنولوژی مدرن قرار نگرفته بود. وقتی در مدرسه کسب‌وکار استنفورد در اوایل سال‌های ۲۰۰۰ تحصیل می‌کردم و همچنین در اولین شغلم به عنوان مشاور، با خرده‌فروش‌ها و رستوران‌های زیادی سروکار داشتم. با اینکه به این صنایع علاقه داشتم و می‌دانستم چقدر برای مردم معنادار هستند، به این فکر می‌کردم که هنوز همان تجربیاتی را که در دهه ۷۰ یا حتی دهه ۵۰ برای مشتری داشتند تکرار می‌کنند؛ صرف‌نظر از اینکه دنیا چقدر تغییر کرده است.
به این فکر کردم چگونه باید خودشان را سازگار کنند و من می‌خواستم در چنین آینده‌ای نقش داشته باشم. بعد از اینکه چند بار کارم را عوض کردم، همچنان به خرده‌فروشی فکر می‌کردم.
وقتی شرکت نت‌فلیکس با ارائه سرویس‌های استریم و ویدئوی آنلاین جان می‌گرفت، وضعیت اقتصادی بلاک‌باستر را که دی‌وی‌دی و بازی‌های ویدئویی کرایه می‌داد، مطالعه کردم. نت‌فلیکس توانست ۳۰ درصد سهم بازار را به دست آورد و فروشگاه‌های محلی بلاک‌باستر تعطیل شدند.
۷۰ درصد مشتریان باقی مانده بر سر یک دوراهی مانده بودند: نت‌فلیکس را امتحان کنند یا مسیر دورتری را به فروشگاه طی کنند تا فیلم بخرند. بیشتر آنها نت‌فلیکس را انتخاب کردند و فشارها بر بلاک‌باستر بیشتر شد. به این فکر کردم که خرده‌فروش‌های دیگر اگر در استراتژی خود بازنگری نکنند، به سرنوشت بلاک‌باستر دچار خواهند شد.
آن بخش از من که داده‌ها را دوست دارد می‌دانست که می‌توان از این حوزه برای ایجاد تجربه‌ای بهتر در فروش لباس استفاده کرد. به‌طور کلی، برای اندازه بودن و مورد پسند بودن لباس، ویژگی‌هایی مثل درزدوزی، رنگ، جنس، وزن، دوام و الگو مورد توجه هستند. همه اینها در قالب داده قرار می‌گیرند. اگر به اندازه کافی داده جمع کنید، تصویر خوبی از آنچه مردم می‌پسندند به دست می‌آورید.
اما بخش دیگری از من که لباس دوست دارد، تشخیص داد عامل انسانی هم باید در خرید لباس دخیل باشد. وقتی لباسی را پیدا می‌کنید که انتظارش را نداشتید، حس خوشایندی دارید و وقتی می‌بینید این لباس هم اندازه شما است و هم با جیب‌تان همخوانی دارد، این لذت دوچندان می‌شود. فرصتی که من پیدا کردم این بود که این دو عامل – یعنی داده و تجربه انسانی – را با هم ترکیب کنم تا مدل جدیدی برای خرید لباس ایجاد شود.
ایده‌ای بد؟
اول قصد نداشتم شرکت راه‌اندازی کنم و می‌خواستم به یک استارت‌آپ بپیوندم که چنین ایده‌ای را دنبال کند. با صدها کارآفرین در همین زمینه دیدار کردم، به این امید که از بین آنها یک مورد مناسب بیرون بیاید.
اما این اتفاق نیفتاد. بنابراین، در مدرسه کسب‌وکار هاروارد ثبت‌نام کردم تا مسیرم را به سوی کارآفرینی دنبال کنم. همزمان در این دو سال برای راه‌اندازی شرکتم برنامه‌ریزی کردم. اولین بسته‌های لباس را در ماه آوریل از آپارتمانم ارسال کردم و در ماه مه فارغ‌التحصیل شدم.
خیلی‌ها فکر می‌کردند ایده من خوب نیست. یکی از استادانم آن را یک «کابوس انبارداری» نامید. من می‌خواستم همه موجودی لباس‌ها را داشته باشم تا هر آیتم را به‌طور عمیق بررسی کنم و آن را به داده‌های ساختاربندی شده تبدیل کنم. در خرده‌فروشی، مالکیت کل موجودی کالا ترسناک و پرریسک است و استادم این استراتژی را سرمایه‌بر می‌دانست.
اما در نهایت این استراتژی جواب داد. استفاده از داده برای اینکه بفهمیم مردم واقعا چه می‌خواهند این امکان را به ما می‌دهد که موجودی کالا را سریع‌تر از خیلی از خرده‌فروشی‌های معمولی به گردش درآوریم، چون می‌توانیم اقلام درست را خریداری کنیم و آنها را به دست افراد درست برسانیم. فروش سریع موجودی و پرداخت نقدی به فروشنده‌ها یک مدل کارآ است.
پس از آن، پای تردید سرمایه‌گذاران پیش آمد. با خیلی از آنها جلسه داشتم و صادقانه می‌گفتند که انباری از لباس‌های مختلف که بخواهیم برای مشتری ست و ارسال کنیم برای آنها جذابیتی ندارد.
برخی از آنها هم متوجه نمی‌شدند که چرا ما طراحانی را استخدام کرده‌ایم که به صورت ساعتی پول دریافت می‌کنند، درحالی‌که این روزها همه چیز با اتوماسیون و اپلیکیشن پیش می‌رود. با وجود موفقیت اولیه و اینکه برخی سرمایه‌گذاران خطرپذیر ایده من را پسندیده بودند، اما اظهار کردند که علاقه‌ای به خرده‌فروشی و لباس‌های زنانه ندارند.
این حرف برای من صادقانه و البته ناامیدکننده بود. اما اتفاقی که افتاده این است که ۸۷ درصد کارکنان، ۳۵ درصد دانشمندان تحلیل داده و ۳۲ درصد مهندسان در استیچ فیکس زنان هستند. بیش از ۹۰ درصد سرمایه‌گذاران خطرپذیر ما مردان هستند و من حس می‌کردم دینامیک جنسیتی این صنعت علیه ما حرکت می‌کرد.
در نهایت، چیزی که به از بین رفتن ما منجر نشد، ما را قوی‌تر کرد، چون باعث شد بر سودآوری و کارآیی سرمایه متمرکز شویم. از آن به بعد، هر چه پول به دست می‌آوردیم برای راه‌اندازی کسب‌وکارهای جدید مثل پوشاک آقایان و سایز‌های بزرگ برای خانم‌ها استفاده کردیم.
در نهایت، بحث خود صنعت مطرح بود. با درآمدی که از پیشنهاد لباس به مشتری به دست می‌آمد، من در واقع یکی از سخت‌ترین وظایف یادگیری ماشینی را خودم انجام می‌دادم. حتی افرادی که فکر می‌کنند نسبت به لباس‌هایی که می‌پوشند حساس نیستند، در واقع به آن اهمیت می‌دهند. تناسب، سبک، مواد – همه اینها برای ما مهم هستند.
این صنعت بسیار ظریف و دقیق است که کار در آن را جالب، اما سخت می‌کند. اوایل، گروه‌های مشتریانی که بر آنها متمرکز شده بودیم اذعان داشتند که مطمئن نیستند ما بتوانیم لباس‌هایی را انتخاب کنیم که آنها دوست دارند. ایده پرداخت ۲۰ دلار برای کارمزد انتخاب سبک لباس مورد نظر مشتری هم در ابتدا با وقفه‌هایی همراه شد.
شرکت‌کنندگان می‌گفتند «اگر قرار باشد هیچ‌کدام از لباس‌های ارسالی را انتخاب نکنیم، چرا باید ۲۰ دلار بپردازیم؟» ما نیاز داشتیم این مشتریان اولیه این اعتماد را به ما داشته باشند که حتما آیتم‌هایی را انتخاب خواهند کرد. همین هم شد، چون تجزیه و تحلیل داده‌های ما به صورت علمی انجام می‌شد.
وارد کردن الگوریتم‌ها
وقتی مطالعه «علم داده» را شروع کردم، همه چیز خیلی ابتدایی بود. در کنار ابزارهایی مثل SurveyMonkey و Google Docs از برخی روش‌های آماری استفاده کردم تا اولویت‌ها را پیگیری کنم و پیشنهادهای خوبی برای مشتری داشته باشم. در ابتدا، به‌عنوان طراح مد شخصی کار می‌کردم. گاه حتی خودم شخصا بسته‌ها را برای مشتری می‌بردم.
اما برنامه‌ام همیشه این بود که یک عملیات ساختاریافته علم داده ایجاد کنم که این کسب‌وکار را قابل سنجش می‌کند. پیشنهادهای ما بیشتر مواقع مورد پذیرش است، چون الگوریتم‌های ما خوب هستند. به‌طور کلی، برخی ویژگی‌ها یادگیری ماشینی را پیوسته و یکپارچه می‌کند که عبارت است از:
گزارش علم داده به مدیرعامل: در بیشتر شرکت‌ها، اطلاعات به دست آمده به مدیران IT به‌عنوان بخشی از تیم مهندسی و گاه هم به امور مالی ارسال می‌شود. در شرکت ما اتفاق دیگری می‌افتد و ما سمتی به نام مسوول الگوریتم‌ها داریم.
اریک کالسون، در سال ۲۰۱۲ از نت‌فلیکس آمد. قبل از اینکه او به عنوان مشاور با ما کار کند، به‌کار شرکت علاقه‌مند شده بود، چون چالش ایجاد می‌کرد. او به یاد می‌آورد که در نت‌فلیکس شخصی گفته بود «چه می‌شود وقتی فرد اپلیکیشنی را باز می‌کند، فیلمی را که دوست دارد برایش پخش کند؟» این یک ایده جسورانه اما پرریسک بود. وقتی به استیچ فیکس آمد، فهمید ما همین کار را انجام می‌دهیم و به صورت تمام وقت به همکاری با ما پرداخت.
از آنجایی که درآمد ما به پیشنهادهای ویژه‌ای وابسته است که از الگوریتم‌ها به دست می‌آوریم، موضوع مهم‌تر این است که متخصصان داده ما ارتباط مستقیمی با مدیرعامل داشته باشند. چنین کاری به کل سازمان ما در مورد ارزش‌ها و رویکردی که نسبت به استراتژی داریم پیام می‌دهد: علم داده بسیار مهم است و تیم‌های دیگر مثل بازاریابی و مهندسی از طریق مشارکت نزدیک با تیم داده، قابلیت‌های خود را افزایش می‌دهند.
نوآوری با داده: ما ده‌ها الگوریتم ایجاد کرده‌ایم که هیچ‌وقت کسی خواهان آن نبوده، چون به تیم تجزیه داده امکان می‌دهیم راه‌حل‌های جدید ایجاد کند و پتانسیل این راه‌‌حل‌ها را مشخص کند.
مثلا هیچ‌کس صراحتا از این تیم نخواسته الگوریتم‌هایی ایجاد کند که امکان خرید مجدد بسته‌های لباس را فراهم کند (خرید مجدد وقتی اتفاق می‌افتد که یک آیتم پرطرفدار در موجودی ما خوب فروش می‌رود و نیاز داریم تعداد بیشتری از آن را فراهم کنیم). الگوریتم‌های ما کمک می‌کنند این روندها را زودتر و دقیق‌تر پیش‌بینی کنیم تا بتوانیم موجودی انبار را به نحو کارآمدتری مدیریت کنیم و همیشه در برابر تقاضا آماده باشیم.
مردم را فراموش نکنید
بخش تحلیل من رویکرد الگوریتمی را دوست دارد. اما خرید کردن ذاتا یک فعالیت شخصی و انسانی است. به همین دلیل است که روی ترکیب داده‌ها با متخصص مد که می‌تواند قضاوت انسانی را دخیل کند اصرار داریم. متخصصان و طراحان ما سوابق گسترده‌ای در طراحی و خرده‌فروشی دارند، اما از داده‌ها هم استفاده می‌کنند. در برخی امور، انسان خیلی بهتر از ماشین عمل می‌کند.
به‌عنوان مثال، وقتی یک مشتری درخواست خیلی خاصی دارد (مثلا گزینه‌هایی برای لباس مهمانی عروسی که در فضای باز برگزار می‌شود درخواست می‌کند)، متخصصان مد ما سریع تشخیص می‌دهند چه گزینه‌هایی برای این فرد و آن مراسم مناسب است.
به علاوه، مشتریان ما اغلب اطلاعات شخصی خودشان مثل بارداری، کاهش وزن قابل توجه و حتی فرصت‌های شغلی جدیدشان را با ما به اشتراک می‌گذارند؛ اینها موقعیت‌های مهمی هستند که ماشین نمی‌تواند درک کند.
این در حالی است که متخصصان مد ما دقیقا تشخیص می‌دهند چنین اتفاق‌هایی در زندگی چقدر خاص هستند و وقتی لازم باشد اقدامات متناسب را انجام می‌دهند. این باعث می‌شود وفاداری برند ایجاد شود.
فرمول کار ساده است؛ یک انسان خوب و شایسته به اضافه یک الگوریتم خوب، خیلی بهتر از یک انسان شایسته یا بهترین الگوریتم به تنهایی است. ما افراد و داده‌ها را در برابر هم بررسی می‌کنیم و قرار نیست به ماشین‌ها آموزش دهیم که کارهای انسانی را انجام دهند و بالعکس، قرار نیست به افرادمان آموزش دهیم که مثل ماشین رفتار کنند. و همه ما باید اذعان کنیم که امکان اشتباه داریم و فقط باید از این اشتباه درس بگیریم.