在購物時，你是否有這樣的煩惱：要么不想去逛街，沒那么多時間;要么商場中的衣服雖然很多，但是中意的沒有幾件;又或者干脆選擇在線購物，可以盯著屏幕眼都花了，合心意合身的衣服沒有幾件，而且效果不知如何……

這可怎么辦呢?有沒有一種可以快速購買到合適的衣服的方法呢?

[[172696]]

我們生活在互聯(lián)網(wǎng)越來越發(fā)達的今天，很多問題都能夠從計算機，從網(wǎng)絡中，從大量的數(shù)據(jù)信息中找到答案。一家美國的公司Stitch Fix，實現(xiàn)通過數(shù)據(jù)科學和造型師結合來為用戶挑選商品，并送貨到家免費試用。那么，Stitch Fix是如何做到為用戶精準快速的推薦商品的呢?

在WOT2016移動互聯(lián)網(wǎng)技術峰會上，Stitch Fix數(shù)據(jù)科學總監(jiān)/前Twitter美國總部技術主管王建強的精彩演講中，介紹了美國下一代購物方式的領頭羊stitch fix的商業(yè)模式，Stitch fix顛覆傳統(tǒng)服裝零售業(yè)固有的實體店經營的模式，剔除購物中用戶往往最頭疼的”選擇難”的環(huán)節(jié)。

【講師簡介】

[[172697]]

Stitch Fix數(shù)據(jù)科學總監(jiān)/前Twitter美國總部技術主管 王建強

王建強，中科大管理科學學士，2008年獲 Iowa State University統(tǒng)計學博士。曾任科羅拉多州立大學(Colorado State University)統(tǒng)計系客座教授，美國國家統(tǒng)計院(National Institute of Statistical Sciences)和美國農業(yè)部的聯(lián)合培養(yǎng)的博士后，惠普研究院(Hewlett-Packard Labs)擔任高級科學家，推特廣告組數(shù)據(jù)科學家。現(xiàn)任stitch fix數(shù)據(jù)科學總監(jiān)。有多年數(shù)據(jù)分析及建模經驗，涉及領域有需求預測，供應鏈管理，廣告點擊率預測，廣告排序，推薦算法，統(tǒng)計預測模型。對數(shù)據(jù)科學教育，互聯(lián)網(wǎng)廣告和新興的零售業(yè)模式有興趣。

通過Stitch Fix的商業(yè)模式看下一代購物方式

2010年10月，Katrina Lake創(chuàng)辦了Stitch Fix。Stitch Fix是一個在線個性化服裝推薦公司，目前擁有上千位業(yè)余造型師，他們一般都有比較豐富的時尚界工作經驗，為用戶量身打造衣服。目前，Stitch Fix的產品主要是服裝類的，除了衣服還有飾品，最近又新增了女鞋和孕婦裝以及超小號。未來，Stitch Fix還將增加男裝。

Stitch Fix的工作模式是怎樣的呢?作為一名新客戶，注冊時要填寫個人資料，主要包括：身材、買衣服的顏色偏好、喜歡衣服的種類、以及所能承受的衣服的價位。Stitch Fix根據(jù)這些資料，通過推薦算法與造型師結合的方式，幫用戶挑選五件衣服，并將衣服寄往用戶家里，用戶可以試穿后決定買哪些衣服，免費退回哪些衣服。Stitch Fix主要面對的客戶群主要為沒有時間購物的用戶，喜歡新樣式的衣服的用戶，以及追求時尚的人群。

這里有兩大創(chuàng)新：一是，通過基于推薦的電子商務，購物時無需自己瀏覽挑選衣服。而僅需填寫一份資料，Stitch Fix就能自動為您挑選衣服。二是，Stitch Fix在提供服務的時候是通過數(shù)據(jù)科學或者推薦算法跟造型師結合的方式。

Stitch Fix的四大服務方式

Stitch Fix目前提供的服務方式主要有四大類：訂閱式服務、及時請求服務、基于造型師與用戶關系的服務以及延遲性服務。最普通的服務模式是訂閱式服務和及時請求服務兩種方式。用戶選擇訂閱式服務后，用戶可以每個月或者每個季度收到一盒衣服;選擇及時請求服務，需要先注冊個人資料，有需求時發(fā)送請求即可。

此外，Stitch Fix對于基于關系的和有延遲的兩種服務。Stitch Fix主要是想致力于做基于造型師與用戶關系的服務，通過用戶跟造型師建立依賴關系，可以更新對用戶的了解，以此增強用戶的粘度。而延遲性服務是指接收到用戶請求后，經過造型師推薦、倉庫管理，訂單配送等環(huán)節(jié)后，約7-10天后將衣服送至 用戶手中。用戶在service的時候需要交20塊錢styling fee，如果不買任何衣服就要支付20塊錢styling fee，如果是買一件以上衣服這20塊錢styling fee可以付到衣服里面，另外如果五件衣服全買有七五折。

如何通過數(shù)據(jù)科學和造型師結合來為用戶挑選衣服?

第一步：根據(jù)用戶提供的信息進行首輪篩選，剔除用戶不喜歡的顏色，不喜歡的樣式，最終符合每個用戶需求的衣服大概5000-7000件。

第二步：根據(jù)算法進行篩選推薦，挑選一批匹配度較高的衣服，約為50-100件。

第三步：將第二步中篩選出的衣服交給造型師，由造型師進行精細的篩選。

我們這里首先著重說說算法推薦，算法推薦的本質是一個計算用戶和衣服匹配的過程。通過用戶數(shù)據(jù)以及商品數(shù)據(jù)，對每個用戶和每件商品計算匹配度。

用戶數(shù)據(jù)：主要包含結構化數(shù)據(jù)和非結構化數(shù)據(jù)。結構化數(shù)據(jù)是指靜態(tài)的用戶數(shù)據(jù)和用戶行為數(shù)據(jù)，非結構化數(shù)據(jù)是指用戶填寫請求，填寫的商品評價等信息。

商品數(shù)據(jù)：對于衣服來說，主要對其進行特征分類。常見的特征主要包含三類，分別是：衣服的顏色，衣服的圖案，衣服的材質。其他的特征包含：是否有口袋，口袋的位置，真口袋/假口袋等等。

有了用戶數(shù)據(jù)和商品數(shù)據(jù)，通過推薦系統(tǒng)來實現(xiàn)推薦商品的功能。這里常見的算法有：邏輯回歸、Elastic net、協(xié)同濾波、Factorization machine、LDA(Latent Dirichlet Allocation)，NLP和computer vision等。

那么，如何計算用戶和衣服的匹配度呢?

因為用戶數(shù)據(jù)中包含用戶請求等非結構化數(shù)據(jù)，對于這些數(shù)據(jù)的處理離不開人，因為在這方面人遠強于機器。所以，Stitch Fix設計了人機交互系統(tǒng)。在這個系統(tǒng)里是靠推薦算法跟造型師結合起來進行推薦的，算法有比較強的計算能力。有一個用戶Style rainbow，有一個商品Style rainbow，比如要算這兩個rainbow之間的預先距離，普通人是很難在短時間內算出這兩個rainbow之間的預先距離，但是計算機可以很容易做到。另外，造型師在推薦的時候一般會看之前給用戶推薦過哪些衣服，盡量避開跟以前衣服比較類似的。所以，這時可以用計算機來實現(xiàn)，篩選掉一些跟過去推薦的非常類似的衣服。

另外，算法還可以從大規(guī)模數(shù)據(jù)中尋找規(guī)律。比如針對某個年齡層，某個收入階層的用戶，他們一般喜歡什么樣的風格，而這個造型師雖然可能會有一些直覺，但是他的直覺不一定是有數(shù)據(jù)支撐的。所以，在有了數(shù)據(jù)跟算法后，可以糾正他一些直覺上的錯誤。這些有經驗的造型師會根據(jù)直覺進行推薦，例如他看到30歲的用戶住在MN，身材尺寸是多少，他腦袋里面就會浮現(xiàn)出一幅圖，可以立馬想到庫存里面的一些衣服，可能會跟這個用戶比較匹配，這方面其實是個人的一些直覺，這個很難用一些簡單的model來model。另外，造型師也可以與用戶建立個人關系，增加用戶的黏性。

注：本文由王建強于2016年8月，在WOT2016移動互聯(lián)網(wǎng)技術峰會主會場《Stitch Fix -- 數(shù)據(jù)科學+造型師顛覆傳統(tǒng)服裝零售業(yè)購物方式》主題演講整理而成。WOT2016大數(shù)據(jù)峰會將于2016年11月25-26日在北京粵財JW萬豪酒店召開，屆時，數(shù)十位大數(shù)據(jù)領域一線專家、數(shù)據(jù)技術先行者將齊聚現(xiàn)場，在圍繞機器學習、實時計算、系統(tǒng)架構、NoSQL技術實踐等前沿技術話題展開深度交流和溝通探討的同時，分享大數(shù)據(jù)領域最新實踐和最熱門的行業(yè)應用。了解WOT2016大數(shù)據(jù)技術峰會更多信息，請登陸大會官網(wǎng)：http://wot.51cto.com/2016bigdata/