مدیرعامل استیچ فیکس درباره‌ی فروش سبک شخصی به بازار انبوه می‌گوید

مدیرعامل استیچ فیکس درباره‌ی فروش سبک شخصی به بازار انبوه می‌گوید

نویسندگان: کاترینا لیک

در استیچ فیکس، مدل کسب‌وکار ما ساده است: ما برای شما پوشاک و تجهیزات جانبی که دوست دارید را می‌فرستیم؛ آیتم‌هایی که می‌خواهید را نگه می‌دارید و باقی را پس می‌فرستید. از علم داده‌ها بهره می‌گیریم تا بتوانیم شخصی‌سازی را برای شما انجام دهیم و بتوانیم فراتر از تجربیات خرده‌فروشی آنلاین و کسب‎‌وکارهای خشت‌وملات مرسوم عمل کنیم. مشتریان دوست دارند یک متخصص مد خبره برایشان خرید کند و راحتی و سادگی این شکل از خدمت‌رسانی را می‌پسندند.

البته ساختن برخی چیزها در نگاه مشتریان ساده و راحت به نظر می‌رسد، درحالی‌که اجرای کارهای سودرسان و متناسب، پیچیده است. در خرده‌فروشی صنعت مد، این موضوع پیچیده‌تر هم می‌شود، زیرا صنعتی شلوغ، بی‌ثبات و دائماً متغیر است. سایر خرده‌فروش‌های پوشاک سعی می‌کنند با بهره‌گیری از کمترین قیمت‌ها یا ارسال رایگان خودشان را متمایز کنند؛ اما ما از طریق شخصی‌سازی خودمان را متمایز می‌کنیم. هر «مرسوله‌ی فیکس» (لفظی که خودمان استفاده می‌کنیم)، جعبه‌ای حاوی 5 آیتم پوشاک و تجهیزات جانبی است که منحصراً برای شما انتخاب شده است. این گزینه‌ها بر اساس اطلاعاتی هستند که شما و میلیون‌ها فرد دیگر به ما داده‌اید – ابتدا در پرسشنامه‌های حجیمی که در هنگام ثبت‌نام پر می‌کنید و سپس بازخوردهایی که پس از هر مرسوله می‌فرستید.

استیچ فیکس 730 میلیون دلار پوشاک را در 2016 و 977 میلیون دلار را در 2017 فروخته است. صد درصدِ درآمد ما مستقیماً از توصیه‌هایمان حاصل می‌شود که محوریت کسب‌وکار ما هستند. ما بیش از دو میلیون مشتری فعال در آمریکا داریم و با بیش از 700 برند همکاری می‌کنیم. هدفمان نیست که چون آن بلوز را خریده‌اید و این کمربند به آن می‌آید، محصولمان را به‌زور قالب کنیم یا یک برند خاص را به خاطر اینکه قبلاً از آن نام برده‌اید تبلیغ نماییم یا از الگوهای جستجویتان بهره بگیریم و به این نتیجه برسیم که احتمالاً دنبال یک پیراهن مشکی هستید – تمامی این فعالیت‌ها نرخ تبدیل اندکی دارند. در عوض با ترکیب داده و یادگیری ماشینی با قضاوت متخصصان انسانی، می‌خواهیم انتخاب‌های شخصی و منحصربه‌فردی را داشته باشیم.

علم داده‌ها در فرهنگ ما تنیده نشده‌اند؛ بلکه خودِ فرهنگمان هستند. ما آن را در قلب کسب‌وکارمان آغاز کردیم، نه اینکه آن را به ساختار پیشین سازمانمان بیافزاییم و الگوریتم‌های کمپانی را پیرامون مشتریان و نیازهایشان ساخته‌ایم. ما بیش از 80 متخصص داده را به کار گرفته‌ایم که اکثریتشان دارای دکترا در رشته‌های کمّی همچون ریاضیات، عصب‌شناسی، آمار و فیزیک نجومی هستند. علم داده‌ها مستقیماً به خودم گزارش می‌دهند و استیچ فیکس بدون آن‌ها وجود نخواهد داشت. به همین سادگی.

 

این یک داستان ولی (Valley) نیست

ما با استارتاپ‌های معمول در سیلیکون ولی تفاوت داریم. خودم را به‌عنوان یک کارآفرین سریالی در نظر نمی‌گیرم: استیچ فیکس اولین کمپانی است که راه انداخته‌ام. اما تحت تاثیر تجربه‌های خرده‌فروشی و عدم تاثیرپذیری آن‌ها توسط تکنولوژی‌های مدرن در قرن 21ام قرار گرفتم. در سال‌های تحصیلم در استنفورد و در اوایل سده‌ی 2000، در اولین شغلی که به‌عنوان مشاور در گروه پارتنون داشتم، خیلی با خرده‌فروشی‌ها و رستوران‌ها کار کردم. درحالی‌که هر دو صنعت و ارزشی که برای مردم دارند را دوست دارم، اما برایم جالب بود که آن‎ها اساساً هنوز همان تجربیاتی را در اختیار مردم می‌گذارند که در دهه‌ی 70 – یا حتی دهه‌ی 50 – انجام می‌دادند، با اینکه دنیا تا این حد تغییر کرده است. با خودم فکر می‌کردم که آن‌ها چگونه آداپته می‌شوند و دوست داشتم بخشی از آینده‌ی آن‌ها باشم.

در سال 2007 و همان زمانی که آیفون ظاهر شد، از پارتنون جدا شدم تا عضوی از لیدر ونچرز شوم که یک شرکت سرمایه‌گذاری خطرپذیر بود. هنوز هم درباره‌ی خرده‌فروشی فکر می‌کردم. اقتصاد بلاک‌باستر را در دوران ظهور نت‌فلیکس مطالعه می‌کردم. از یک‌سو یک کمپانی قرار داشت که فروشگاه‌های فیزیکی را به تسخیر خود درمی‌آورد؛ از سوی دیگر کمپانی دیگری قرار داشت که بدون فروشگاه، فروش را تحت سلطه‌ی خود درآورده بود. این یک مطالعه موردی عالی است. و دقیقاً می‌توانم زمانی که توازن بر هم خورد را ببینم. از زمانی که نت‌فلیکس به حدود 30 درصد از سهم بازار رسید، فروشگاه بلاک‌باستر در محله تعطیل شد. 70 درصد مشتریان باقی‌مانده با یک تصمیم‌گیری مواجه شده بودند: نت‌فلیکس را بیازمایند یا اینکه مسافت بیشتری را برای تهیه‌ی فیلم طی کنند. تعداد بیشتری از آن‌ها نت‌فلیکس را آزمودند و همین امر فشار بیشتری را به بلاک‌باستر وارد کرد. یک فروشگاه دیگر بسته شد و مشتریان بیشتری با تصمیم آزمودن نت‌فلیکس یا طی مسافت بیشتر مواجه گشتند.

متوجه شدم که اگر سایر خرده‌فروش‌ها در مورد استراتژی خود بازنگری نکنند، به سرنوشت بلاک‌باستر دچار خواهند شد. مثلاً 10 سال دیگر، افراد چطور شلوار جین خود را تهیه می‌کنند؟ می‌دانم که به شکل سنتی نخواهد بود: اینکه به فروشگاه بروند، شلوار جین را از داخل قفسه بردارند و همه را امتحان کنند تا ببینند کدام‌یک مقبول می‌افتد. و به نظرم شرایط با مدل تجارت الکترونیک امروز نیز متفاوت خواهد بود: شما 15 زبانه را در مرورگر خود باز کرده‌اید و به دنبال مشخصات محصول یا نظر سایر خریداران هستید. سپس چند عدد شلوار می‌خرید و آن‌هایی که دوست ندارید را پس می‌فرستید.

آن بخشی از من که عاشقِ داده است، می‌داند که می‌توان از آن برای ایجاد تجربه‌ای بهتر در صنعت پوشاک بهره گرفت. به‌هرحال تناسب و سلیقه تنها تعدادی ویژگی هستند: دور کمر، درز شلوار، جنس، رنگ، جرم، دوام و طرح. این‌ها صرفاً داده هستند. اگر به‌اندازه‌ی کافی از آن‌ها جمع‌آوری کنید، می‌توانید تصور خوبی را درباره‌ی لباس‌های دلخواه افراد داشته باشید.
اما بخش دیگری از من که عاشق لباس است، به عنصر انسانی در خرید توجه می‌کند – حس پیدا کردن چیزی که انتظارش را نداشتید و حس لذت از اینکه آن پوشاک با اندام و بودجه‌ی شما تناسب دارد. فرصتی را برای ترکیب این دو المان – داده و تجربه‌ی انسانی – یافته‌ام تا مدل جدیدی را برای خرید پوشاک بسازم.

 

یک ایده‌ی بد؟

در ابتدا قصدم این نبود که یک کمپانی را استارت بزنم؛ می‌خواستم به یک استارتاپ بپیوندم که چنین ایده‌ای را دنبال می‌کند. در لیدر، با صدها کارآفرین دیدار کردم، با این امید که بالاخره فرد مناسب را بیابم. این اتفاق نیافتاد. بنابراین در دانشکده‌ی کسب‌وکار هاروارد ثبت‌نام کردم تا مسیر خطرگریز خود به سمت کارآفرینی را پی بگیرم. از این دو سال برای برنامه‌ریزی و راه‌اندازی کمپانی خودم بهره گرفتم. در فوریه‌ی 2011، شرایط‌نامه‌ای (ترم شیت) را از استیچ فیکس دریافت کردم؛ در ماه آوریل، اولین جعبه‌های فیکس را از آپارتمانم ارسال کردم؛ و در ماه مه فارغ‌التحصیل شدم.

تعداد کمی از افراد فکر می‌کردند ایده‌ی خوبی است. یکی از استادانم آن را یک کابوس موجودی می‌دانست. دوست داشتم تمام آیتم‌ها را در انبار خودم موجود داشته باشم و آن‌ها را به تعداد زیادی داده‌ی ساختاریافته تبدیل کنم. در خرده‌فروشی، تملک بر کل فهرست اجناس ترسناک است و استادم می‌گفت که همین امر باعث می‌شود استراتژی من ریسکی و نیازمند سرمایه‌ی زیاد باشد. اما نهایتاً استراتژی من درست بود. استفاده از داده به‌منظور شناسایی خواسته‌های افراد، ما را قادر می‌کند که خیلی سریع‌تر از خرده‌فروش‌های سنتی فهرست کالاهایمان را نوسازی کنیم، زیرا می‌توانیم تنها موارد صحیح را ابتیاع کنیم و آن را به دست افراد متناسب برسانیم. فروش سریع‌السیر فهرست کالا و دریافت پول نقد از مشتریان و خرید نقد از شرکت‌ها، این مدل را به یک الگوی بهینه از نظر سرمایه تبدیل می‌کند.

در ادامه سروکله‌ی کاپیتالیست‌های بدبین پدیدار شد. من با جعبه‌ای از لباس‌ها و کارت شخصی‌سازی‌شده از سوی متخصص مد، به جلسات می‌آمدم. یادم هست در یک جلسه، یک سرمایه‌گذار خطرپذیر طی همان 5 ماه اول گفت «اصلاً درک نمی‌کنم چرا یک نفر باید چیزهایی شبیه به این‌ را دریافت کند». صداقت او را دوست داشتم. بسیاری از آن‌ها هیچ علاقه‌ای راجع به انبارهای پر از لباس نداشتند. برخی دیگر از اینکه ما انسان‌های متخصص مد را استخدام کرده و ساعتی به آن‌ها حقوق می‌دهیم، مبهوت شده بودند – این ایده در دورانی که همه دنبال اتوماسیون و اپ بودند، خیلی عجیب به شمار می‌رفت. صرف‌نظر از موفقیت اولیه‌ی ما، مکالمات ثانویه درباره‌ی تامین مالی نیز با واکنش‌های خفیفی مواجه شدند. یک سرمایه‌گذار خطرپذیر به من گفت «به نظرم تو عالی هستی، تیمت فوق‌العاده است و کسب‌وکارت هم جواب می‌دهد. اما من باید سالی یکی دو هیئت‌مدیره را انتخاب کنم و باید آن‌هایی را انتخاب کنم که نظرم را جلب کرده‌اند. نمی‌توانم به لباس بانوان یا خرده‌فروشی اشتیاق داشته باشم».

این امر منصفانه – و ناامیدکننده – است. در حال حاضر، 87 درصد از کارکنان، 35 درصد از متخصصین داده و 32 درصد از مهندسان استیچ فیکس خانم هستند. بیش از 99 درصد از سرمایه‌گذارهای خطرپذیر مرد هستند و به نظرم دیدگاه جنسیتی در این صنعت علیه ما عمل می‌کند. در نهایت هر چه که نتواند ما را از بین ببرد قوی‌ترمان می‌کند، زیرا ما را وادار می‌کند بر روی سودرسانی و بازده سرمایه تمرکز کنیم. از همان زمان از پول نقد عملیاتمان برای راه‌اندازی کسب‌وکارهای جدید بهره گرفتیم که شامل پوشاک مردان و پوشاک‌های سایز بزرگ برای خانم‌ها می‌شوند.

تناسب و سلیقه تنها بخشی از ویژگی‌ها هستند: دور کمر، جنس، رنگ، جرم، الگو. این‌ها همگی داده هستند.

 

بالاخره خودش به یک صنعت تبدیل شد. با کسب درآمد بر اساس ارائه‌ی توصیه در صنعت مد، یکی از دشوارترین وظایف در یادگیری ماشینی را برگزیدم. حتی افرادی که به گمان خودشان خیلی برایشان مهم نیست چه می‌پوشند، در واقع به پوشاک اهمیت می‌دهند.

تناسب، سبک، جنس – این‌ها همگی برای ما اهمیت دارند. این یک کسب‌وکار ظریف است. همین امر باعث می‌شود جذابیت آن افزایش بیابد، اما دشوارتر هم می‌شود. در ابتدا گروه‌های کانونی فکر نمی‌کردند بتوانیم لباس‌هایی را متناسب با سلایقشان انتخاب کنیم. آن‌ها می‌گفتند «چگونه این موضوع جواب می‌دهد؟ هیچ‌ لباسی مناسب نخواهد بود».

این ایده که فرد پیشاپیش 20 دلار هزینه‌ به ما بدهد، به این شرط که کالاهای ارسالی را نگه دارد نیز به‌نوعی دافعه ایجاد می‌کرد. شرکت‌کنندگان در گروه‌های کانونی می‌پرسیدند «چرا باید 20 دلار بپردازم وقتی که شاید هیچ آیتم ارسالی را نپسندم؟». به مشتریانی نیاز داشتیم که به ما اعتماد کنند. و به نظر این اعتمادشان درست بود – چون ما از علم داده‌ها بهره می‌گرفتیم.

 

الگوریتم‎ها را وارد کنید

وقتی شروع کردم، «علم داده‌های» من ابتدایی بودند. از سروی‌مانکی و گوگل داکس در کنار تعدادی روش آماری دیگر استفاده کردم تا ترجیحات افراد را رهگیری کنم و توصیه‌های خوبی را ارائه نمایم. در ابتدا، اساساً به‌عنوان یک متخصص مد شخصی کار می‌کردم. گاهی اوقات حتی شخصاً جعبه‌ی فیکس را تحویل می‌دادم. اما همواره برنامه‌ام ساخت عملیاتی برای علم داده‌ها بود که کسب‌وکار را عملی کند. توصیه‌های ما جواب می‌دهند، زیرا الگوریتم‌هایمان خوب هستند، اما الگوریتم‌هایمان به این خاطر خوب هستند که از علم داده‌ها برای پی‌ریزی آن‌ها بهره گرفته‌ایم.

سه عامل هستند که یادگیری ماشینی را جامعیت می‌بخشند:

علم داده‌ها به مدیرعامل گزارش می‌دهد. در اکثر کمپانی‌ها، علم داده‌ها به مدیر ارشد فناوری که بخشی از تیم مهندسی یا گاهی اوقات بخشی از امور مالی است گزارش می‌دهد. در اینجا شرایط فرق می‌کند و ما یک مدیر ارشد الگوریتم به نام اریک کولسون داریم که پشت میز استراتژی می‌نشیند. اریک کولسون در اوت 2012 از نت‌فلیکس آمد. پیش از این نقش مشاور ما را داشت. او به این دلیل به کمپانی ما علاقه‌مند شد که کارش چالشی بود. او به خاطر می‌آورد که یکی از همکاران نت‌فلیکس گفته بود «بیایید وقتی فرد اپ را باز می‌کند، فیلمی که به گمانمان مورد پسندش است را برایش پخش کنیم». این ایده به نظر متهورانه اما ریسکی می‌آمد – اینکه همه‌چیز را روی یک توصیه بگذارید. او متوجه شد که استیچ فیکس چنین کاری را انجام می‌دهد. به‌عنوان یک مشاور، او یک روز مرخصی را صرف ور رفتن با برخی از داده‌‎های ما کرد. تصمیم گرفت که به‌صورت تمام‌وقت به ما بپیوندد – حرکتی بزرگ برای یک استارتاپ کوچک بود.

ازآنجایی‌که درآمد ما به ارائه‌ی توصیه‌های عالی از سوی الگوریتم‌هایمان بستگی دارد، اما از آن مهم‌تر برقراری ارتباط مستقیم میان متخصصین داده و مدیرعامل است. همچنین اعتقاد داریم که این ارتباط پیامی را به کل سازمان ارسال می‌کند مبنی بر اینکه رویکرد ما برای استراتژی و ارزش‌هایمان چه هستند: علم داده‌ها اهمیت بسیار زیادی دارد و سایر تیم‌ها همچون بازاریابی و مهندسی نیز در صورت همکاری نزدیک با تیم علم داده‌ها، توانمندی‌های خود را افزایش خواهند داد.

الگوریتم‌ها به ما کمک می‌کنند که الگوها را سریع‌تر و دقیق‌تر رصد کنیم، بنابراین می‌توانیم موجودی انبارمان را بهینه‌تر تنظیم نماییم.

نوآوری توسط علم داده‌ها انجام می‎گیرد. یک دوجین الگوریتم را توسعه داده‌ایم که تا کنون کسی برایشان درخواست نکرده، اما به تیم علم داده‌ها اجازه می‌دهیم که راهکارهای جدید بسازد و پتانسیلشان را تعیین کند. مثلاً هیچ‌کس به‌صراحت از این تیم نخواسته که الگوریتم‌هایی را برای توصیه در مورد خرید مجدد توسعه دهد (خرید مجدد زمانی رخ می‌دهد که یک آیتم معین در فهرست فروش خوبی دارد و باید تعداد بیشتری از آن تهیه کنیم). الگوریتم‌های ما کمک می‌کنند که زودتر و دقیق‌تر از چنین الگوهایی باخبر شویم، بنابراین می‌توانیم انبارگردانی بهینه‌تری داشته و منتظر افزایش تقاضا باشیم. اخیراً این تیم رویکردی را برای رهگیری حرکت کارکنان داخل انبارها مطرح کرده تا بدین‌وسیله بدون تغییر چیدمان گران‌‌قیمت در فضای انبار، مسیر حرکتشان را بهینه‌سازی کند.

گاهی اوقات برای افراد سخت است که میزان تنیده شدن علم داده‌ها در فرهنگمان را تصور کنند. ما هم‌اکنون انواع مختلفی از الگوریتم‌ها را به کار می‌گیریم و در حال ساخت الگوریتم‌های بیشتری هستیم. البته توصیه‌های شخصی درباره‌ی پوشاک توسط یادگیری ماشینی هدایت می‌شوند. مدیریت فهرست کالا از الگوریتم بهره می‌گیرد تا هزینه‌های سرمایه‌ای را پایین نگه دارد، فهرست کالا سیال بماند و بازده تحویل کالا را حفظ کند. توسعه‌ی محصول از تعدادی الگوریتم ژنتیکی بهره گرفته تا «خصیصه‌های» موفق را در پوشاک بیابد. حتی استفاده از یادگیری ماشینی را برای طراحی پوشاک آغاز کرده‌ایم.

هایبرید دیزاینز که برند پوشاک داخل خانه‌ی ما است، در یک بعدازظهر بارانی و در زمانی زاده شد که چند متخصص داده درباره‌ی نحوه‌ی پر کردن خلأ محصولات در بازار فکر می‌کردند. مثلاً بسیاری از مشتریان خانم که در میانه‌های 40 سالگی خود قرار داشتند، از من درباره‌ی بلوزهای آستین‌کوتاه می‌پرسیدند، اما این سبک پوشاک در مجموعه کالاهای کنونی‌مان وجود نداشت. پس از گذشت یک سال، هم‌اکنون 29 آیتم برای خانم‌ها و سایز بزرگ‌ها داریم که به‌وسیله‌ی کامپیوتر طراحی شده‌اند و برخی از نیازهای ویژه و پیش‌تر برآورده‌نشده‌ی مشتریانمان را برآورده می‌کنند.

به نوعی دیگر و با استفاده از اندازه‌گیری داده‌ها، یک رویکرد کمّی را به صنعت مد اعمال می‌کنیم. ما چیزی بین 30 تا 100 داده را برای هر پوشاک رصد می‌کنیم که این تعداد به نوع پوشاک بستگی دارد و هم‌اکنون با توجه به تجربیات بیش از 2 میلیون مشتری فعالمان می‌دانیم که چه نوع پوشاکی باعث می‌شود مشتری بیشتر از معمول خرج کند. نسبت بهینه‌ی اندازه‌ی قفسه‌ی سینه به عرض پیراهن را برای آقایان می‌دانیم. با استفاده از تحلیل داده، فاصله‌ی میان یقه تا اولین دکمه‌ی پیراهن را برای آقایانی که قفسه‌ی سینه‌ی بزرگ دارند، تنظیم کرده‌ایم. می‌دانیم که چه درصدی از جامعه با درز 27 اینچی تناسب دارند و می‌توانیم انبار را بر اساس این درصد تنظیم کنیم.

اما از برخی جهات، این بخش ساده‌ی کارمان است. چالش واقعی داشتن لباس مناسب، در رنگ و اندازه‌ی مناسب و در زمان مناسب است. ریاضیاتِ پیرامون این موضوع پیچیده است. باید تمامی اندازه‌ها را در کنار سلیقه‌ی مشتری، فصل، موقعیت مکانی، الگوهای پیشین و غیره در نظر بگیریم – متغیرهای زیادی هستند.

باید متغیرهای زیادی را به‌حساب بیاوریم: اندازه‌ها، سلیقه‌ی مشتری، فصل، الگوهای پیشین.

 

اگر بخواهیم یک دلار در کمپانی سرمایه‌گذاری کنیم و ندانیم آن را به کدام‌یک از بخش‌های بازاریابی، محصول یا علم داده‌ها اختصاص بدهیم، همواره انتخاب ما علم داده‌ها خواهد بود. خیلی خوشحالیم که از ابتدا علم داده‌ها را در محوریت کارمان استفاده کردیم و برای متحول‌سازی خرده‌فروش‌های سنتی تلاش نکردیم، زیرا به نظرم چنین کاری جواب نمی‌داد. اگر یک خرده‌فروش سنتی بگوید «بیایید کاری که استیچ فیکس انجام داده را تکرار کنیم» چندان منطقی نیست و مثل این می‌ماند که من بگویم «دوست دارم همین الان قدبلندتر شوم».

افراد را فراموش نکنید. بخش تحلیل‌گرای وجود من عاشق رویکرد الگوریتمی‌ ما است. اما خرید ذاتاً یک فعالیت شخصی و انسانی است. به همین دلیل بر روی ترکیب داده‌ها با یک انسان متخصص مد اصرار داریم تا بتواند محصولاتی که الگوریتم ما پیشنهاد می‌دهد را تغییر دهد و روی آن نظارت داشته باشد. متخصصان مد ما سوابق گوناگونی در مباحث طراحی و خرده‌فروشی دارند، اما همگی قدر داده‌ها را می‌دانند و با مشتریانمان همدردی می‌کنند. در برخی چیزها، انسان‌ها خیلی بهتر از ماشین‌ها هستند – و احتمالاً همین برتری به مدت زیادی باقی خواهد ماند.

مثلاً وقتی مشتری یک درخواست بسیار ویژه را ثبت می‌کند و مثلاً درخواست «یک لباس عروسی در فضای آزاد در ماه ژوئیه» را می‌دهد، متخصصان مد ما بلافاصله متوجه می‌‎شوند که چه گزینه‌هایی برای این شرایط جواب می‌دهند. همچنین مشتریان ما غالباً جزئیات صمیمانه‌ای را درباره‌ی بارداری، یک کاهش وزن بزرگ یا یک فرصت شغلی جدید را با ما در میان می‌گذارند – تمامی این‌ها موقعیت‌هایی هستند که یک ماشین نمی‌تواند درک کند. اما متخصصان مد ما دقیقاً از میزان خاص بودن چنین لحظاتی در زندگی آگاه هستند و می‌توانند با سبک‌سنگین کردن، شمایل صحیح را انتخاب نمایند، با مشتریان ارتباط برقرار کنند و در زمان نیاز دست به بداهه‌پردازی بزنند. به همین دلیل وفاداری به برند ما بسیار افزایش می‌یابد.

ساده است: یک شخص خوب به‌علاوه‌ی یک الگوریتم خوب، عملکرد بسیار بهتری را از یک شخص یا یک الگوریتم تنها خواهند داشت. ما افراد و داده‌ها را در تقابل با یکدیگر نمی‌گذاریم. نیاز داریم که آن‌ها با هم کار کنند. ماشین‌ها را تعلیم نمی‌دهیم که رفتاری انسانی داشته باشند و قطعاً انسان‌ها را به سمت رفتاری ماشینی سوق نمی‌دهیم. و باید همگی ما – متخصص مد، متخصص داده، خودم – اعلام کنیم که جایزالخطا هستیم. همه‌ی ما گاهی اوقات اشتباه می‌کنیم – حتی الگوریتم. نکته‌ی مهم عبرت‌آموزی از این اشتباه است.


ترکیب و انطباق

استیچ فیکس از داده‌هایی استفاده می‌کند که مشتریان پشتیبانی می‌کنند – کار با یک «پروفایل سلیقه» آغاز می‌شود – همچنین مجموعه‌ای از الگوریتم‌ها برای دریافت واکنش‌هایشان دارد تا وارد بازار شود. انسان‌های متخصص مد (که به‌صورت الگوریتمی با مشتریان تطابق داده شده‌اند) هر جعبه‌ی حاوی 5 آیتم را پیش از ارسال مورد بازبینی و اصلاح قرار می‌دهند. مشتریان با پاسخ‌های مکتوب به 5 پرسش مربوط به هر آیتم واکنش نشان می‌دهند و نظراتشان را می‌گویند. این بازخورد در کنار سابقه‌ی خریدشان، به استیچ فیکس اجازه می‌‎دهد که انتخاب‌هایش را در گذر زمان بهبود دهد.

این صفحه نشان می‌دهد که چگونه الگوریتم و متخصص مد با همکاری یکدیگر اولین فیکس مشتری و دو انتخاب جایگزینش را برمی‌گزینند.

مدیرعامل استیچ فیکس درباره‌ی فروش سبک شخصی به بازار انبوه می‌گوید

این مقاله در شماره ی زیر منتشر شده است:

دیدگاه‌ها (1)

  1. بازاریابی محتوا

    سلام
    من در زمینه تولید محتوی ، بازاریابی و تبلیغات اینترنتی فعالیت می کنم
    همیشه و همیشه و همیشه
    یادتون باشه که یکی از عوامل مهمی که باعث میشه مطالب سایتتون زیاد بازدید بشه عنوان مطالبتونه
    اگه عنوان مطالبتون خوب و جذاب باشه قطعا روی لینک سایتتون بیشتر کلیک میکنن و درنتیجه اعتبار بیشتری پیش گوگل پیدا می کنین و طبعا گوگل هم شما رو به خیلیای دیگه معرفی میکنه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *