Как искусственный интеллект в паре с человеком-экспертом помогает стартапу Stitch Fix продавать одежду почти на $1 млрд в год

Руководитель шоппингового сервиса Stitch Fix Катрина Лейк рассказывает Harvard Business Review, как искусственный интеллект помогает ее компании подбирать одежду под вкусы клиентов. MC Today публикует адаптированный перевод материала.

В 2016 году Stitch Fix продала одежду на сумму 730 миллионов долларов, в 2017 году этот показатель возрос до 977 миллионов. У нас более двух миллионов активных покупателей в США, и мы работаем с более 700 брендами.

Бизнес-модель компании Stitch Fix проста: мы отправляем вам одежду и аксессуары, которые с нашей точки зрения вам понравятся. То, что захотите, вы оставляете себе, всё остальное же отправляете обратно. Достигать результата и выходить за привычные рамки традиционной и электронной торговли нам помогает искусственный интеллект.

Развивать рентабельный бизнес – задача не из простых. Мы работаем в индустрии моды – насыщенной и нестабильной. Некоторые магазины одежды стараются «подкупить» низкой ценой или супербыстрой доставкой, мы же выделяемся индивидуальным подходом к каждому нашему клиенту. Совершив заказ, вы получите от нас коробку с пятью наименованиями одежды и аксессуарами, которые мы подбирали специально для вас на основе информации из анкеты и отзывов.

Катрина Лейк, CEO Stitch Fix

Наша фишка в том, что мы никогда не навязываем своим покупателям ремешки, которые замечательно сочетаются с кофточкой, только что добавленной в корзину, не расхваливаем определённый бренд лишь потому, что они покупали его ранее, не используем шаблоны поиска, предполагая, что, возможно, вы ищете чёрное коктейльное платье – все эти действия не дают эффективной конверсии. Наоборот, мы делаем уникальную индивидуальную подборку на основе данных машинного обучения и оценок профессионалов.

У нас работают более 80 специалистов по анализу и обработке данных, большинство из которых имеют научные степени в таких областях, как математика, неврология, статистика и астрофизика.

Неклассическая история Долины

Мы далеки от классической модели стартапа из Кремниевой Долины, а я не считаю себя «многосерийным» предпринимателем: Stitch Fix – это моя первая компания. Я всегда восторгалась розничной торговлей и тем, что еще недавно она была «не тронута» современными технологиями.

Во время студенчества в Стэнфорде в начале 2000-х и на своей первой работе консультантом в Parthenon Group мне приходилось часто и плотно сотрудничать с розничными торговыми сетями и ресторанами. Мне нравились обе эти индустрии, но я всегда удивлялась, что они использовали одни и те же навыки и подходы, как и в 1970-х или даже в 1950-х, несмотря на то, что мир существенно изменился. Я хотела стать частью того будущего, когда они будут вынуждены адаптироваться к общественным и технологическим переменам.

Вот я и стала задумываться о том, как, например, спустя лет десять люди будут покупать себе джинсы? Я знала, что это совсем не будет похоже на традиционную модель: обойти десять разных магазинов и перемерять кучу пар штанов. Но я и не думала, что это будет похоже на сегодняшнюю модель электронной торговли: в браузере одновременно открыты 15 вкладок, пока вы не проверите все необходимые размеры и не сравните с тем, что предлагают другие магазины. В итоге, вы покупаете несколько пар и возвращаете те, которые не подошли.

Та часть меня, которая любит данные, всегда знала, что их можно использовать, применяя к одежде. В конце концов, модель и вкус – всего лишь набор атрибутов: объём талии, длина изделия, материал, цвет, вес, прочность в носке и сам покрой. Всё это и есть данные, с помощью которых (если их собрать достаточное количество), можно получить довольно хорошую «картинку» того, что именно хочет клиент.

Но та часть меня, которая любит одежду, распознала и исключительно человеческий фактор в шоппинге – то чувство, которое приходит, когда вы находите то, чего не ожидали найти, радуетесь тому, что вам это подходит и вписывается в ваш бюджет. Я увидела возможность совмещения этих двух элементов – данных и человеческого фактора – для того, чтобы создать новую модель покупки одежды.

Как мы начинали внедрять ИИ

Когда я только начинала, мой «искусственный интеллект» был элементарным. Я пользовалась SurveyMonkey и Google Docs вместе с некоторыми статистическими методами отслеживания предпочтений и старалась дать хорошие рекомендации. Вначале я действовала по большей части в качестве персонального стилиста, а порой даже сама лично доставляла коробки.

Но в моих планах было построение такой модели искусственного интеллекта, которая расширит масштабы бизнеса. Ведь сейчас наши рекомендации работают потому, что мы используем хорошие алгоритмы, а алгоритмы у нас хорошие потому, что искусственный интеллект лежит в основе нашей компании.

Три фактора, доказывающих, что машинное обучение – неотъемлемая часть рабочего процесса

1. Отчёты перед директором компании

Во многих компаниях отчёты об обработке данных приходят главному техническому директору (CTO), иногда – финансовому отделу. У нас же есть главный специалист по алгоритмам, Эрик Кольсон, который в том числе принимает решения по стратегическому развитию компании. Он пришёл к нам из компании Netflix в августе 2012 года; до этого он работал нашим консультантом.

Мы заинтересовали Эрика тем, что бросили ему вызов. Он вспоминает, как однажды в Netflix кто-то предложил: «А что, если мы просто начнём показывать фильм, который, как мы полагаем, может кому-то понравиться, когда человек откроет приложение?» Это казалось смелой, но в то же время рискованной идеей – действовать согласно одной только рекомендации. Но Эрик осознал, что это именно то, чем занимается Stitch Fix. Будучи нашим консультантом, он поймал себя на том, что провёл целый отпуск, «играя» с нашими данными. После этого он принял решение присоединиться к нашей команде – большая находка для маленького стартапа.

Именно потому, что наш доход зависим от рекомендаций, основанных на алгоритмах, нам кардинально важно, чтобы специалисты по обработке и анализу данных имели прямую связь с CEO компании. Мы также верим, что анализ данных настолько существенен, что, чем плотнее все другие отделы, например, маркетинговый или отдел разработки, взаимодействуют с отделом искусственного интеллекта, тем выше их потенциал.

2. Инновации – продукт искусственного интеллекта

Мы разработали массу алгоритмов, о которых никто никогда не просил, как, например, алгоритмы повторных покупок (когда определённая вещь хорошо продаётся, и нам нужно приобрести её в количестве, больше обычного). С помощью подобных алгоритмов мы узнаём об этом заранее и детальнее, поэтому всегда готовы к повышенному спросу.

Порой людям сложно понять, насколько сильно искусственный интеллект проник в нашу культуру. Несмотря на то, что мы уже пользуемся огромным количеством алгоритмов, мы разрабатываем их ещё и ещё. Самым настоящим вызовом для нас всегда было наличие нужного платья в нужном цвете и размере в нужное время. Такие вычисления непросты, так как здесь одновременно учитываются все нюансы: вкус клиента, время года, географическое положение, прошлые тренды – множество показателей.

Если нам предложат инвестиции и мы окажемся перед выбором, на что именно их распределить (маркетинг, сам продукт или же искусственный интеллект), мы без сомнений выберем искусственный интеллект.

3. Но не стоит забывать о людях!

Аналитическая часть меня любит наш подход на основании алгоритмов. Но шоппинг по своей сути – это человеческая деятельность. Вот поэтому мы настаиваем на комбинировании данных машинного обучения и стилиста – человека, который сможет внести изменения или вовсе аннулировать ассортимент, который предложил наш дизайнерский алгоритм. Люди в каких-то вещах лучше, чем машины – и так будет ещё долго.

Есть ситуации, когда запросы клиентов не могут до конца быть понятными машине. Например, иногда люди указывают какие-то личные подробности: беременность, слишком сильную потерю веса или же приближающуюся свадьбу. В отличие от машин, наши стилисты хорошо понимают, насколько важны подобные жизненные моменты, поэтому тщательно подбирают внешний вид клиента, импровизируя там, где это уместно. Это только повышает доверие к нам.

Всё просто: хороший профессионал плюс хороший алгоритм намного лучше самого лучшего профессионала или самого лучшего алгоритма по отдельности. Наш секрет заключается в том, что мы не сравниваем людей и данные – нам нужно, чтобы они работали в тандеме. Мы не стремимся к тому, чтобы машины работали наравне с людьми, как и наоборот – люди работали, как машины. Мы признаёмся, что всем нам свойственно ошибаться – стилистам, специалистам, мне. Все мы иногда бываем неправы, даже алгоритмы. Самое главное то, чтобы мы всё время продолжали учиться на своих ошибках.

***

Здесь мы рассказываем, что думаем о материалах и делимся личными историями: страницы редакторов Веры Черныш и Тимура Вороны в Facebook.

ПОДПИСАТЬСЯ НА TELEGRAM-КАНАЛ

1. «Чтобы создать такой бизнес, нужно вложить $600-900 тыс.»

2. «Метод кнута и пряника – тупик для бизнеса». HR-директор «Интертоп» – о мотивации персонала

3. Контекстная реклама в нашем случае не работает, но мы нашли выход. Как школа английского BigStep увеличила количество лидов на 40%