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.
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.
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.
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.
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.
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.
«Метод кнута и пряника – тупик для бизнеса». HR-директор «Интертоп» – о мотивации персонала
Контекстная реклама в нашем случае не работает, но мы нашли выход. Как школа английского BigStep увеличила количество лидов на 40%
Кровать — громоздкий элемент интерьера даже в просторной спальне. Но что, если помещение совсем небольшое,…
Украинские PR-агентства реализуют масштабные информационные кампании для бизнеса и придают мощный голос социальным проектам, которые…
Power BI (Business Intelligence) Microsoft – это не просто платформа для анализа данных, а ключевой…
Лас-Вегас — один из самых узнаваемых городов на планете, который ежегодно манит к себе миллионы…
Из-за широкомасштабного вторжения россии в Украине было введено военное положение и объявлена мобилизация. Военнообязанным мужчинам…
«Вижу цель – не вижу препятствий». Знакомая фраза? Часто ею руководствуются кандидаты, ищущие работу мечты.…