在购物时，你是否有这样的烦恼：要么不想去逛街，没那么多时间;要么商场中的衣服虽然很多，但是中意的没有几件;又或者干脆选择在线购物，可以盯着屏幕眼都花了，合心意合身的衣服没有几件，而且效果不知如何……
这可怎么办呢?有没有一种可以快速购买到合适的衣服的方法呢?
我们生活在互联网越来越发达的今天，很多问题都能够从计算机，从网络中，从大量的数据信息中找到答案。一家美国的公司Stitch Fix，实现通过数据科学和造型师结合来为用户挑选商品，并送货到家免费试用。那么，Stitch Fix是如何做到为用户精准快速的推荐商品的呢?
在WOT2016移动互联网技术峰会上，Stitch Fix数据科学总监/前Twitter美国总部技术主管王建强的精彩演讲中，介绍了美国下一代购物方式的领头羊stitch fix的商业模式，Stitch fix颠覆传统服装零售业固有的实体店经营的模式，剔除购物中用户往往最头疼的”选择难”的环节。
【讲师简介】
Stitch Fix数据科学总监/前Twitter美国总部技术主管 王建强
王建强，中科大管理科学学士，2008年获 Iowa State University统计学博士。曾任科罗拉多州立大学(Colorado State University)统计系客座教授，美国国家统计院(National Institute of Statistical Sciences)和美国农业部的联合培养的博士后，惠普研究院(Hewlett-Packard Labs)担任高级科学家，推特广告组数据科学家。现任stitch fix数据科学总监。有多年数据分析及建模经验，涉及领域有需求预测，供应链管理，广告点击率预测，广告排序，推荐算法，统计预测模型。对数据科学教育，互联网广告和新兴的零售业模式有兴趣。
通过Stitch Fix的商业模式看下一代购物方式
2010年10月，Katrina Lake创办了Stitch Fix。Stitch Fix是一个在线个性化服装推荐公司，目前拥有上千位业余造型师，他们一般都有比较丰富的时尚界工作经验，为用户量身打造衣服。目前，Stitch Fix的产品主要是服装类的，除了衣服还有饰品，最近又新增了女鞋和孕妇装以及超小号。未来，Stitch Fix还将增加男装。
Stitch Fix的工作模式是怎样的呢?作为一名新客户，注册时要填写个人资料，主要包括：身材、买衣服的颜色偏好、喜欢衣服的种类、以及所能承受的衣服的价位。Stitch Fix根据这些资料，通过推荐算法与造型师结合的方式，帮用户挑选五件衣服，并将衣服寄往用户家里，用户可以试穿后决定买哪些衣服，免费退回哪些衣服。Stitch Fix主要面对的客户群主要为没有时间购物的用户，喜欢新样式的衣服的用户，以及追求时尚的人群。
这里有两大创新：一是，通过基于推荐的电子商务，购物时无需自己浏览挑选衣服。而仅需填写一份资料，Stitch Fix就能自动为您挑选衣服。二是，Stitch Fix在提供服务的时候是通过数据科学或者推荐算法跟造型师结合的方式。
Stitch Fix的四大服务方式
Stitch Fix目前提供的服务方式主要有四大类：订阅式服务、及时请求服务、基于造型师与用户关系的服务以及延迟性服务。最普通的服务模式是订阅式服务和及时请求服务两种方式。用户选择订阅式服务后，用户可以每个月或者每个季度收到一盒衣服;选择及时请求服务，需要先注册个人资料，有需求时发送请求即可。
此外，Stitch Fix对于基于关系的和有延迟的两种服务。Stitch Fix主要是想致力于做基于造型师与用户关系的服务，通过用户跟造型师建立依赖关系，可以更新对用户的了解，以此增强用户的粘度。而延迟性服务是指接收到用户请求后，经过造型师推荐、仓库管理，订单配送等环节后，约7-10天后将衣服送至 用户手中。用户在service的时候需要交20块钱styling fee，如果不买任何衣服就要支付20块钱styling fee，如果是买一件以上衣服这20块钱styling fee可以付到衣服里面，另外如果五件衣服全买有七五折。
如何通过数据科学和造型师结合来为用户挑选衣服?
第一步：根据用户提供的信息进行首轮筛选，剔除用户不喜欢的颜色，不喜欢的样式，最终符合每个用户需求的衣服大概5000-7000件。
第二步：根据算法进行筛选推荐，挑选一批匹配度较高的衣服，约为50-100件。
第三步：将第二步中筛选出的衣服交给造型师，由造型师进行精细的筛选。
我们这里首先着重说说算法推荐，算法推荐的本质是一个计算用户和衣服匹配的过程。通过用户数据以及商品数据，对每个用户和每件商品计算匹配度。
用户数据：主要包含结构化数据和非结构化数据。结构化数据是指静态的用户数据和用户行为数据，非结构化数据是指用户填写请求，填写的商品评价等信息。
商品数据：对于衣服来说，主要对其进行特征分类。常见的特征主要包含三类，分别是：衣服的颜色，衣服的图案，衣服的材质。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。
有了用户数据和商品数据，通过推荐系统来实现推荐商品的功能。这里常见的算法有：逻辑回归、Elastic net、协同滤波、Factorization machine、LDA(Latent Dirichlet Allocation)，NLP和computer vision等。
那么，如何计算用户和衣服的匹配度呢?
因为用户数据中包含用户请求等非结构化数据，对于这些数据的处理离不开人，因为在这方面人远强于机器。所以，Stitch Fix设计了人机交互系统。在这个系统里是靠推荐算法跟造型师结合起来进行推荐的，算法有比较强的计算能力。有一个用户Style rainbow，有一个商品Style rainbow，比如要算这两个rainbow之间的预先距离，普通人是很难在短时间内算出这两个rainbow之间的预先距离，但是计算机可以很容易做到。另外，造型师在推荐的时候一般会看之前给用户推荐过哪些衣服，尽量避开跟以前衣服比较类似的。所以，这时可以用计算机来实现，筛选掉一些跟过去推荐的非常类似的衣服。
另外，算法还可以从大规模数据中寻找规律。比如针对某个年龄层，某个收入阶层的用户，他们一般喜欢什么样的风格，而这个造型师虽然可能会有一些直觉，但是他的直觉不一定是有数据支撑的。所以，在有了数据跟算法后，可以纠正他一些直觉上的错误。这些有经验的造型师会根据直觉进行推荐，例如他看到30岁的用户住在MN，身材尺寸是多少，他脑袋里面就会浮现出一幅图，可以立马想到库存里面的一些衣服，可能会跟这个用户比较匹配，这方面其实是个人的一些直觉，这个很难用一些简单的model来model。另外，造型师也可以与用户建立个人关系，增加用户的黏性。
注：本文由王建强于2016年8月，在WOT2016移动互联网技术峰会主会场《Stitch Fix -- 数据科学+造型师颠覆传统服装零售业购物方式》主题演讲整理而成。WOT2016大数据峰会将于2016年11月25-26日在北京粤财JW万豪酒店召开，届时，数十位大数据领域一线专家、数据技术先行者将齐聚现场，在围绕机器学习、实时计算、系统架构、NoSQL技术实践等前沿技术话题展开深度交流和沟通探讨的同时，分享大数据领域最新实践和最热门的行业应用。了解WOT2016大数据技术峰会更多信息，请登陆大会官网：http://wot.51cto.com/2016bigdata/
