How Stitch Fix Turned Personal Style Into a Data Science Problem

En Stitch Fix nuestro modelo de negocio es sencillo: le enviamos ropa y accesorios que creemos que le gustarán; usted se queda con los artículos que quiere y devuelve los demás. Aprovechamos la ciencia de los datos para ofrecer una personalización a escala, que trascienda las experiencias minoristas tradicionales de comercio electrónico y físico. A los clientes les gusta que un estilista experto haga las compras por ellos y aprecian la comodidad y la sencillez del servicio.

Por supuesto, hacer que algo parezca simple y práctico para los consumidores y, al mismo tiempo, trabajar de forma rentable y a gran escala es complejo. Es aún más complejo en la industria minorista de moda, que está abarrotada, voluble y cambia rápidamente. Otros minoristas de ropa intentan diferenciarse por el precio más bajo o el envío más rápido; nosotros nos diferenciamos por la personalización. Cada envío de Fix, como lo llamamos, es una caja que contiene cinco prendas y accesorios que hemos elegido solo para usted. Esas elecciones se basan en la información que usted y millones de personas más nos han proporcionado: primero en un extenso cuestionario que rellena al registrarse y, luego, en los comentarios que envía después de cada envío.

Stitch Fix vendió ropa por valor de 730 millones de dólares en 2016 y 977 millones de dólares en 2017. El cien por cien de nuestros ingresos se debe directamente a nuestras recomendaciones, que son la base de nuestro negocio. Tenemos más de 2 millones de clientes activos en los Estados Unidos y contamos con más de 700 marcas. No le estamos vendiendo más cinturones que combinen con la blusa que acaba de añadir a su carrito, ni promocionamos una marca determinada porque la ha comprado antes, ni utilizamos patrones de navegación para intuir que puede que esté comprando un vestidito negro, todas actividades que tienen tasas de conversión bajas. En cambio, hacemos selecciones únicas y personales combinando los datos y el aprendizaje automático con el juicio humano experto.

Este artículo también aparece en:

• 

  Las 10 lecturas imprescindibles de HBR sobre la IA, la analítica y la nueva era de las máquinas

  Tecnología y operaciones LIBRO

  24.95

  View Details

La ciencia de datos no está entretejida en nuestra cultura; es nuestra cultura. Empezamos con eso en el centro del negocio, en lugar de añadirlo a una estructura organizativa tradicional, y construimos los algoritmos de la empresa en torno a nuestros clientes y sus necesidades. Empleamos a más de 80 científicos de datos, la mayoría de los cuales tienen doctorados en campos cuantitativos como las matemáticas, la neurociencia, la estadística y la astrofísica. La ciencia de datos depende directamente de mí y Stitch Fix no existiría sin la ciencia de datos. Es así de simple.

No es una historia de Valley

Estamos lejos de ser la típica empresa emergente de Silicon Valley. No me considero un emprendedor en serie: Stitch Fix es la primera empresa que fundé. Pero me fascinan las experiencias de venta minorista y lo intactas que estuvieron ante la tecnología moderna en el siglo XXI. Durante mis años de pregrado en Stanford, a principios de la década de 2000, y en mi primer trabajo, como consultor en el Grupo Parthenon, trabajé mucho con tiendas y restaurantes. Si bien me encantaban ambas industrias y lo importantes que eran para la gente, me intrigaba que siguieran ofreciendo fundamentalmente la misma experiencia que tuvieron en la década de 1970, o incluso en la década de 1950, a pesar de lo mucho que el mundo había cambiado. Me preguntaba cómo podrían adaptarse y quería formar parte de ese futuro.

Dejé el Partenón para convertirme en asociado en Leader Ventures, una firma de capital riesgo, justo cuando apareció el iPhone, en 2007. Aun así, estaba pensando en la venta minorista. Estudié la economía de Blockbuster durante el auge de Netflix. Por un lado, había una empresa que dominaba las ventas en tiendas físicas; por otro, una empresa que dominaba las ventas sin tiendas. Era el estudio de caso perfecto. Y pude ver exactamente cuando la balanza se inclinó. Cada vez que Netflix alcanzaba alrededor del 30% de cuota de mercado, la superproducción local cerraba. El 70% restante de los clientes se enfrentó entonces a una decisión: probar Netflix o viajar más lejos para ver películas. Más de ellos probaron Netflix, lo que ejerció más presión sobre Blockbuster. Otra tienda cerraría y más clientes se enfrentarían a la decisión de intentar viajar, en una espiral descendente.

Reconocí que otros minoristas podrían sufrir el destino de Blockbuster si no se replanteaban su estrategia. Por ejemplo, ¿cómo compraría alguien unos vaqueros dentro de 10 años? Sabía que no sería el modelo tradicional: ir a seis tiendas, sacar unos vaqueros de las estanterías y probárselos todos. Y tampoco pensé que se pareciera al modelo de comercio electrónico actual: tiene 15 pestañas abiertas en el navegador para comprobar las medidas de los productos y buscar lo que dicen los demás compradores. Luego compra varios pares y devuelve los que no caben.

La forma y el gusto son solo un montón de atributos. Todo son solo datos.

La parte de mí a la que le encantan los datos sabía que podían utilizarse para crear una mejor experiencia con la ropa. Al fin y al cabo, el ajuste y el gusto son solo un montón de atributos: cintura, entrepierna, material, color, peso, durabilidad y patrón. Todo son solo datos. Si colecciona lo suficiente, se hará una idea bastante clara de la ropa que quiere la gente.

Pero la parte de mí a la que le encanta la ropa reconoció el elemento humano en las compras: la sensación de encontrar algo que no se esperaba y deleitarse con el hecho de que se ajuste a usted y a su presupuesto. Vi la oportunidad de combinar esos dos elementos (los datos y la experiencia humana) para crear un nuevo modelo de compra de ropa.

¿Una mala idea?

Al principio no tenía previsto crear una empresa; iba a unirme a una empresa emergente que quería dedicarse a esta idea. En Leader, me reuní con cientos de emprendedores con la esperanza de que el correcto saliera adelante. Eso no ocurrió. Así que me matriculé en la Escuela de Negocios de Harvard para seguir mi camino empresarial reacio al riesgo. Utilicé esos dos años para planificar y lanzar mi empresa. Recibí una hoja de condiciones para fundar Stitch Fix en febrero de 2011; envié las primeras cajas Fix desde mi apartamento en abril y me gradué en mayo.

No mucha gente pensó que fuera una buena idea. Uno de mis profesores lo calificó de pesadilla de inventario. Quería ser dueño de todo el inventario para poder entender a fondo cada artículo y convertirlo en un montón de datos estructurados. En el comercio minorista, ser propietario de todo el inventario da miedo, y el profesor pensó que haría que mi estrategia fuera intensiva en capital y arriesgada. Pero, en última instancia, la estrategia era correcta. Utilizar los datos para entender mejor lo que quiere la gente nos permite entregar el inventario más rápido que muchos minoristas convencionales, ya que podemos comprar lo correcto y dárselo a las personas adecuadas. Vender inventario lo suficientemente rápido como para pagar a los vendedores con el efectivo de los clientes resulta ser un modelo muy eficiente en términos de capital.

Este artículo también aparece en:

• 

  Las 10 lecturas imprescindibles de HBR en 2020

  Liderazgo y gestión de personas Libro

  24.95

  View Details

Luego estaban los escépticos capitalistas de riesgo. Yo vendría a las reuniones de presentación con una caja de ropa y una tarjeta personalizada del estilista. Recuerdo que en una reunión, un inversor de capital riesgo dijo en los primeros cinco minutos: «No entiendo por qué alguien querría recibir algo así». Agradezco su honestidad. A muchos de ellos no les entusiasmaban los almacenes llenos de ropa. Otros estaban desconcertados por el hecho de que contratáramos a estilistas humanos a los que se les pagaba por hora, una idea muy poco empresarial en una época en la que todo giraba en torno a la automatización y las aplicaciones. A pesar de nuestro éxito inicial, las conversaciones sobre la financiación de la Serie B tuvieron una respuesta tibia. «Creo que es fantástico, su equipo es increíble y su negocio funciona», me dijo un inversor de capital riesgo. «Pero puedo elegir una o dos tablas al año y quiero elegir aquellas con las que me sienta conectado. No me apasionan la venta minorista o los vestidos de mujer».

Mezclar y combinar

Stitch Fix utiliza los datos que los clientes proporcionan (empezando por un «perfil de estilo») y un

…

Eso es justo y frustrante. Resulta que el 87% de los empleados, el 35% de los científicos de datos y el 32% de los ingenieros de Stitch Fix son mujeres. Más del 90% de los capitalistas de riesgo son hombres y me pareció que la dinámica de género de la industria iba en nuestra contra. Al final, lo que no nos mató nos hizo más fuertes, porque nos obligó a centrarnos en la rentabilidad y la eficiencia del capital. Desde entonces, hemos utilizado el dinero de nuestras operaciones para lanzar nuevos negocios, como ropa de hombre y tallas grandes para mujer.

Por último, estaba la propia industria. Al hacer que los ingresos dependieran de las recomendaciones de moda, había elegido una de las tareas más difíciles del aprendizaje automático. Incluso a las personas que piensan que no son exigentes con la ropa que llevan puesta, de hecho, les importa. Ajuste, estilo, material: son cosas que nos importan a todos. Es un negocio con matices. Eso lo hace especialmente interesante, pero también más difícil. Al principio, los grupos focales afirmaron que simplemente no creían que pudiéramos elegir la ropa que les gustara. Decían: «¿Cómo funcionará? No cabe nada».

La idea de pagarnos una cuota de estilismo de 20 dólares por adelantado, que se acreditará a su compra si se queda con algo, también hizo una pausa. Los participantes de los grupos focales se preguntaban: «¿Por qué pagaría 20 dólares si no puedo elegir nada?» Necesitábamos que los clientes confiaran en que querrían quedarse con los artículos. Y ha resultado ser cierto, gracias a la ciencia de datos.

Introduzca los algoritmos

Cuando empecé, mi «ciencia de datos» era rudimentaria. Utilicé SurveyMonkey y Google Docs junto con algunos métodos estadísticos para hacer un seguimiento de las preferencias e intentar hacer buenas recomendaciones. Al principio, actuaba básicamente como estilista personal. A veces incluso entregué una caja de reparación en persona. Pero mi plan siempre fue crear una operación de ciencia de datos que hiciera que la empresa fuera escalable. Nuestras recomendaciones funcionan porque nuestros algoritmos son buenos, pero nuestros algoritmos son buenos porque la ciencia de datos sustenta a la empresa.

Tres cosas hacen que el aprendizaje automático sea integral:

La ciencia de datos informa al CEO.

En la mayoría de las empresas, la ciencia de datos depende del CTO, como parte del equipo de ingeniería o, a veces, incluso de finanzas. Aquí es independiente y tenemos un director de algoritmos, Eric Colson, que tiene un asiento en la mesa de estrategia. Eric llegó de Netflix en agosto de 2012. Antes de eso, fue nuestro asesor. Se interesó por nuestra empresa porque representaba un desafío. En Netflix, recuerda que alguien dijo: «¿Y si acabamos de empezar a reproducir una película que creemos que le gustará a alguien cuando abra la aplicación?» Me pareció una idea audaz pero arriesgada: hacer todo lo posible por una sola recomendación. Se dio cuenta de que eso es lo que hace Stitch Fix. Como asesor, se encontró pasando unas vacaciones jugando con algunos de nuestros datos. Decidió unirse a nosotros a tiempo completo, un gran golpe para una pequeña start-up.

Los algoritmos nos ayudan a ver las tendencias antes; podemos almacenar el inventario de manera más eficiente.

Como nuestros ingresos dependen de las excelentes recomendaciones de nuestros algoritmos, es aún más importante que nuestros científicos de datos tengan una línea directa con el CEO. También creemos que envía un mensaje a la organización en su conjunto sobre nuestros valores y nuestro enfoque de la estrategia: la ciencia de los datos es muy importante y otros equipos, como el de marketing y la ingeniería, aumentarán sus capacidades colaborando estrechamente con nuestro equipo de ciencia de datos.

La innovación se logra mediante la ciencia de datos.

Hemos desarrollado docenas de algoritmos que nadie ha pedido nunca, porque permitimos a nuestro equipo de ciencia de datos crear nuevas soluciones y determinar si tienen potencial. Nadie pidió explícitamente al equipo que desarrollara algoritmos para hacer recomendaciones de recompra, por ejemplo. (Las recompras se producen cuando un artículo determinado del inventario se vende bien y necesitamos adquirir más). Nuestros algoritmos nos ayudan a ver estas tendencias antes y con mayor precisión, de forma que podemos almacenar el inventario de manera más eficiente y prepararnos para los picos de demanda. Hace poco, el equipo ideó una forma de rastrear los movimientos de los empleados en nuestros almacenes y creó un algoritmo que podría ayudar a optimizar las rutas sin tener que volver a mapear los espacios a medida que cambian.

Debemos tener en cuenta las medidas, los gustos del cliente, la temporada y las tendencias pasadas.

A veces a la gente le cuesta imaginarse lo profundamente arraigada que está la ciencia de datos en nuestra cultura. Ahora utilizamos muchos tipos de algoritmos y estamos creando muchos más. Las recomendaciones personalizadas de ropa, por supuesto, se basan en el aprendizaje automático. La gestión logística y del inventario utilizan algoritmos para mantener bajos los costes de capital, el movimiento del inventario y las entregas eficientes. El desarrollo de productos ha adaptado algunos algoritmos de la genética para encontrar «rasgos» de éxito en la ropa. Incluso hemos empezado a utilizar el aprendizaje automático para diseñar prendas.

Hybrid Designs, nuestra marca de ropa interna, nació una tarde lluviosa cuando un par de científicos de datos estaban pensando en cómo cubrir las brechas de productos en el mercado. Por ejemplo, muchas clientas de unos 40 años pedían blusas con mangas con capucha, pero ese estilo no aparecía en nuestro inventario actual. Pasemos un año y tenemos 29 prendas de vestir para mujer y tallas grandes que se diseñaron por ordenador y que satisfacen algunas necesidades específicas que antes no se satisfacían de nuestros clientes.

Otra forma de aplicar un enfoque cuantitativo a la moda es con los datos de medición. Hacemos un seguimiento de entre 30 y 100 medidas de una prenda, según el tipo de que sea, y ahora sabemos, gracias a las experiencias de más de 2 millones de clientes activos, qué tipo de ajuste haría que un cliente gastara fuera de su zona de confort. Conocemos la relación óptima entre la talla del pecho y el ancho de la camisa en una camisa de hombre. Mediante el análisis de datos, ajustamos la distancia desde el cuello hasta el primer botón de las camisas para hombres con pechos grandes. Sabemos qué proporción de la población se ajusta a una entrepierna de 27 pulgadas y podemos abastecernos según esa proporción.

Pero en cierto modo, esa es la parte fácil. El verdadero desafío es tener el vestido correcto en el color y la talla correctos en el momento adecuado. Las matemáticas en torno a eso son complejas. Debemos tener en cuenta todas las medidas, además del gusto del cliente, la estación, la ubicación, las tendencias pasadas, muchas variables.

Con un dólar para invertir en la empresa y la opción de utilizarlo en marketing, productos o ciencia de datos, casi siempre elegimos la ciencia de datos. Nos alegra haber empezado con la ciencia de datos como base, en lugar de intentar transformar un minorista tradicional, lo que creo que no habría funcionado. Que un minorista tradicional dijera: «Hagamos lo que hace Stitch Fix» sería como si dijera: «Ahora me gustaría ser más alto».

No olvide a la gente.

A la parte analítica de mí le encanta nuestro enfoque algorítmico. Pero ir de compras es intrínsecamente una actividad personal y humana. Por eso insistimos en combinar los datos con un estilista humano que pueda modificar o anular la gama de productos que ofrece nuestro algoritmo de estilismo. Nuestros estilistas tienen una amplia experiencia en diseño y venta minorista, pero todos aprecian los datos y sienten amor y empatía por nuestros clientes. Los humanos son mucho mejores que las máquinas en algunas cosas, y es probable que sigan así durante mucho tiempo.

Por ejemplo, cuando un cliente escribe con una solicitud muy específica, como «Necesito un vestido para una boda al aire libre en julio», nuestros estilistas saben inmediatamente qué opciones de vestido podrían funcionar para ese evento. Además, nuestros clientes suelen compartir detalles íntimos de un embarazo, una pérdida de peso importante o una nueva oportunidad laboral, todas ocasiones cuya importancia una máquina no puede entender del todo. Pero nuestros estilistas saben exactamente lo especiales que son esos momentos de la vida y pueden hacer todo lo posible para seleccionar el look adecuado, conectar con los clientes e improvisar cuando sea necesario. Eso crea una increíble lealtad a la marca.

Es simple: una buena persona más un buen algoritmo es muy superior a la mejor persona o al mejor algoritmo por sí solo. No estamos enfrentando a las personas y los datos entre sí. Necesitamos que trabajen juntos. No estamos entrenando a las máquinas para que se comporten como humanos y, desde luego, no estamos entrenando a los humanos para que se comporten como máquinas. Y todos tenemos que reconocer que somos falibles: el estilista, el científico de datos, yo. Todos nos equivocamos a veces, incluso el algoritmo. Lo importante es que sigamos aprendiendo de eso.