El CEO de Stitch Fix habla sobre la venta de estilo personal al mercado de masas

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 personalización a escala, trascendiendo las experiencias minoristas tradicionales de Tiendas físicas y comercio electrónico. A los clientes les gusta que un estilista experto haga las compras por ellos y aprecian la comodidad y sencillez del servicio. Por supuesto, hacer que algo parezca sencillo y cómodo para los consumidores al tiempo que funciona de forma rentable y a escala es complejo. Es aún más complejo en la industria minorista de la moda, que está abarrotada, es voluble y cambia rápidamente. Otros minoristas de ropa intentan diferenciarse mediante el precio más bajo o el envío más rápido; nosotros nos diferenciamos mediante la personalización. Cada envío Fix, como nosotros lo llamamos, es una caja que contiene cinco prendas y accesorios que hemos elegido sólo para usted. Esas elecciones se basan en la información que usted y millones de otras personas nos han proporcionado: primero en un extenso cuestionario que rellena cuando se inscribe, y luego en los comentarios que nos proporciona después de cada envío. Stitch Fix vendió ropa por valor de 730 millones de dólares en 2016 y por valor de 977 millones de dólares en 2017. El cien por cien de nuestros ingresos procede directamente de nuestras recomendaciones, que son el núcleo de nuestro negocio. Tenemos más de 2 millones de clientes activos en Estados Unidos y contamos con más de 700 marcas. No le vendemos cinturones a juego con la blusa que acaba de añadir a su cesta, ni le promocionamos una marca determinada porque ya la ha comprado antes, ni utilizamos patrones de navegación para intuir que podría estar comprando un vestidito negro, actividades todas ellas que tienen bajas tasas de conversión. En su lugar, hacemos selecciones únicas y personales combinando datos y aprendizaje automático con el juicio humano experto. Este artículo también aparece en: Las 10 lecturas obligadas de HBR sobre IA, analítica y la nueva era de las máquinas Tecnología y Operaciones LIBRO 24,95 Añadir a la cesta Guardar Compartir La ciencia de los datos no está entretejida en nuestra cultura; es nuestra cultura. Empezamos con ella en el corazón del negocio, en lugar de añadirla 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 son doctores 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. Así de sencillo. No es una historia del valle Estamos lejos del prototipo de start-up de Silicon Valley. No me considero un emprendedor en serie: Stitch Fix es la primera empresa que lanzo. Pero me fascinan las experiencias de venta al por menor y lo poco que han sido tocadas por la tecnología moderna en el siglo XXI. Durante mis años de licenciatura en Stanford, a principios de la década de 2000, y en mi primer trabajo, como consultora en el Parthenon Group, trabajé mucho con minoristas y restaurantes. Aunque me encantaban ambas industrias y lo significativas que eran para la gente, me intrigaba que siguieran proporcionando fundamentalmente la misma experiencia que en los años 70 -o incluso en los 50- a pesar de lo mucho que había cambiado el mundo. Me preguntaba cómo podrían adaptarse, y yo quería formar parte de ese futuro. Dejé Parthenon para convertirme en asociado de Leader Ventures, una empresa de capital riesgo, justo cuando apareció el iPhone, en 2007. Aun así, seguía pensando en el comercio minorista. Estudié la economía de Blockbuster durante el auge de Netflix. Por un lado estaba una empresa que dominaba las ventas en tiendas físicas; por otro, una empresa que dominaba las ventas sin tiendas. Era el caso de estudio perfecto. Y pude ver exactamente cuándo se inclinó la balanza. Cada vez que Netflix alcanzaba alrededor del 30% de cuota de mercado, el Blockbuster local cerraba. El 70% restante de los clientes se enfrentaba entonces a una decisión: probar Netflix o viajar más lejos para conseguir películas. Más de ellos probaron Netflix, ejerciendo más presión sobre Blockbuster. Otra tienda cerraría, y más clientes se enfrentarían a esa decisión de probar o 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 pares de vaqueros de los estantes, probárselos todos. Y tampoco pensé que se parecería al modelo actual de comercio electrónico: Tiene 15 pestañas abiertas en su navegador mientras comprueba las medidas de los productos y busca lo que dicen otros compradores. Luego compra varios pares y devuelve los que no le quedan bien. El ajuste y el gusto no son más que un montón de atributos. Todo son 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 no son más que un puñado de atributos: cintura, entrepierna, material, color, peso, durabilidad y estampado. Todo son datos. Si recopila los suficientes, obtendrá una imagen bastante buena de la ropa que quiere la gente. Pero la parte de mí que ama la ropa reconoció el elemento humano de las compras: la sensación de encontrar algo que no esperabas y deleitarte con el hecho de que se ajuste a ti y a tu presupuesto. Vi una oportunidad de combinar esos dos elementos -datos y experiencia humana- para crear un nuevo modelo de compra de ropa. ¿Una mala idea? Al principio no pensaba crear una empresa; iba a unirme a una start-up que quería perseguir esta idea. En Leader, me reuní con cientos de empresarios, esperando que surgiera el adecuado. Eso no ocurrió. Así que me matriculé en la Harvard Business School para seguir mi camino de aversión al riesgo hacia el espíritu empresarial. Utilicé esos dos años para planificar y lanzar mi empresa. Recibí una hoja de términos para financiar 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 era una buena idea. Uno de mis profesores lo llamó una pesadilla de inventario. Quería ser dueña de todo el inventario para poder entender en profundidad cada artículo y convertirlo en un montón de datos estructurados. En el comercio minorista, poseer todo el inventario da miedo, y el profesor pensaba que eso haría que mi estrategia requiriera mucho capital y fuera arriesgada. Pero al final la estrategia fue acertada. Utilizar los datos para comprender mejor lo que quiere la gente nos permite dar la vuelta al inventario más rápido que muchos minoristas convencionales, porque podemos comprar las cosas adecuadas y hacerlas llegar a las personas adecuadas. Vender el inventario lo suficientemente rápido como para pagar a los proveedores con el efectivo de los clientes resulta ser un modelo muy eficiente desde el punto de vista del capital. Este artículo también aparece en: Las 10 lecturas obligadas de HBR para 2020 Liderazgo y gestión de personas Libro 24.95 Añadir a la cesta Ahorre Compartir Luego estaban los escépticos capitalistas de riesgo. Yo acudía a las reuniones de pitch con una caja de ropa y una tarjeta personalizada del estilista. Recuerdo que en una reunión, un VC dijo en los primeros cinco minutos: "Simplemente no entiendo por qué alguien querría recibir algo así". Agradecí su sinceridad. A muchos de ellos no les entusiasmaban los almacenes llenos de ropa. A otros les desconcertaba que empleáramos estilistas humanos a los que se pagaba por hora, una idea muy poco VC 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 financiación de serie B obtuvieron una respuesta tibia. "Creo que eres genial, que tu equipo es increíble y que tu negocio funciona", me dijo un VC. "Pero puedo elegir uno o dos consejos al año, y quiero elegir aquellos con los que me sienta conectado. No puedo apasionarme por el comercio minorista o los vestidos de mujer". Mezclar y combinar Stitch Fix utiliza los datos que suministran las clientas -empezando por un "perfil de estilo"- y un conjunto de algoritmos para captar sus reacciones ante la mercancía. Estilistas humanos (emparejados algorítmicamente con los clientes) revisan y corrigen cada caja de cinco artículos antes de enviarla por correo. Los clientes responden por escrito a cinco preguntas de la encuesta sobre cada artículo, junto con sus comentarios. Esos comentarios, junto con el historial de compras, permiten a Stitch Fix mejorar sus selecciones a lo largo del tiempo. Esta muestra ilustra cómo el algoritmo y el estilista juntos pueden elegir el primer Fix de un cliente y dos sucesivos. Eso es justo-y frustrante. 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 sentí que la dinámica de género de la industria estaba trabajando 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 efectivo de nuestras operaciones para lanzar nuevos negocios, incluyendo ropa para 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 para el aprendizaje automático. Incluso a las personas que creen que no tienen criterio sobre la ropa que llevan, de hecho les importa. El ajuste, el estilo, el material... a todos nos importan. Es un negocio lleno de matices. Eso lo hace especialmente interesante, pero también más difícil. Al principio, los grupos de discusión afirmaban que no creían que pudiéramos elegir ropa que les gustara. Decían: "¿Cómo va a funcionar? Nada les quedará bien". La idea de pagarnos 20 dólares por adelantado en concepto de estilismo, que se abonarían a su compra si se quedaban con algo, también daba que pensar. Los participantes en los grupos de discusión preguntaban: "¿Por qué iba a pagar 20 dólares si no puedo elegir nada?". Necesitábamos que los clientes confiaran en que querrían quedarse con los artículos. Y eso ha resultado ser cierto gracias a la ciencia de los datos. Introduzca los algoritmos Cuando empecé, mi "ciencia de datos" era rudimentaria. Utilizaba SurveyMonkey y Google Docs junto con algunos métodos estadísticos para rastrear las preferencias e intentar hacer buenas recomendaciones. Al principio, actuaba esencialmente como estilista personal. A veces incluso entregaba una caja Fix en persona. Pero mi plan siempre fue construir una operación de ciencia de datos que hiciera que el negocio fuera escalable. Nuestras recomendaciones funcionan porque nuestros algoritmos son buenos, pero nuestros algoritmos son buenos porque la ciencia de datos sustenta la empresa. Tres cosas hacen que el aprendizaje automático sea integral: La ciencia de datos depende del CEO. En la mayoría de las empresas, la ciencia de datos informa al director técnico, como parte del equipo de ingeniería, o a veces incluso a finanzas. Aquí está separada, y tenemos un jefe 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 asesor nuestro. Se interesó por nuestra empresa porque presentaba un reto. En Netflix, recuerda, alguien dijo: "¿Y si empezamos a reproducir una película que pensamos que le gustará a alguien cuando abra la aplicación?". Parecía una idea audaz pero arriesgada: apostar todo a 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 antes las tendencias; podemos abastecer el inventario de forma más eficiente. Dado que nuestros ingresos dependen de las excelentes recomendaciones de nuestros algoritmos, es aún más crucial que nuestros científicos de datos tengan línea directa con el CEO. También creemos que envía un mensaje al conjunto de la organización sobre nuestros valores y nuestro enfoque de la estrategia: La ciencia de datos es extremadamente importante, y otros equipos, como los de marketing e ingeniería, aumentarán sus capacidades asociándose estrechamente con nuestro equipo de ciencia de datos. La innovación la hace la ciencia de datos. Hemos desarrollado docenas de algoritmos que nadie nos pidió, 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 determinado artículo del inventario se está vendiendo bien y necesitamos adquirir más cantidad). Nuestros algoritmos nos ayudan a ver estas tendencias antes y con mayor precisión, de modo que podemos abastecer el inventario de forma más eficiente y estar preparados para los picos de demanda. Hace poco, el equipo ideó una forma de seguir los movimientos de los empleados en nuestros almacenes y creó un algoritmo que podía ayudar a optimizar las rutas sin tener que volver a trazar costosamente los espacios a medida que cambian. Debemos tener en cuenta las medidas, los gustos del cliente, la temporada, las tendencias pasadas. A veces resulta difícil para la gente imaginar lo profundamente arraigada que está la ciencia de datos en nuestra cultura. Ahora utilizamos muchos tipos de algoritmos, y estamos construyendo muchos más. Las recomendaciones personalizadas de ropa, por supuesto, están impulsadas por el aprendizaje automático. El cumplimiento y la gestión de inventarios utilizan algoritmos para mantener bajos los costes de capital, el inventario en movimiento 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 ropa. Hybrid Designs, nuestra marca de ropa interna, cobró vida una tarde lluviosa en la que un par de científicos de datos pensaban en cómo llenar las lagunas de productos en el mercado. Por ejemplo, muchas clientas de unos 40 años nos pedían blusas de manga casquillo, pero ese estilo faltaba en nuestro inventario actual. Un año más tarde, tenemos 29 prendas para mujer y tallas grandes diseñadas por ordenador que satisfacen algunas necesidades específicas de nuestras clientas que antes no estaban cubiertas. Otra forma en la que aplicamos un enfoque cuantitativo a la moda es con los datos de las medidas. Hacemos un seguimiento de entre 30 y 100 medidas de una prenda, dependiendo del tipo que sea, y ahora sabemos -a partir de 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 el tamaño del pecho y la anchura 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 los hombres de pecho grande. Sabemos qué proporción de la población se ajusta a una entrepierna de 27 pulgadas, y podemos abastecernos en función de esa proporción. Pero, en cierto modo, ésa es la parte fácil. El verdadero reto es tener el vestido adecuado en el color adecuado y la talla adecuada en el momento adecuado. Las matemáticas en torno a eso son complejas. Hay que tener en cuenta todas las medidas más el gusto de la clienta, la temporada, el lugar, las tendencias pasadas... un montón de variables. Si nos dieran un dólar para invertir en la empresa y la opción de utilizarlo en marketing, producto o ciencia de datos, casi siempre elegiríamos la ciencia de datos. Nos alegramos de haber empezado con la ciencia de datos en nuestro núcleo en lugar de intentar transformar un minorista tradicional, que creo que no habría funcionado. Que un minorista tradicional dijera: "Hagamos lo que hace Stitch Fix" sería como si yo dijera: "Ahora me gustaría ser más alto". No olvide a las personas. 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 alterar o anular el surtido de productos que ha proporcionado nuestro algoritmo de estilismo. Nuestros estilistas proceden de diversos ámbitos del diseño y la venta al por menor, 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 siéndolo durante mucho tiempo. Por ejemplo, cuando una clienta nos escribe con una petición muy específica, como "necesito un vestido para una boda al aire libre en julio", nuestras estilistas saben inmediatamente qué opciones de vestido podrían funcionar para ese evento. Además, nuestras clientas a menudo comparten detalles íntimos de un embarazo, una pérdida de peso importante o una nueva oportunidad laboral, todas ellas ocasiones cuya importancia una máquina no puede comprender del todo. Pero nuestros estilistas saben exactamente lo especiales que son esos momentos de la vida y pueden ir más allá para confeccionar el look adecuado, conectar con las clientas e improvisar cuando es necesario. Eso crea una increíble lealtad a la marca. Es muy sencillo: Una buena persona más un buen algoritmo es muy superior a la mejor persona o al mejor algoritmo por sí solos. No enfrentamos a personas y datos. 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 ello.

El CEO de Stitch Fix habla sobre la venta de estilo personal al mercado de masas

Resumen.

Partner Center