CEO da Stitch Fix fala sobre a venda de estilo pessoal para o mercado de massa

Na Stitch Fix, nosso modelo de negócios é simples: Nós lhe enviamos roupas e acessórios que achamos que vai gostar; o senhor fica com os itens que quer e devolve os outros. Aproveitamos a ciência de dados para oferecer personalização em escala, transcendendo as experiências tradicionais de varejo em lojas físicas e de comércio eletrônico. Os clientes gostam de ter um estilista especializado fazendo compras para eles e apreciam a conveniência e a simplicidade do serviço. É claro que é complexo fazer com que algo pareça simples e conveniente para os consumidores e, ao mesmo tempo, trabalhar de forma lucrativa e em escala. A TI é ainda mais complexa no setor de varejo de moda, que é concorrido, inconstante e muda rapidamente. Outros varejistas de vestuário tentam se diferenciar pelo preço mais baixo ou pelo envio mais rápido; nós nos diferenciamos pela personalização. Cada remessa Fix, como a chamamos, é uma caixa contendo cinco itens de vestuário e acessórios que escolhemos apenas para o senhor. Essas escolhas são baseadas nas informações que a senhora e milhões de outras pessoas nos forneceram - primeiro em um extenso questionário que a senhora preenche quando se inscreve e, depois, no feedback que fornece após cada remessa. A Stitch Fix vendeu roupas no valor de US$ 730 milhões em 2016 e US$ 977 milhões em 2017. Cem por cento de nossa receita resulta diretamente de nossas recomendações, que são o núcleo de nosso negócio. Temos mais de 2 milhões de clientes ativos nos Estados Unidos e vendemos mais de 700 marcas. Não estamos vendendo cintos que combinam com a blusa que a senhora acabou de adicionar ao carrinho, nem promovendo uma determinada marca porque a senhora já a comprou antes, nem usando padrões de navegação para intuir que a senhora pode estar comprando um vestidinho preto - todas atividades que têm baixas taxas de conversão. Em vez disso, fazemos seleções exclusivas e pessoais combinando dados e aprendizado de máquina com julgamento humano especializado. Este artigo também aparece em: HBR's 10 Must Reads on AI, Analytics, and the New Machine Age (10 leituras obrigatórias da HBR sobre IA, análise e a nova era das máquinas) Tecnologia e Operações LIVRO 24.95 Adicionar ao carrinho Salvar Compartilhe A ciência de dados não está inserida em nossa cultura; ela é nossa cultura. Começamos com a TI no centro dos negócios, em vez de adicioná-la a uma estrutura organizacional tradicional, e criamos os algoritmos da empresa em torno de nossos clientes e de suas necessidades. Empregamos mais de 80 cientistas de dados, a maioria deles com doutorado em áreas quantitativas, como matemática, neurociência, estatística e astrofísica. A ciência de dados se reporta diretamente a mim, e a Stitch Fix não existiria sem a ciência de dados. É simples assim. Não é uma história do Vale Estamos longe de ser o protótipo de start-up do Vale do Silício. Não me considero um empreendedor em série: A Stitch Fix é a primeira empresa que lancei. Mas sou fascinado por experiências de varejo e como elas não foram tocadas pela tecnologia moderna no século XXI. Durante meus anos de graduação em Stanford, no início dos anos 2000, e em meu primeiro emprego, como consultor no Parthenon Group, trabalhei muito com varejistas e restaurantes. Embora eu adorasse os dois setores e o quanto eles eram significativos para as pessoas, fiquei intrigado com o fato de que eles ainda proporcionavam fundamentalmente a mesma experiência que tinham na década de 1970 - ou mesmo na década de 1950 - apesar de o mundo ter mudado muito. Eu me perguntava como eles poderiam se adaptar e queria fazer parte desse futuro. Deixei a Parthenon e me tornei associado da Leader Ventures, uma empresa de capital de risco, exatamente quando o iPhone surgiu, em 2007. Ainda assim, eu estava pensando no varejo. Estudei a economia da Blockbuster durante a ascensão da Netflix. De um lado estava uma empresa que dominava as vendas em lojas físicas; do outro, uma empresa que dominava as vendas sem lojas. Era o estudo de caso perfeito. E eu podia ver exatamente quando a balança se inclinava. Sempre que a Netflix atingia cerca de 30% de participação no mercado, a Blockbuster local fechava. Os 70% restantes dos clientes se deparavam com uma decisão: experimentar a Netflix ou ir mais longe para comprar filmes. Um número maior de clientes experimentou a Netflix, colocando mais pressão sobre a Blockbuster. Outra loja fecharia e mais clientes enfrentariam essa decisão de tentar ou viajar, em uma espiral descendente. Reconheci que outros varejistas poderiam ter o mesmo destino da Blockbuster se não repensassem sua estratégia. Por exemplo, como alguém compraria jeans daqui a 10 anos? Eu sabia que não seria o modelo tradicional: ir a seis lojas, tirar pares de jeans das prateleiras, experimentar todos eles. E também não achei que seria parecido com o modelo atual de comércio eletrônico: O senhor tem 15 guias abertas no seu navegador enquanto verifica as medidas do produto e procura o que os outros compradores estão dizendo. Depois, o senhor compra vários pares e devolve os que não lhe servem. Ajuste e gosto são apenas um conjunto de atributos. Tudo isso são apenas dados. A parte de mim que adora dados sabia que eles poderiam ser usados para criar uma experiência melhor com vestuário. Afinal de contas, ajuste e gosto são apenas um conjunto de atributos: cintura, costura interna, material, cor, peso, durabilidade e padrão. Tudo isso são apenas dados. Se o senhor coletar dados suficientes, terá uma boa ideia das roupas que as pessoas querem. Mas a parte de mim que adora roupas reconheceu o elemento humano nas compras - a sensação de encontrar algo que não esperava e de se deliciar com o fato de que ele se encaixa no seu orçamento. Vi uma oportunidade de combinar esses dois elementos - dados e experiência humana - para criar um novo modelo de compra de roupas. Uma ideia ruim? No início, eu não planejava abrir uma empresa; eu ia me juntar a uma start-up que queria seguir essa ideia. Na Leader, eu me reuni com centenas de empreendedores, esperando que o senhor encontrasse a pessoa certa. Isso não aconteceu. Então, me matriculei na Harvard Business School para seguir meu caminho de empreendedorismo avesso a riscos. Usei esses dois anos para planejar e lançar minha empresa. Recebi um termo de compromisso para financiar a Stitch Fix em fevereiro de 2011; enviei as primeiras caixas da Stitch Fix do meu apartamento em abril; e me formei em maio. Poucas pessoas acharam que era uma boa ideia. Um dos meus professores a chamou de pesadelo de estoque. Eu queria ter todo o estoque para poder entender profundamente cada item e transformá-lo em uma grande quantidade de dados estruturados. No varejo, possuir todo o estoque é assustador, e o professor achava que isso tornaria minha estratégia arriscada e de capital intensivo. Mas, no final das contas, a estratégia estava certa. O uso de dados para entender melhor o que as pessoas querem nos permite aumentar o estoque mais rapidamente do que muitos varejistas convencionais fazem, porque podemos comprar as coisas certas e levá-las às pessoas certas. Vender o estoque com rapidez suficiente para pagar os fornecedores com o dinheiro dos clientes acaba sendo um modelo muito eficiente em termos de capital. Este artigo também aparece em: HBR's 10 Must Reads 2020 Livro Liderança e Gestão de Pessoas 24.95 Adicionar ao carrinho Salvar Compartilhe Depois, havia os céticos capitalistas de risco. Eu ia às reuniões de apresentação com uma caixa de roupas e um cartão personalizado do estilista. Lembro-me de que, em uma reunião, um VC disse nos primeiros cinco minutos: "Eu simplesmente não entendo por que alguém iria querer receber algo assim". Apreciei sua honestidade. Muitos deles não estavam entusiasmados com os armazéns cheios de roupas. Outros ficaram perplexos com o fato de empregarmos estilistas humanos que eram pagos por hora - uma ideia muito pouco VC em uma época em que tudo girava em torno de automação e aplicativos. Apesar de nosso sucesso inicial, as conversas sobre financiamento da Série B tiveram uma resposta morna. "Acho que o senhor é ótimo, sua equipe é incrível e seu negócio está funcionando", disse-me um VC. "Mas posso escolher uma ou duas diretorias por ano e quero escolher aquelas com as quais me sinto conectado. Não consigo me apaixonar por varejo ou vestidos femininos." Misturar e combinar A Stitch Fix usa dados fornecidos pelos clientes - começando com um "perfil de estilo" - e um conjunto de algoritmos para capturar suas reações às mercadorias. Estilistas humanos (combinados algoritmicamente com os clientes) analisam e revisam cada caixa de cinco itens antes de serem enviados pelo correio. Os clientes respondem por escrito a cinco perguntas da pesquisa sobre cada item, juntamente com comentários. Esse feedback, juntamente com o histórico de compras, permite que a Stitch Fix aprimore suas escolhas ao longo do tempo. Esta exposição ilustra como o algoritmo e o estilista, juntos, podem escolher o primeiro Fix de um cliente e dois sucessivos. Isso é justo - e frustrante. Por acaso, 87% dos funcionários, 35% dos cientistas de dados e 32% dos engenheiros da Stitch Fix são mulheres. Mais de 90% dos capitalistas de risco são homens, e senti que a dinâmica de gênero do setor estava trabalhando contra nós. No final, o que não nos matou nos fortaleceu, porque nos forçou a focar na lucratividade e na eficiência do capital. Desde então, usamos o dinheiro de nossas operações para lançar novos negócios, incluindo vestuário masculino e tamanhos grandes para mulheres. Por fim, havia o próprio setor. Ao tornar a receita dependente das recomendações de moda, eu havia escolhido uma das tarefas mais difíceis para o aprendizado de máquina. Até mesmo as pessoas que acham que não têm discernimento sobre as roupas que usam, na verdade, se importam. Ajuste, estilo, material - tudo isso é importante para todos nós. É um negócio cheio de nuances. Isso o torna especialmente interessante, mas também mais difícil. No início, os grupos de foco afirmaram que simplesmente não acreditavam que pudéssemos escolher roupas que eles gostassem. Eles diziam: "Como isso vai funcionar? Nada vai servir". A ideia de nos pagar uma taxa de estilo de US$ 20 antecipadamente, creditada na sua compra se o senhor ficasse com alguma coisa, também causou dúvidas. Os participantes dos grupos de discussão perguntavam: "Por que eu pagaria US$ 20 se não posso escolher nada?" Precisávamos que os clientes confiassem que iriam querer ficar com os itens. E isso acabou sendo verdade, graças à ciência de dados. Entre nos algoritmos Quando comecei, minha "ciência de dados" era rudimentar. Eu usava o SurveyMonkey e o Google Docs junto com alguns métodos estatísticos para rastrear preferências e tentar fazer boas recomendações. No início, eu atuava basicamente como um personal stylist. Às vezes, eu até entregava uma caixa da Fix pessoalmente. Mas meu plano sempre foi criar uma operação de ciência de dados que tornasse o negócio escalável. Nossas recomendações funcionam porque nossos algoritmos são bons, mas nossos algoritmos são bons porque a ciência de dados é a base da empresa. Três coisas tornam o aprendizado de máquina integral: A ciência de dados se reporta ao CEO. Na maioria das empresas, a ciência de dados se reporta ao CTO, como parte da equipe de engenharia ou, às vezes, até mesmo ao departamento financeiro. Aqui, ela é separada, e temos um diretor de algoritmos, Eric Colson, que tem um lugar na mesa de estratégias. Eric veio da Netflix em agosto de 2012. Antes disso, ele era nosso consultor. Ele se interessou pela nossa empresa porque ela apresentava um desafio. Na Netflix, ele se lembra, alguém disse: "E se começássemos a reproduzir um filme que achamos que alguém vai gostar quando abrir o aplicativo?" Parecia uma ideia ousada, mas arriscada - apostar tudo em apenas uma recomendação. Ele percebeu que é isso que a Stitch Fix faz. Como consultor, ele se viu passando férias brincando com alguns de nossos dados. Ele decidiu se juntar a nós em tempo integral - um grande golpe para uma pequena start-up. Os algoritmos nos ajudam a ver as tendências mais cedo; podemos estocar o estoque com mais eficiência. Como nossa receita depende de ótimas recomendações de nossos algoritmos, é ainda mais crucial que nossos cientistas de dados tenham uma linha direta com o CEO. Também acreditamos que isso envia uma mensagem à organização como um todo sobre nossos valores e nossa abordagem à estratégia: A ciência de dados é extremamente importante, e outras equipes, como as de marketing e engenharia, aumentarão suas capacidades por meio de parcerias estreitas com nossa equipe de ciência de dados. A inovação é feita pela ciência de dados. Desenvolvemos dezenas de algoritmos que ninguém pediu, porque permitimos que nossa equipe de ciência de dados crie novas soluções e determine se elas têm potencial. Ninguém pediu explicitamente que a equipe desenvolvesse algoritmos para fazer recomendações de recompra, por exemplo. (As recompras acontecem quando um determinado item do estoque está vendendo bem e precisamos adquirir mais). Nossos algoritmos nos ajudam a ver essas tendências mais cedo e com mais precisão, para que possamos estocar o estoque com mais eficiência e estar prontos para picos de demanda. Recentemente, a equipe encontrou uma maneira de rastrear os movimentos dos funcionários em nossos armazéns e criou um algoritmo que poderia ajudar a otimizar as rotas sem o dispendioso remapeamento dos espaços à medida que eles mudam. Precisamos levar em conta as medidas, o gosto do cliente, a estação do ano, as tendências passadas. Às vezes, é difícil para as pessoas imaginarem como a ciência de dados está profundamente enraizada em nossa cultura. Atualmente, usamos muitos tipos de algoritmos e estamos criando muitos outros. As recomendações personalizadas de roupas, é claro, são orientadas pelo aprendizado de máquina. O atendimento e o gerenciamento de estoque usam algoritmos para manter os custos de capital baixos, o estoque em movimento e as entregas eficientes. O desenvolvimento de produtos adaptou alguns algoritmos da genética para encontrar "traços" de sucesso nas roupas. Começamos até a usar o aprendizado de máquina para projetar roupas. A Hybrid Designs, nossa marca interna de roupas, surgiu em uma tarde chuvosa, quando alguns cientistas de dados estavam pensando em como preencher as lacunas de produtos no mercado. Por exemplo, muitas clientes do sexo feminino, na faixa dos 40 anos, estavam pedindo blusas de mangas curtas, mas esse estilo não estava presente em nosso estoque atual. Passado um ano, temos 29 itens de vestuário para mulheres e tamanhos grandes que foram projetados por computador e atendem a algumas necessidades específicas e não atendidas anteriormente de nossos clientes. Outra maneira de aplicarmos uma abordagem quantitativa à moda é com os dados de medição. Rastreamos de 30 a 100 medidas em uma peça de roupa, dependendo do tipo, e agora sabemos - com base nas experiências de mais de 2 milhões de clientes ativos - que tipo de ajuste faria um cliente gastar fora de sua zona de conforto. Conhecemos o índice ideal entre o tamanho do peito e a largura da camisa em uma camisa masculina. Usando a análise de dados, ajustamos a distância do colarinho até o primeiro botão das camisas para homens com peito grande. Sabemos qual proporção da população se encaixa em uma costura interna de 27 polegadas e podemos estocar de acordo com essa proporção. Mas, de certa forma, essa é a parte mais fácil. O verdadeiro desafio é ter o vestido certo, na cor certa e no tamanho certo, no momento certo. A matemática em torno disso é complexa. Devemos levar em conta todas as medidas, além do gosto do cliente, a estação, o local, as tendências passadas - muitas variáveis. Se o senhor tivesse um dólar para investir na empresa e a opção de usá-lo em marketing, produtos ou ciência de dados, quase sempre escolheríamos a ciência de dados. Estamos satisfeitos por termos começado com a ciência de dados em nossa essência, em vez de tentarmos transformar um varejista tradicional, o que, acredito, não teria funcionado. Para um varejista tradicional, dizer: "Vamos fazer o que a Stitch Fix faz" seria como se eu dissesse: "Gostaria de ser mais alto agora". Não se esqueça das pessoas. A parte analítica de mim adora nossa abordagem algorítmica. Mas fazer compras é inerentemente uma atividade pessoal e humana. É por isso que insistimos em combinar dados com um estilista humano que pode alterar ou substituir a variedade de produtos que nosso algoritmo de estilo forneceu. Nossos estilistas têm diversas formações em design e varejo, mas todos eles apreciam os dados e sentem amor e empatia por nossos clientes. Os seres humanos são muito melhores do que as máquinas em algumas coisas - e é provável que continuem assim por muito tempo. Por exemplo, quando um cliente escreve com uma solicitação muito específica, como "Preciso de um vestido para um casamento ao ar livre em julho", nossos estilistas sabem imediatamente quais opções de vestidos podem funcionar para esse evento. Além disso, nossas clientes geralmente compartilham detalhes íntimos de uma gravidez, uma grande perda de peso ou uma nova oportunidade de emprego - todas ocasiões cuja importância uma máquina não consegue entender completamente. Mas nossos estilistas sabem exatamente como esses momentos da vida são especiais e podem ir além para criar o visual certo, conectar-se com as clientes e improvisar quando necessário. Isso cria uma incrível fidelidade à marca. A TI é simples: Uma boa pessoa mais um bom algoritmo é muito superior à melhor pessoa ou ao melhor algoritmo sozinho. Não estamos colocando pessoas e dados uns contra os outros. Precisamos que eles trabalhem juntos. Não estamos treinando máquinas para se comportarem como humanos, e certamente não estamos treinando humanos para se comportarem como máquinas. E todos nós precisamos reconhecer que somos falíveis - o estilista, o cientista de dados, eu. Todos nós erramos às vezes, até mesmo o algoritmo. O importante é que continuemos aprendendo com isso.

CEO da Stitch Fix fala sobre a venda de estilo pessoal para o mercado de massa

Resumo.

Partner Center