這家服裝電商早就用盲盒營銷的手法，玩轉了KOC。

導讀

DTC——Direct-To-Consumer（譯：直面消費者），作為一種新興的商業模式，是指品牌的商品直接銷售給消費者，包括消費者的需求也可以直接傳遞給品牌方的全新商業模式。

目前，歐美等國家的DTC品牌成長速度驚人，據互聯網女皇《2018 Internet Trends》報告，美國 DTC 新品牌在3-5 年內就迅速做到 1 億年收入規模。國內對此也有不少預測聲音，認為在未來 5-10 年，中國市場大概率會複製類似的發展路徑。

為此，時趣將推出系列文章分析國外成功的DTC品牌，分享他們的商業模式與營銷方式。

人類的生活已經越來越智能化、個性化，比如電商網站通過用戶購物車、瀏覽和搜索偏好為用戶個性化推薦商品，新聞資訊和社交媒體平臺幫用戶自動篩選感興趣的內容，以及點評網站推薦餐廳、導航系統優化路線等等，機器學習算法正在悄然改變人類的生活。

這種機器算法也出現在了服裝行業，正在改變人們的穿衣搭配。Stitch Fix是美國一家DTC品牌，以機器學習算法和設計造型師結合的個性化服裝電商平臺。通過算法和設計造型師幫助消費者選擇服飾，以數據驅動服裝服務，簡化用戶決策，提升用戶購物體驗。

2010年前後，DTC模式開始從現象成為常態，美國互動廣告局IAB把這一年作為 DTC元年。Stitch Fix成立於2011年美國舊金山，正是國外DTC品牌興起之年。初創時期，品牌提出a new way shop，重新定義了購物體驗。同時，品牌將目標消費者鎖定在女性群體，用戶只需要在官網註冊賬戶，並根據問卷提示，提交消費者的尺寸和風格等相關偏好數據。

品牌再通過AI算法進行數據學習，並結合專業設計造型師的搭配建議，專門為用戶挑選5個服飾盒子，從偏好和專業搭配角度，給到用戶意料之外的服飾推薦。用戶可以從5個盒子中挑選中意的服飾，為其付費，不合適的可以退回。此時，算法會根據用戶的挑選結果再進行學習，不斷迭代優化算法模型，來提升推薦準確性。

目前，Stitch Fix 已經將服務類別拓展到男裝、童裝，並且為品牌的購買會員提供直接購買服務“Shop Your Look”，會員可以通過瀏覽官網搭配的服飾直接進行下單，購買服裝。

據不完全統計，目前，Stitch Fix擁有320萬客戶，在2018財年的收入為12億美元，利潤為4500萬美元。在2019年公司拓展新業務投入較多資金時，收入仍保持增長達到16億美元，利潤為3690萬美元，並且有投資機構為該公司的估值達到30億美元，這表明所有AI數據科學和個性化服務都正在獲得回報。

產品聚焦於個性化服務

隨著AI機器算法的精進，未來，越來越多的品牌只是為少部分消費族群服務。同時，值得品牌註意的是，未來不可避免的是個性化將成為品牌生死存亡的命脈。

Stitch Fix創始人兼首席執行官卡特裡娜·萊克(Katrina Lake)在一次採訪談到，如果一個人沒有收到他喜歡的東西，他就會停止使用Stitch Fix。對於品牌而言，沒有任何選擇，只能專註於數據，留住用戶。

這意味著Stitch Fix必須通過不斷收集、積累用戶反饋的反饋數據，不斷把算法模型調教好，讓它更符合用戶興趣偏好，幫助用戶感知他想要的東西。所以，品牌一直重視在機器算法學習上的投入和挖掘，該企業的董事會中技術人員占比35%，Netflix數據科學與工程副總裁埃里克·科爾森（Eric Colson）於2012年加入，並擔任其首席算法官。

從人員占比和人才招聘不難看出，算法驅動著Stitch Fix的一舉一動。可見，數據算法是其核心產品服務，是塑造品牌價值的核心。

那麼，Stitch Fix是如何利用算法打造個性化服務優勢的？

（1）用戶註冊後沉澱基礎數據

用戶在網站成功註冊賬戶後，需要填寫Stitch Fix預先設定的問卷調查，填寫完畢後會為每個用戶創建一個人數據檔案，用來記錄該用戶所有數據更新、變動，比如每次用戶收到fix盒子後的反饋信息。

（2）不斷積累數據，優化算法模型

數據科學的重點在於數據量的積累，越多的數據可以勾勒出更全面的事實概貌，尋找到真實，同時也降低誤差，提升算法推薦的準確性，減少用戶流失率。

為了積累更多用戶風格偏好的數據，Stitch Fix開發了一款基於IOS環境下的程序APP Style Shuffle，用戶打開軟件後會收到服飾搭配評分邀請，用戶可以每天為一套服裝搭配圖片進行評分。據瞭解該品牌290萬客戶中有超過75％的用戶使用了它，為公司提供了超過10億的評分數據。

這款程序它不僅可以用來訓練算法模型，瞭解用戶的個人風格傾向，提高推薦準確性；同時還能吸引用戶回到Stitch Fix，提升其個性化的產品能力，影響用戶打開率和回購率。

（3）以用戶數據反饋，迭代個性化服務

與此同時，Stitch Fix不斷提升其個性化服務的能力。比如，當用戶退還為其搭配的襯衫後，設計造型師團隊會根據用戶反饋和數據結果，意識到用戶希望襯衫可以掩蓋腹部，胸部和袖口可以更寬鬆。在調整這些尺寸後，該團隊自行設計自己的服裝，以填補市場空缺，創造出可預見的高利潤率和購買率的商品。

另外，品牌也會征求客戶反饋意見並精確衡量銷售服裝各個維度，根據用戶需求反饋，預測用戶對品牌潮流的關註和喜好度，來擴大服裝品牌類別。從而實現其大規模提供個性化樣式的能力，將目標消費群體從富有人群擴展到中等水平的人群。

品牌基於不斷的數據積累、優化，再通過人腦+專業設計造型師，逐漸完善Stitch Fix的推薦準確性。這和奈飛的算法推薦有點類似，奈飛算法的優勢在於對用戶愛好理解得更深，結合用戶喜好和內容種類，為內容和用戶打標簽，再根據不同用戶喜歡的內容來進行匹配、引導，並且很大可能是為用戶帶來意料之外的驚喜，該品牌也是如此。

但不同的是，奈飛的商業模式是依靠小眾、晦澀電影，電視節目的長尾效應來推動需求，這些電影和節目的成本很低，它一般不推薦大片，因為會員訂閱費可能有限，但奈飛的推薦是很成功的，點播量均有提升。Stitch Fix是重視用戶偏好，所有推薦的出發點在於伴隨客戶成長生命周期，服務客戶，挖掘客戶終身價值，實現客戶”長尾效應“。

在Stitch Fix的數字化、個性化產品服務能力下，該品牌在營銷上也延用了這種風格，專註、極簡和個性化。

（1）專註社交營銷，多渠道鏈接

DTC品牌都有一個明顯的特點就是品牌官網網站的營銷角色占比很重，Stitch Fix主要以官網為基礎，提供產品服務和咨詢，展示品牌動態和服裝搭配風格，以此作為品牌的主要流量入口，洞察和跟蹤用戶變化數據。

另外，DTC是指直接面向消費者，意味著品牌需要多渠道連接消費者，Stitch Fix 運營了Facebook、Insgram、YouTube等社交媒體，同時創始人Lake在Facebook上非常活躍，也起到了社交營銷的作用，但最終都是鏈接到官網，就像開放了無數條河流小溪，最終都會流向大海一樣。

以Facebook為例，如果用戶身邊朋友有發佈有關內容，基於Facebook算法，很大程度上你會收到相關推薦；另外，如果用戶主動搜索進入Stitch Fix會看到以下這個好評推薦，吸引用戶繼續瀏覽相關信息。

在YouTube上會分享不同場合下，如何搭配服飾的短視頻，展示品牌的專業造型能力和品牌審美，以視頻圖像形式，更具場景感觸動消費者關註和體驗。

（2）重口碑營銷，發揮KOC價值

相對於在數據算法領域的重視和投入，該品牌在營銷上投入會更加謹慎，更加重視營銷信息的有效性，傾向於口碑營銷，通過客戶購買評論而觸動其他消費者，讓潛在客戶被口碑打動，儘量避免狂轟亂炸式的營銷信息對用戶的打擾。而這一點和Yotpo的一份研究較為契合，調查研究顯示，約98%的受訪者表示，客戶評論是購買DTC品牌過程中最重要的一個因素。

以Facebook和YouTube為例，品牌會從個性化推薦、用戶Aha時刻和個性化服務三個方面，向用戶展示產品的優勢，觸動用戶自來水似的推薦，發揮KOC營銷價值，來引導其他用戶的關註和下單。

在YouTube上可以看到關於Stitch Fix的話題，均是用戶主動分享“開箱體驗“，獲得不少網友的點擊量和互動。通過用戶以開箱體驗，高級盲盒的玩法，也提升了圍觀消費者的好奇指數，提升訂購量。

（3）個性化營銷，展示品牌關懷

另外，依靠Stitch Fix的數據算法優勢，個性化營銷也更具優勢，品牌會瞭解到用戶最近的生活狀態，給予用戶適當的品牌關懷，創造了超消費者預期的購物體驗。

Stitch Fix之所以被消費者追捧的原因在於其機器學習算法，可以為用戶提供個性化服務。但品牌也正在面對傳統服裝行業和現代電子商務的雙重夾擊，比如服裝業瘋狂打折、零售商平臺狂轟亂炸式推薦。

當然，該品牌也有自身需要關註和解決的三大問題：如何拓展客戶群體、維持用戶粘性以及提升數據推薦準確性。或許，品牌下一步將是利用AI數據算法指導商業競爭決策，加快數字化決策進程。

文章參考：

《Stitch Fix Is Diving Deep Into Data for a More Tailored Experience It Hopes Can Stand Up to Amazon | Fortune》；

《Stitch Fix App Becomes ‘Stickily Addictive》；

《My personal shopper》.

本文由 @時趣 原創發佈於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議。