【51CTO.com原創稿件】近日，由51CTO主辦的WOTA全球架構與運維技術峰會在北京富力萬麗酒店圓滿閉幕，筆者在峰會現場對來自美國購物平臺Stitch Fix的數據科學總監王建強進行了專訪，主題主要圍繞數據驅動的決策輔助與產品智能化展開。

[[189267]]

王建強· Stitch Fix數據科學總監

問及經歷，才知道他曾于Twitter就職，負責廣告推薦算法相關工作。對于為什么放棄大企業而選擇初創公司，他這樣回答：大公司跟小公司其實各有優劣，一般在大公司工作待遇會好生活穩定，但同時大公司就不像小公司有那么多的挑戰，在大公司可能會做比較局限于某一塊的工作。但是你如果到小公司的話，個人會有更大的發展空間。

Stitch Fix的商業模式和業務流程

王建強表示，加入Stitch Fix，主要因素是欣賞Stitch Fix的商業模式。Stitch Fix商業模式和Netflix早期的商業模式很相似，約2004、2005年Netflix商業模式主要是用戶可以在網上建一個隊列，自己想看的電影，建這樣一個隊列以后，Netflix會把電影寄到用戶的家來。Stitch Fix也是采用直郵的模式，只不過它是電商+直郵+推薦。

Stitch Fix是一個在線個性化服裝推薦公司。用戶注冊后，系統會推薦一些衣服寄到家里，用戶根據自己的興趣偏好決定要不要購買這些衣服。Stitch Fix主要解決用戶的購物痛點，如在我們生活中大部分人都非常忙碌，沒有時間上街購物。有些用戶可能想發掘新的穿著偏好，或是一些穿搭的體會，另外還有很多追隨時尚潮流的人，想試用一下這樣的場景。公司有三百左右的全職員工，還有近兩千的兼職造型師。公司會提供造型師平臺，以便于這些人隨時隨地工作，每周工作十小時以上即可。

Stitch Fix的業務模式

當問及Stitch Fix的業務模式，王建強表示，從用戶的方面看，用戶需要填寫個人風格問卷，問卷會涉及購買衣服時會考慮到的常規問題，如顏色、價格、尺寸等等。Stitch Fix會搜集用戶個人風格問卷，通過算法和造型師建議結合起來進行推薦。之后，用戶會收到五件不同的衣服，可在方便的地方試穿及與其他衣服搭配，喜歡留下來，不喜歡退回。

從Stitch Fix角度看，需要做三件事情：其一，當用戶發來需求，看哪個倉庫能滿足需求的同時還要考慮運費，投遞時間等。其二，做用戶和造型師匹配。這些會考慮到交易歷史和用戶給造型師打分等。其三，是做人貨匹配，可以理解為是比較傳統的機器學習算法。

Stitch Fix的參考特征和推薦算法

王建強表示，基于現有的業務模式，主要參考用戶特征、產品特征以及歷史交易數據。用戶特征包括問卷特征，這里值得一提的是，Stitch Fix在收集用戶信息時，會用一個相對較長的文件調查收集用戶在購物時方方面面的信息且用戶也很愿意分享自己的信息，區別于一些社交網絡，如在微博這種社交網站上，用戶對于暴露隱私這件事很介意。相反Stitch Fix這樣一個購物平臺，用戶會覺得如告知Stitch Fix更多個人信息了，就可做更精準推薦。故某種程度上，Stitch Fix跟用戶出發點是一致的，所以可得到更高質量，更多數量的用戶偏好數據。產品特征就是通過深度神經網絡學習得到的特征，把每一個產品的圖片放到深度神經網絡里，然后生產的一些進程，對每一件產品的進程可以計算產品相似度矩陣，這樣一來，就可做一些接近推薦。

在算法方面，Stitch Fix主要是在開源庫的基礎上自研，這樣的模式比較像臉書。Stitch Fix開發了關于推薦方面的很多算法，如基于邏輯回歸、分類樹、還有基于Factorization Machine，就是把協同過濾跟基于特征的建模結合在一起，且factorization machine可處理稀疏的特征，還有一些比較稠密的特征，所以說相當于是二合一的模型。

人機協同 1+1>2

人和貨匹配時采用的是人機協同的方式，不是純粹靠機器算法，也不是純粹靠人工。首先用算法做一個掃描，對大量的庫存數據進行篩選并排序，解決人工面對海量庫存耗時篩選的難點。其次，可從試穿環節找到模式，如發現某一類衣服可能深受某個年齡段用戶的鐘愛。同時做數據降噪，如不同造型師挑選會有差異，導致系統質量很難保證，這就要通過算法做進一步篩選，從某種程度上保證大家***挑選衣服的質量。

寫在***：

購物平臺不可缺的就是快遞方面的建設， 王建強表示，在美國快遞業，物流這一塊相對來說會更簡單一些，Stitch Fix給用戶寄包裹，主要通過美國郵政，只要跟美國郵政合作就好。但在中國，因快遞平臺比較分散，碎片化比較嚴重，如果Stitch Fix在中國拓展業務的話，它勢必跟不同的快遞公司合作，這個合作系統上的接軌就會出現一些挑戰。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】