大咖直播：数据驱动的产品决策和智能化

主题一是数据和产品的结合。本文以Stitch Fix为例，阐述了数据科学如何渗透到产品的不同环节。

Stitch Fix是一家数据驱动的电子商务公司，面向新的服装零售。它致力于帮助用户找到适合自己的风格。它主要为那些没有时间去购物，不擅长穿着和试穿，想要追求时尚和其他特征的用户群服务。

缝合修复所有销售来自推荐，这是盲盒模式。用户在收到产品之前没有预览过，这意味着他们需要猜测用户喜欢哪些衣服。如果你猜错了，它会消耗造型师服务和双向物流的真正金钱和白银成本，所以对准确性的要求非常高。

如下图所示，从普通用户的角度来看，使用缝合修复主要分为三个步骤。

Set.1用于回答个人风格问卷。之后，你会收到五件相配的衣服。试穿之后，你会留下你喜欢的，免费归还你不喜欢的。

Stitch Fix鼓励用户从尺寸、价格、版本、风格和颜色等维度对每件服装给出反馈，这将有助于数据科学团队更好地了解用户和服装之间的匹配情况。

在处理用户风格时，穿着和试穿的风格分为七个纬度:古典、浪漫、波西米亚等。每个用户在每个纬度上的得分为1到4。根据用户的得分，可以大致看出用户的穿着和合身风格。

数据科学团队占员工总数的1/4。这也意味着数据科学渗透到产品的许多环节并发挥其应有的价值，如仓库分配、用户与设计师的匹配、用户肖像、人与货物的匹配、库存管理等环节。示例1:仓库配送当发出用户请求时，有必要决定从哪个仓库为用户交付货物。仓库的选择和交付需要考虑许多因素，包括运费、运营时间、仓库风格和用户风格匹配等。基于这些因素，建立了仓库与用户的匹配度指标。</p >例2:用户和设计师的匹配当用户发出请求时，根据用户和造型师之间的交易历史、用户评分和数据匹配进行造型师匹配。</p >示例3:用户肖像“缝合修复”用户肖像不仅为算法服务，也为造型师服务，因此它需要一些能被人们解释和理解的用户肖像。</p >

大多数用户肖像来自用户填写的个人问卷，包括基本纬度肖像和与服装相关的，如用户的体型、颜色、价格偏好等。案例4:人与货物的匹配在这里，我们主要共享两个级别的数据和模型。数据级别包括:用户肖像、商品标识、商品概括特征(图像、标签)和多维反馈。推荐算法中的数据存在问题，如项目样本不平衡、数据回流导致的误差、特征和反馈数据缺失、折扣导致的偏差等。在模型层面(2016年)，有混合效应模型、因式分解机、DNN、word2vec、LDA等。</p >

示例5:库存管理在库存管理方面，有许多问题需要解决，如哪些货物可用，哪些货物需要进口，进口多少，分配哪些仓库，哪些库存需要清理。什么样的商品似乎是一个简单的问题，但缝合修复是特别的，因为商品的库存实际上只占所有商品的40%。有大量的货物在返回仓库或从仓库到用户的途中，所以我们需要做模拟和库存快照来处理它们。

通过这些产品的上述链接，我们可以找到使用数据来提高效率、定义和解决问题的机会，以及使用哪些技术来实现这一目标？在这里，我们主要分享三个共同关心的主要问题:度量标准的选择和分析、组件测试和用户配置文件。

度量的选择和分析

在Stitch Fix中，我们关注转换率、GMV和保留率这三个核心指标。选择测量指标可以参考三点:数据源的可靠性、指标与结果的相关性、信号质量和灵敏度。

缝合固定常用分析包括漏斗、组、多纬度等。下图显示了一个组分析的示例。

例如，可以根据到达时间和一阶时间将用户分成相等的标签和组，然后观察某些指标在一定时间范围内的变化。对于时间跨度，可以选择相对较短或相对较长的时间跨度。

如下图所示，将为不同客人获取时间的用户保存比较结果。

总的来说，从1月到7月，第一个月的保留期正在提高，这意味着需要在渠道获取方面提高所获取用户的质量。此外，可以看出，随着时间的推移，用户的保留会产生平台效应。在最初的四个月里，用户每月的流失相对较大，随后用户的保留趋于稳定。</p >抗体试验在Stitch Fix中，AB测试主要面临两个挑战，即离线交易造成的延迟和设计师的人为因素。</p >

当在线算法改变时，造型师需要为每个用户进行匹配，加上物流，导致7到10天的延迟。

造型师的人为因素主要是由于造型师的惰性。举一个更极端的例子，如果算法想要提高产品的单价，但是造型师想要向用户推荐一些价格适中的产品，这将影响结果。

这里需要提醒的是AB测试要谨慎，应该注意以下四点:

实验正交设计:实验1: uid尾数为奇数对偶数实验2: uid尾数(0，1)对2

用户适应曲线

小流量实验与全流量在线之间的差异

实验效果叠加:每季度开展6.1%的实验。然而，整体提升只有3%

，这意味着肖像需要公司内的多部门合作，同时也将因多部门合作带来挑战，主要体现在数量与应用的脱节以及多业务需求的近似。事实上，生成肖像需要采取三个步骤，即收集肖像需求、构建标签框架和填充数据。

在实际过程中，如果你想打破游戏，有以下三个建议:

放弃大而完整的框架，推回商业场景(价值)

自动生成标签(手段):规则或算法

有效的标签管理机制(可持续性)

用户肖像用户肖像是公司内部基础数据的构建，也就是现在大家经常提到的数据中心。肖像对于推荐业务、用户操作和渠道肖像有相当大的指导意义。

第二个主题是数据和人的结合。在Stitch Fix中，算法和造型师的结合被用来帮助用户进行推荐和匹配，这可以被认为是一个人机耦合系统。人机耦合系统将面临哪些挑战？

在人机耦合系统中，造型师扮演人的角色，处理非结构化数据，进行1v1情感交流，具有创造性，因此算法开发时可以避免边缘条件。

其他人会对这个场景更加敏感，例如，当秋天来临时，什么样的衣服适合中西部的人，造型师会对此更加敏感，并提出更好的建议。

在人机耦合中，虽然1 1大于2，但人机耦合也面临以下问题:

人将成为速度和规模的瓶颈:订单分配与设计师的工作时间不匹配。

测量人和机器对彼此的价值

算法的多反馈渠道:用户反馈和设计师选择的优化目标

算法应该仔细选择。

这种人机合作不仅仅基于机器算法，也不仅仅基于手工操作。机器可以承担更重、更重复性的劳动工作，还具有大量的工作记忆和长期记忆，同时人们可以更好地处理非结构化数据，可以进行审美评价，还可以与客户建立良好的人机关系。</p >

第三部分是数据和团队的结合。该部分主要介绍了分析、算法和数据开发在整个数据团队中是如何结合的，以及在公司的架构体系下，整个数据团队是如何与业务团队合作的。

Stitch Fix数据团队主要分为四个部分。底层数据开发团队可以构建数据平台和数据仓库，数据科学家可以提高效率或制作部署工具。

以上三个团队分别对应业务、客户团队、推荐团队和库存团队。

对于数据团队的建设，有三个定位原则可供参考:

以业务和产品为核心。关注产品和业务，为数据创造真正价值

数据科学团队应结合基础设施部门和业务部门的耐心支持，特别是服务跨度长的公司的决策层

公司，并与特定的工程和产品团队成为一个有机整体，目标一致

在实际操作中，请注意还将面临以下问题:

分析结果将如何落到实处？如何做地基分析

分析和处理数据需求和数据驱动的业务，处理数据是一件被动的事情。数据团队经常面临为业务部门提取数据的任务，但同时，数据团队也需要积极推动业务，这可以被视为如何在被动和主动之间进行协调。

在确保数据平台稳定性的同时，数据平台团队还尽可能开发帮助数据科学家更好地进行数据流、部署代码和在线工具。