Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.


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

Algoritmos + estilistas humanos = grandes recomendaciones
El CEO de Stitch Fix sobre la venta de estilo personal al mercado masivo
Resumen.

La experiencia de Lake como consultor de minoristas y restaurantes llevó a la fascinación por lo intactas que eran esas industrias por la tecnología del siglo XXI. Como amante tanto de la ropa como de los datos, se sentía segura de que los datos podían crear una mejor experiencia con la ropa, siempre y cuando se conservara el elemento humano.

Desde el principio Lake planeó construir una operación de ciencia de datos para hacer Stitch Fix escalable. Los ingresos de la compañía dependen de grandes recomendaciones de su algoritmo, por lo que sus científicos de datos tienen una línea directa con el CEO. La ciencia de datos está profundamente arraigada en la cultura de la empresa: además de las recomendaciones de los clientes sobre ropa, los algoritmos mantienen bajos los costos de capital, el movimiento de inventario y las entregas son eficientes. El desarrollo de productos ha adaptado algoritmos de genética para encontrar «rasgos» exitosos en la ropa. Stitch Fix incluso ha utilizado el aprendizaje automático para diseñar prendas de vestir.

Pero, según Lake, comprar es inherentemente una actividad personal y humana, razón por la cual los estilistas humanos pueden alterar o anular el surtido de productos que un algoritmo de estilo ofrece antes de que el cliente reciba un envío.


En Stitch Fix nuestro modelo de negocio es sencillo: te enviamos ropa y accesorios que creemos que te gustarán; tú conservas los artículos que quieres y devuelves los demás. Aprovechamos la ciencia de datos para ofrecer personalización a escala, trascendiendo las experiencias tradicionales de venta al por menor de ladrillo y mortero y comercio electrónico. Los clientes disfrutan de tener un estilista experto que haga las compras por ellos y aprecian la comodidad y simplicidad del servicio.

Por supuesto, hacer que algo parezca simple y conveniente para los consumidores mientras se trabaja de manera rentable y a escala es complejo. Es aún más complejo en la industria minorista de la moda, que está llena de gente, voluble y cambia rápidamente. Otros minoristas de ropa intentan diferenciarse a través del precio más bajo o el envío más rápido; nos diferenciamos a través de la personalización. Cada envío Fix, como lo llamamos, es una caja que contiene cinco prendas de vestir y accesorios que hemos elegido solo para ti. Estas opciones se basan en la información que usted y millones de personas nos han proporcionado: primero en un extenso cuestionario que rellenas al registrarte y luego en los comentarios que proporciones después de cada envío.

Stitch Fix vendió ropa por valor de $730 millones en 2016 y $977 millones en 2017. El cien por ciento de nuestros ingresos se deriva directamente de nuestras recomendaciones, que son el núcleo de nuestro negocio. Tenemos más de 2 millones de clientes activos en los Estados Unidos, y llevamos más de 700 marcas. No te estamos vendiendo cinturones que coincidan con la blusa que acabas de agregar a tu carrito, o promocionando una determinada marca porque la has comprado antes, o usando patrones de navegación para intuir que podrías estar comprando un pequeño vestido negro, todas las actividades que tienen tasas de conversión bajas. En su lugar, hacemos selecciones únicas y personales combinando datos y aprendizaje automático con un juicio humano experto.

La ciencia de datos no está entrelazada en nuestra cultura; es nuestra cultura. Empezamos con él en el corazón del negocio, en lugar de añadirlo 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 tienen doctorados en campos cuantitativos como matemáticas, neurociencias, estadísticas y astrofísica. La ciencia de datos me informa directamente, y Stitch Fix no existiría sin la ciencia de datos. Es así de simple.

No es una historia del valle

Estamos lejos de la prototípica start-up de Silicon Valley. No me considero un emprendedor en serie: Stitch Fix es la primera empresa que he lanzado. Pero me fascinan las experiencias minoristas y cuán intactas fueron por la tecnología moderna en el siglo XXI. Durante mis años de pregrado en Stanford, a principios de la década de 2000, y en mi primer trabajo, como consultor en el Grupo Parthenon, trabajé mucho con minoristas y restaurantes. Aunque me encantaban ambas industrias y lo significativas que eran para la gente, me intrigó que todavía proporcionaran fundamentalmente la misma experiencia que tenían en los años 70, o incluso en los años cincuenta, a pesar de lo mucho que el mundo había cambiado. Me preguntaba cómo podrían adaptarse, y quería ser parte de ese futuro.

Pasé desde Partenón para convertirme en socio de Leader Ventures, una firma de VC, tal como apareció el iPhone, en 2007. Aún así, estaba 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 de tiendas físicas; por el otro era una empresa que dominaba las ventas sin tiendas. Fue el caso de estudio perfecto. Y pude ver exactamente cuando la balanza se inclinó. Cada vez que Netflix alcanzó alrededor del 30% de cuota de mercado, el Blockbuster local cerró. El 70% restante de los clientes se enfrentó a una decisión: prueba Netflix o viaja 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 try-or travel, en una espiral descendente.

Reconocí que otros minoristas podrían sufrir el destino de Blockbuster si no replanteaban su estrategia. Por ejemplo, ¿cómo alguien compraría jeans 10 años en el camino? Sabía que no sería el modelo tradicional: ir a seis tiendas, sacar pares de jeans de los bastidores, pruébalos todos. Y no pensé que se asemejaría al modelo de comercio electrónico de hoy tampoco: Usted tiene 15 pestañas abiertas en su navegador mientras comprueba las medidas del producto y busca lo que otros compradores están diciendo. Luego compras varios pares y devuelves los que no encajan.

El ajuste y el gusto son solo un montón de atributos. Todo es sólo datos.

La parte de mí que ama los datos sabía que podría usarse para crear una mejor experiencia con prendas de vestir. Después de todo, el ajuste y el gusto son solo un montón de atributos: cintura, entallamiento, material, color, peso, durabilidad y patrón. Todo es sólo datos. Si recoges lo suficiente, obtendrás una imagen bastante buena de lo que la gente quiere ropa.

Pero la parte de mí que ama la ropa reconocía el elemento humano en las compras: la sensación de encontrar algo que no esperabas y deleitarse con el hecho de que encaja a ti y a tu presupuesto. Vi una oportunidad para combinar esos dos elementos —datos y experiencia humana— para crear un nuevo modelo de compra de ropa.

¿Una mala idea?

Al principio no planeaba 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 el correcto llegara a través. Eso no sucedió. Así que me matriculé en la Escuela de Negocios de Harvard para seguir mi camino aversión al riesgo hacia el emprendimiento. Usé esos dos años para planear y lanzar mi empresa. Recibí una hoja de plazo para financiar Stitch Fix en febrero de 2011; envié las primeras cajas Fix de 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 poseer todo el inventario para poder entender profundamente cada elemento y convertirlo en una gran cantidad de datos estructurados. En el comercio minorista, poseer todo el inventario da miedo, y el profesor pensó que haría mi estrategia intensiva en capital y arriesgado. Pero la estrategia fue en última instancia correcta. Utilizar los datos para comprender mejor lo que la gente quiere nos permite entregar el inventario más rápido que muchos minoristas convencionales, ya que podemos comprar las cosas correctas y llevarlas a las personas adecuadas. Vender inventario lo suficientemente rápido como para pagar a los proveedores con dinero en efectivo de los clientes resulta ser un modelo muy eficiente en términos de capital.

Luego hubo capitalistas de riesgo escépticos. Venía a lanzar reuniones con una caja de ropa y una tarjeta personalizada del estilista. Recuerdo que en una reunión, un vicepresidente dijo en los primeros cinco minutos: «Simplemente no entiendo por qué alguien querría recibir algo como esto». Agradecí su honestidad. Muchos de ellos no estaban entusiasmados con los almacenes llenos de ropa. Otros estaban desconcertados de que empleáramos estilistas humanos a quienes se les pagaba horas, una idea muy un-VC en un momento en que todo se trataba de automatización y aplicaciones. A pesar de nuestro éxito temprano, las conversaciones de financiación de la Serie B obtuvieron una respuesta tibia. «Creo que eres genial, tu equipo es increíble y tu negocio está funcionando», me dijo un VC. «Pero consigo elegir una o dos tablas al año, y quiero elegir las que me siento conectada. No me apasiona la venta al por menor o los vestidos de mujer».

Eso es justo y frustrante. Resulta que 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 contra nosotros. Al final, lo que no nos mató nos hizo más fuertes, porque nos obligó a centrarnos en la rentabilidad y la eficiencia de capital. Desde entonces hemos utilizado dinero en efectivo de nuestras operaciones para lanzar nuevos negocios, incluyendo ropa de hombre y tallas grandes para mujeres.

Por último, estaba la industria misma. Al hacer que los ingresos dependan de las recomendaciones de moda, escogí una de las tareas más difíciles para el aprendizaje automático. Incluso a las personas que piensan que no son discernientes con la ropa que usan, de hecho, se preocupan. Ajuste, estilo, material: estos importan a todos nosotros. Es un negocio matizado. Eso lo hace especialmente interesante pero también más difícil. Al principio, los grupos de enfoque afirmaron que simplemente no creían que pudiéramos escoger la ropa que quisieran. Ellos dirían: «¿Cómo va a funcionar? Nada encajará».

La idea de pagarnos una tarifa de estilo de $20 por adelantado, acreditado a su compra si guarda algo, también dio pausa. Los participantes del grupo de enfoque preguntan: «¿Por qué pagaría $20 si no consigo escoger nada?» Necesitábamos que los clientes confiaran en que querrían conservar los artículos. Y eso ha resultado ser cierto, debido a la ciencia de datos.

Introduzca los algoritmos

Cuando empecé, mi «ciencia de datos» era rudimentaria. Usé SurveyMonkey y Google Docs junto con algunos métodos estadísticos para rastrear las preferencias e intentar hacer buenas recomendaciones. Al principio, estaba actuando esencialmente como estilista personal. A veces incluso entregué una caja de Fix en persona. Pero mi plan siempre era construir una operación de ciencia de datos que hiciera que el negocio sea 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 informa al CEO.

En la mayoría de las empresas, la ciencia de datos informa al CTO, como parte del equipo de ingeniería, o a veces incluso para financiar. Aquí está separado, y tenemos a un oficial jefe de algoritmos, Eric Colson, que tiene un asiento en la mesa de estrategia. Eric vino de Netflix en agosto de 2012. Antes de eso era un consejero para nosotros. Se interesó por nuestra empresa porque representaba un reto. En Netflix, recuerda, alguien dijo: «¿Qué pasa si empezamos a tocar una película que creemos que a alguien le gustará cuando abra la aplicación?» Parecía una idea audaz pero arriesgada: seguir 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 de estado para una pequeña start-up.

Los algoritmos nos ayudan a ver las tendencias antes; podemos almacenar inventario de manera más eficiente.

Debido a que nuestros ingresos dependen de grandes recomendaciones de nuestros algoritmos, es aún más crucial que nuestros científicos de datos tengan una línea directa con el CEO. También creemos que envía un mensaje a la organización en su conjunto sobre nuestros valores y nuestro enfoque de estrategia: la ciencia de datos es extremadamente importante, y otros equipos, como marketing e ingeniería, aumentarán sus capacidades al asociarse estrechamente con nuestro equipo de ciencia de datos.

La innovación se realiza mediante la ciencia de datos.

Hemos desarrollado docenas de algoritmos que nadie pidió nunca, porque permitimos que nuestro equipo de ciencia de datos cree nuevas soluciones y determine si tienen potencial. Nadie pidió explícitamente al equipo que desarrollara algoritmos para hacer recomendaciones de recompra, por ejemplo. (Las recompras ocurren cuando un determinado artículo de inventario se vende bien y necesitamos adquirir más de él). Nuestros algoritmos nos ayudan a ver estas tendencias antes y con mayor precisión, por lo que podemos almacenar el inventario de manera más eficiente y estar preparados para los picos de demanda. Recientemente, el equipo ideó una forma de rastrear los movimientos de los empleados en nuestros almacenes y creó un algoritmo que podría ayudar a optimizar las rutas sin una costosa reasignación de los espacios a medida que cambian.

Debemos tener en cuenta las mediciones, el gusto del cliente, la temporada, las tendencias pasadas.

A veces es difícil para la gente imaginar cuán profundamente arraigada está la ciencia de datos en nuestra cultura. Utilizamos muchos tipos de algoritmos ahora, y estamos construyendo muchos más. Las recomendaciones personalizadas de ropa, por supuesto, son impulsadas por el aprendizaje automático. La gestión del inventario y la gestión del inventario utilizan algoritmos para mantener bajos los costes de capital, mover el inventario y realizar entregas eficientes. El desarrollo de productos ha adaptado algunos algoritmos de la genética para encontrar «rasgos» exitosos en la ropa. Incluso hemos empezado a usar el aprendizaje automático para diseñar prendas de vestir.

Hybrid Designs, nuestra marca de ropa interna, cobró vida una tarde lluviosa cuando un par de científicos de datos estaban pensando en cómo llenar las lagunas de productos en el mercado. Por ejemplo, muchas clientes femeninas de 40 años estaban pidiendo blusas de manga tapada, pero ese estilo faltaba en nuestro inventario actual. Avance rápido al año, y contamos con 29 prendas de vestir para mujer y tallas grandes que fueron diseñadas por ordenador y que satisfacen algunas necesidades específicas, previamente sin llenar nuestros clientes.

Otra forma de aplicar un enfoque cuantitativo a la moda es con datos de medición. Realizamos un seguimiento de 30 a 100 mediciones en una prenda, dependiendo del tipo que sea, y ahora sabemos, por las experiencias de más de 2 millones de clientes activos, qué tipo de ajuste haría que un cliente pasara fuera de su zona de confort. Conocemos la relación óptima entre el tamaño del pecho y el ancho de la camisa en una camisa de hombre. Usando el análisis de datos, ajustamos la distancia desde el cuello hasta el primer botón en camisas para hombres con cofres grandes. Sabemos qué proporción de la población se ajusta a una entalla de 27 pulgadas, y podemos abastecerse de acuerdo con esa proporción.

Pero de alguna manera, esa es la parte fácil. El verdadero desafío es tener el vestido adecuado en el color correcto y el tamaño adecuado en el momento adecuado. Las matemáticas alrededor de eso son complejas. Debemos tener en cuenta todas las mediciones más el gusto del cliente, la temporada, la ubicación, las tendencias pasadas, muchas variables.

Dado un dólar para invertir en la empresa y la opción de usarlo para marketing, producto o ciencia de datos, casi siempre elegiríamos ciencia de datos. Estamos contentos de haber empezado con la ciencia de datos en nuestro núcleo en lugar de tratar de transformar un minorista tradicional, lo que creo que no habría funcionado. Para un minorista tradicional decir: «Hagamos lo que hace Stitch Fix» sería como decir, «Me gustaría ser más alto ahora».

No olvides a la gente.

La parte analítica de mí ama nuestro enfoque algorítmico. Pero ir de compras es intrínsecamente una actividad personal y humana. Es por eso que insistimos en combinar datos con un estilista humano que puede alterar o anular el surtido de productos que nuestro algoritmo de estilo ha entregado. Nuestros estilistas provienen de una amplia gama de fondos de diseño y retail, pero todos aprecian los datos y sienten amor y empatía por nuestros clientes. Los seres humanos son mucho mejores que las máquinas en algunas cosas, y es probable que permanezcan así durante mucho tiempo.

Por ejemplo, cuando un cliente escribe con una solicitud muy específica, como «Necesito un vestido para una boda al aire libre en julio», nuestros estilistas saben inmediatamente qué opciones de vestido podrían funcionar para ese evento. Además, nuestros clientes a menudo comparten detalles íntimos de un embarazo, una pérdida de peso importante o una nueva oportunidad de trabajo, todas aquellas ocasiones cuya importancia una máquina no puede entender completamente. Pero nuestros estilistas saben exactamente lo especiales que son esos momentos de la vida y pueden ir más allá para curar el aspecto correcto, conectarse con los clientes e improvisar cuando sea necesario. Eso crea una lealtad increíble a la marca.

Es simple: una buena persona más un buen algoritmo es muy superior a la mejor persona o al mejor algoritmo solo. No estamos enfrentando a la gente y a los datos unos contra otros. Necesitamos que trabajen juntos. No estamos entrenando máquinas para comportarse como humanos, y ciertamente 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 estamos equivocados a veces, incluso el algoritmo. Lo importante es que sigamos aprendiendo de eso.


Escrito por
Katrina Lake




Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.