估值30亿！服装电商Stitch Fix玩转“盲盒营销”

小提示：您能找到这篇{估值30亿！服装电商Stitch Fix玩转“盲盒营销”}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的估值30亿！服装电商Stitch Fix玩转“盲盒营销”内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

这家服装电商早就用盲盒营销的手法，玩转了KOC。

导读

DTC——Direct-To-Consumer（译：直面消费者），作为一种新兴的商业模式，是指品牌的商品直接销售给消费者，包括消费者的需求也可以直接传递给品牌方的全新商业模式。

目前，欧美等国家的DTC品牌成长速度惊人，据互联网女皇《2018 Internet Trends》报告，美国 DTC 新品牌在3-5 年内就迅速做到 1 亿年收入规模。国内对此也有不少预测声音，认为在未来 5-10 年，中国市场大概率会复制类似的发展路径。

为此，时趣将推出系列文章分析国外成功的DTC品牌，分享他们的商业模式与营销方式。

人类的生活已经越来越智能化、个性化，比如电商网站通过用户购物车、浏览和搜索偏好为用户个性化推荐商品，新闻资讯和社交媒体平台帮用户自动筛选感兴趣的内容，以及点评网站推荐餐厅、导航系统优化路线等等，机器学习算法正在悄然改变人类的生活。

这种机器算法也出现在了服装行业，正在改变人们的穿衣搭配。Stitch Fix是美国一家DTC品牌，以机器学习算法和设计造型师结合的个性化服装电商平台。通过算法和设计造型师帮助消费者选择服饰，以数据驱动服装服务，简化用户决策，提升用户购物体验。

2010年前后，DTC模式开始从现象成为常态，美国互动广告局IAB把这一年作为 DTC元年。Stitch Fix成立于2011年美国旧金山，正是国外DTC品牌兴起之年。初创时期，品牌提出a new way shop，重新定义了购物体验。同时，品牌将目标消费者锁定在女性群体，用户只需要在官网注册账户，并根据问卷提示，提交消费者的尺寸和风格等相关偏好数据。

品牌再通过AI算法进行数据学习，并结合专业设计造型师的搭配建议，专门为用户挑选5个服饰盒子，从偏好和专业搭配角度，给到用户意料之外的服饰推荐。用户可以从5个盒子中挑选中意的服饰，为其付费，不合适的可以退回。此时，算法会根据用户的挑选结果再进行学习，不断迭代优化算法模型，来提升推荐准确性。

目前，Stitch Fix 已经将服务类别拓展到男装、童装，并且为品牌的购买会员提供直接购买服务“Shop Your Look”，会员可以通过浏览官网搭配的服饰直接进行下单，购买服装。

据不完全统计，目前，Stitch Fix拥有320万客户，在2018财年的收入为12亿美元，利润为4500万美元。在2019年公司拓展新业务投入较多资金时，收入仍保持增长达到16亿美元，利润为3690万美元，并且有投资机构为该公司的估值达到30亿美元，这表明所有AI数据科学和个性化服务都正在获得回报。

产品聚焦于个性化服务

随着AI机器算法的精进，未来，越来越多的品牌只是为少部分消费族群服务。同时，值得品牌注意的是，未来不可避免的是个性化将成为品牌生死存亡的命脉。

Stitch Fix创始人兼首席执行官卡特里娜莱克(Katrina Lake)在一次采访谈到，如果一个人没有收到他喜欢的东西，他就会停止使用Stitch Fix。对于品牌而言，没有任何选择，只能专注于数据，留住用户。

这意味着Stitch Fix必须通过不断收集、积累用户反馈的反馈数据，不断把算法模型调教好，让它更符合用户兴趣偏好，帮助用户感知他想要的东西。所以，品牌一直重视在机器算法学习上的投入和挖掘，该企业的董事会中技术人员占比35%，Netflix数据科学与工程副总裁埃里克科尔森（Eric Colson）于2012年加入，并担任其首席算法官。

从人员占比和人才招聘不难看出，算法驱动着Stitch Fix的一举一动。可见，数据算法是其核心产品服务，是塑造品牌推广出价越高成本越高价值的核心。

那么，Stitch Fix是如何利用算法打造个性化服务优势的？

（1）用户注册后沉淀基础数据

用户在网站成功注册账户后，需要填写Stitch Fix预先设定的问卷调查，填写完毕后会为每个用户创建一个人数据档案，用来记录该用户所有数据更新、变动，比如每次用户收到fix盒子后的反馈信息。

（2）不断积累数据，优化算法模型

数据科学的重点在于数据量的积累，越多的数据可以勾勒出更全面的事实概貌，寻找到真实，同时也降低误差，提升算法推荐的准确性，减少用户流失率。

为了积累更多用户风格偏好的数据，Stitch Fix开发了一款基于IOS环境下的程序APP Style Shuffle，用户打开软件后会收到服饰搭配评分邀请，用户可以每天为一套服装搭配图片进行评分。据了解该品牌290万客户中有超过75％的用户使用了它，为公司提供了超过10亿的评分数据。

这款程序它不仅可以用来训练算法模型，了解用户的个人风格倾向，提高推荐准确性；同时还能吸引用户回到Stitch Fix，提升其个性化的产品能力，影响用户打开率和回购率。

（3）以用户数据反馈，迭代个性化服务

与此同时，Stitch Fix不断提升其个性化服务的能力。比如，当用户退还为其搭配的衬衫后，设计造型师团队会根据用户反馈和数据结果，意识到用户希望衬衫可以掩盖腹部，胸部和袖口可以更宽松。在调整这些尺寸后，该团队自行设计自己的服装，以填补市场空缺，创造出可预见的高利润率和购买率的商品。

另外，品牌也会征求客户反馈意见并精确衡量销售服装各个维度，根据用户需求反馈，预测用户对品牌潮流的关注和喜好度，来扩大服装品牌类别。从而实现其大规模提供个性化样式的能力，将目标消费群体从富有人群扩展到中等水平的人群。

品牌基于不断的数据积累、优化，再通过人脑+专业设计造型师，逐渐完善Stitch Fix的推荐准确性。这和奈飞的算法推荐有点类似，奈飞算法的优势在于对用户爱好理解得更深，结合用户喜好和内容种类，为内容和用户打标签，再根据不同用户喜欢的内容来进行匹配、引导，并且很大可能是为用户带来意料之外的惊喜，该品牌也是如此。

但不同的是，奈飞的商业模式是依靠小众、晦涩电影，电视节目的长尾效应来推动需求，这些电影和节目的成本很低，它一般不推荐大片，因为会员订阅费可能有限，但奈飞的推荐是很成功的，点播量均有提升。Stitch Fix是重视用户偏好，所有推荐的出发点在于伴随客户成长生命周期，服务客户，挖掘客户终身价值，实现客户”长尾效应“。

在Stitch Fix的数字化、个性化产品服务能力下，该品牌在营销上也延用了这种风格，专注、极简和个性化。

（1）专注社交营销，多渠道链接

DTC品牌都有一个明显的特点就是品牌官网网站的营销角色占比很重，Stitch Fix主要以官网为基础，提供产品服务和咨询，展示品牌动态和服装搭配风格，以此作为品牌的主要流量入口，洞察和跟踪用户变化数据。

另外，DTC是指直接面向消费者，意味着品牌需要多渠道连接消费者，Stitch Fix 运营了Facebook、Insgram、YouTube等社交媒体，同时创始人Lake在Facebook上非常活跃，也起到了社交营销的作用，但最终都是链接到官网，就像开放了无数条河流小溪，最终都会流向大海一样。

以Facebook为例，如果用户身边朋友有发布有关内容，基于Facebook算法，很大程度上你会收到相关推荐；另外，如果用户主动搜索进入Stitch Fix会看到以下这个好评推荐，吸引用户继续浏览相关信息。

在YouTube上会分享不同场合下，如何搭配服饰的短视频，展示品牌的专业造型能力和品牌审美，以视频图像形式，更具场景感触动消费者关注和体验。

（2）重口碑营销，发挥KOC价值

相对于在数据算法领域的重视和投入，该品牌在营销上投入会更加谨慎，更加重视营销信息的有效性，倾向于口碑营销，通过客户购买评论而触动其他消费者，让潜在客户被口碑打动，尽量避免狂轰乱炸式的营销信息对用户的打扰。而这一点和Yotpo的一份研究较为契合，调查研究显示，约98%的受访者表示，客户评论是购买DTC品牌过程中最重要的一个因素。

以Facebook和YouTube为例，品牌会从个性化推荐、用户Aha时刻和个性化服务三个方面，向用户展示产品的优势，触动用户自来水似的推荐，发挥KOC营销价值，来引导其他用户的关注和下单。

在YouTube上可以看到关于Stitch Fix的话题，均是用户主动分享“开箱体验“，获得不少网友的点击量和互动。通过用户以开箱体验，高级盲盒的玩法，也提升了围观消费者的好奇指数，提升订购量。

（3）个性化营销，展示品牌关怀

另外，依靠Stitch Fix的数据算法优势，个性化营销也更具优势，品牌会了解到用户最近的生活状态，给予用户适当的品牌关怀，创造了超消费者预期的购物体验。

Stitch Fix之所以被消费者追捧的原因在于其机器学习算法，可以为用户提供个性化服务。但品牌也正在面对传统服装行业和现代电子商务的双重夹击，比如服装业疯狂打折、零售商平台狂轰乱炸式推荐。

当然，该品牌也有自身需要关注和解决的三大问题：如何拓展客户群体、维持用户粘性以及提升数据推荐准确性。或许，品牌下一步将是利用AI数据算法指导商业竞争决策，加快数字化决策进程。

文章参考：

《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 @时趣 于。，

，基于CC0协议。