年美国服饰/服装/鞋类市场规模约亿美元，电商占比约20.4%，到了年市场规模增长到亿美元，而电商占比有望达到32.7%
最近工作中需要寻找灵感，找些服装市场上的数字化的最佳案例，发现了有这样一家有趣的公司，StitchFix，一家美国纳斯达克上市公司，年创立，17年上市，21年活跃客户近万，销售额达21亿美元。
这家公司起步的时候的目标群体是中年女性，她们的痛点有不知道穿啥衣服，不知道怎么穿搭，应对不同的场合，寻找到适合自己的搭配。作为一家个性化电商服装平台，它最大的特点是利用大数据和算法，核心的服务称之为Fix搭配盲盒。
01业务模式透析主要的搭配服务模式如下：
-会员制，用户选择交付周期（月/季度等）来收到盒子
-盲盒：一个盒子交付到用户后，才知道里面有什么衣服（1个盒子有5件衣服）
-组合购买：喜欢按照标签价购买，全部购买75%折扣
-兜底成本：一件都没有买，将收取20美元设计费；
其业务流程如下，一个用户在网站上填写问卷与描述需求，然后确定用户匹配度较高的仓库的货作为输入，然后算法进行初步筛选得到用户有偏好的清单，接着转到服装搭配师那边，为其进一步挑选对应风格的衣服，用户收到盒子之后，会留下喜欢的，不喜欢的退回。
其服装货源：大部分的第三方品牌(+)+自有设计品牌(20%salescontribution)。而搭配师是兼职的，15美元一小时,从模型筛选出来的搭配，搭配师再进行筛选（公司大概有个搭配师）
类似的商业模式，之后有年Amazon的PersonalShopperandUnderArmour的Amourbox;这样的模式对于本身的算法能力要求挺高的，那么这件事情如何是用数据来搞定的呢？
02咋数据驱动下面重点介绍的是StitchFix如何用数据做用户匹配这块。
俗话说的好，巧妇难为无米之炊，那么最重要的就是可以有消费者哪些数据，喂给算法。
第一类就是用户填写的细致的有关个人风格的问卷，会涉及用户的尺寸与穿搭习惯等。第二类是Styleshuffle的功能，每天会让用户去互动，类似于相亲节目的体验。喜欢与不喜欢，通过多次交互能让模型更精准抓取用户的偏好（其实现在天猫首页的推荐下也有类似功能的模块）。第三类是用户的保留的服装与退货的数据，作为显性反馈进一步帮助模型理解偏好。其次有了数据之后，用哪些算法来帮助实现个人搭配的呢？首先介绍个背景，首席算法官埃里克·科尔森来自于视频推荐领域的领先公司Neflix。
物品的协同过滤（MatrixFactorization)用了一种协同过滤下的矩阵分解的算法，意思是通过用户和曾经交互过的衣服来推算未发生过行为的衣服的打分，从而可以筛选用户偏好的衣服。
图片的相似算法因为有时用户的风格很难用语言来描述，所以它捞取用户在pinterest（类似于照片版的推特）喜欢的衣服的照片，通过机器学习方法提炼图片的元素，和自有产品货架上进行相似度对比，从而进行标记打分。
文本NLP识别算法通过用户的问卷输入的文本描述和收货后填写的反馈作为文本源，然后通过自然语言的算法进行识别用户的偏好。
用户冷启动就是一个新用户，平台完全没有数据的情况下，利用用户的问卷的作为输入。
最终就会初步形成一个经过以上算法综合排序后的用户搭配清单。
03技术文化也有点酷另外这个公司的对于技术文化做的也非常不错，我挺喜欢的。
一个就是用网页交互可视化的形式来介绍它的算法的作用，背后是通过网页可视化编码实现的，让不懂技术的人看懂他们在做什么。
第二是公司会不定期有些技术讨论会还有blog会贴在网站上，很好的交流氛围。