Stitch Fix é um serviço online de estilo da moda (fashion) que usa algoritmos de recomendação e ciência de dados para personalizar itens de vestuário com base em tamanho, orçamento e estilo. A empresa foi fundada em 2011. Conheça os detalhes dessa empresa nesse artigo publicado pela própria criadora da marca.
Na Stitch Fix, nosso modelo de negócios é simples: enviamos roupas e acessórios que achamos que você vai gostar; você fica com os itens que deseja e devolve os outros. Utilizamos a ciência de dados para oferecer personalização em escala, transcendendo as experiências tradicionais de varejo físico e comércio eletrônico.
Os clientes apreciam ter um estilista especializado fazendo compras para eles e valorizam a conveniência e simplicidade do serviço. Claro, tornar algo simples e conveniente para os consumidores enquanto trabalha de forma lucrativa e em grande escala é complexo. Isso é ainda mais complexo na indústria de varejo de moda, que é lotada, volúvel e em constante mudança.
Outros varejistas de moda tentam se diferenciar através do preço mais baixo ou do envio mais rápido; nós nos diferenciamos através da personalização. Cada envio da Stitch Fix, como chamamos, é uma caixa contendo cinco peças de roupas e acessórios que escolhemos especialmente para você. Essas escolhas são baseadas nas informações que você e milhões de outras pessoas nos forneceram, primeiro em um extenso questionário que você preenche quando se inscreve, e depois nas avaliações que você fornece após cada envio.
A Stitch Fix vendeu US$ 730 milhões em roupas em 2016 e US$ 977 milhões em 2017. Cem por cento de nossa receita resulta diretamente de nossas recomendações, que são o cerne de nosso negócio. Temos mais de 2 milhões de clientes ativos nos Estados Unidos e trabalhamos com mais de 700 marcas.
Não estamos tentando vender cintos que combinam com a blusa que você acabou de adicionar ao carrinho, ou promover uma marca específica porque você já comprou dela antes, ou usar padrões de navegação para adivinhar que você pode estar procurando um vestido preto — todas atividades que têm baixas taxas de conversão. Em vez disso, fazemos seleções únicas e pessoais combinando dados e aprendizado de máquina com o julgamento humano especializado.
A ciência de dados não está apenas integrada à nossa cultura; ela é a nossa cultura. Começamos com ela no cerne do negócio, em vez de adicioná-la a uma estrutura organizacional tradicional, e construímos os algoritmos da empresa em torno de nossos clientes e suas necessidades. Empregamos mais de 80 cientistas de dados, a maioria dos quais tem doutorado em campos quantitativos como matemática, neurociência, estatística e astrofísica. A ciência de dados se reporta diretamente a mim, e a Stitch Fix não existiria sem ela. É tão simples quanto isso.
Uma história diferente daquelas histórias do Vale do Silício, como Google e Apple
Não somos a típica história de startup do Vale do Silício. Não me considero um empreendedor serial: a Stitch Fix é a primeira empresa que lancei. Mas sou fascinado pelas experiências de varejo e como elas foram intocadas pela tecnologia moderna no século 21.
Durante meus anos de graduação em Stanford, no início dos anos 2000, e em meu primeiro emprego como consultor na Parthenon Group, trabalhei muito com varejistas e restaurantes. Embora tenha adorado ambas as indústrias e como eram significativas para as pessoas, fiquei intrigado pelo fato de que elas ainda ofereciam fundamentalmente a mesma experiência que tinham nos anos 1970, ou até nos anos 1950, apesar de quanto o mundo havia mudado. Eu me perguntava como elas poderiam se adaptar, e eu queria fazer parte desse futuro.
Deixei a Parthenon para me tornar um associado na Leader Ventures, uma empresa de capital de risco, logo quando o iPhone apareceu, em 2007. Ainda assim, eu estava pensando em varejo. Estudei a economia da Blockbuster durante o surgimento da Netflix. De um lado, havia uma empresa que dominava as vendas em lojas físicas; do outro, havia uma empresa que dominava as vendas sem lojas. Era o estudo de caso perfeito. E eu pude ver exatamente quando a balança se inclinou. Sempre que a Netflix atingia cerca de 30% de participação de mercado, a Blockbuster local fechava. Os outros 70% dos clientes então enfrentavam uma decisão: experimentar a Netflix ou viajar mais para pegar filmes. Mais deles experimentaram a Netflix, exercendo mais pressão sobre a Blockbuster. Outra loja fechava, e mais clientes enfrentavam essa decisão de experimentar ou viajar, em uma espiral descendente.
Reconheci que outros varejistas poderiam sofrer o mesmo destino da Blockbuster se não repensassem sua estratégia. Por exemplo, como alguém compraria calças jeans daqui a 10 anos? Eu sabia que não seria o modelo tradicional: ir a seis lojas, pegar pares de jeans nas prateleiras, experimentá-los todos. E também não achava que se assemelharia ao modelo de comércio eletrônico atual: você tem 15 abas abertas no navegador enquanto verifica medidas do produto e procura o que outros compradores estão dizendo. Em seguida, você compra vários pares e devolve os que não servem.
A parte de mim que ama dados sabia que eles poderiam ser usados para criar uma experiência melhor com roupas. Afinal, caimento e gosto são apenas um monte de atributos: cintura, entrepernas, material, cor, peso, durabilidade e padrão. São apenas dados. Se você coletar o suficiente, terá uma ideia muito boa do que as pessoas querem em roupas.
Mas a parte de mim que ama roupas reconheceu o elemento humano nas compras – a sensação de encontrar algo que você não estava esperando e se deliciar com o fato de que isso combina com você e seu orçamento. Vi uma oportunidade de combinar esses dois elementos – dados e experiência humana – para criar um novo modelo de compra de roupas.
Uma ideia ruim?
No começo, eu não planejava iniciar uma empresa; eu ia me juntar a uma startup que queria seguir essa ideia. Na Leader, me encontrei com centenas de empreendedores, esperando que o certo aparecesse. Isso não aconteceu. Então, me inscrevi na Harvard Business School para seguir meu caminho avesso ao risco empreendedor. Usei esses dois anos para planejar e lançar minha empresa.
Recebi uma proposta para financiar a Stitch Fix em fevereiro de 2011; Enviei as primeiras caixas Fix do meu apartamento em abril; e me formei em maio.
Muitas pessoas não acharam uma boa ideia. Um dos meus professores chamou isso de pesadelo de estoque. Eu queria possuir todo o estoque para poder entender profundamente cada item e transformá-lo em muitos dados estruturados. No varejo, possuir todo o estoque é assustador, e o professor achava que isso tornaria minha estratégia intensiva em capital e arriscada. Mas a estratégia estava certa no final. Usar dados para entender melhor o que as pessoas querem nos permite girar o estoque rapidamente. Tínhamos roupas bonitas acumulando poeira em nosso estoque que as pessoas não comprariam sem uma recomendação personalizada. Controlar nosso estoque deu a nossos algoritmos uma vantagem única.
As primeiras reuniões de financiamento foram difíceis. Em uma delas, um investidor de risco disse nos primeiros cinco minutos: “Eu simplesmente não entendo por que alguém iria querer receber algo assim.” Eu apreciei sua honestidade. Muitos deles não estavam empolgados com armazéns cheios de roupas. Outros ficaram perplexos pelo fato de empregarmos estilistas humanos que eram pagos por hora – uma ideia muito pouco tradicional na época em que tudo se tratava de automação e aplicativos. Apesar de nosso sucesso inicial, as conversas sobre o financiamento da Série B receberam uma resposta morna. “Acho você ótima, sua equipe é incrível e seu negócio está funcionando”, disse-me um investidor. “Mas eu posso escolher um ou dois conselhos por ano, e quero escolher aqueles com os quais me sinto conectado. Não consigo me apaixonar por varejo ou vestidos femininos.”
Isso é justo – e frustrante. Acontece que 87% dos funcionários, 35% dos cientistas de dados e 32% dos engenheiros da Stitch Fix são mulheres. Mais de 90% dos capitalistas de risco são homens, e eu senti que a dinâmica de gênero da indústria estava trabalhando contra nós. No final, o que não nos matou nos fortaleceu, porque nos forçou a focar na lucratividade e na eficiência de capital. Desde então, usamos o dinheiro de nossas operações para lançar novos negócios, incluindo roupas masculinas e tamanhos grandes para mulheres.
Finalmente, havia a própria indústria. Ao fazer a receita depender de recomendações de moda, escolhi uma das tarefas mais difíceis para a aprendizagem de máquina. Mesmo as pessoas que pensam que são indiferentes às roupas que usam se importam de fato. Caimento, estilo, material – isso importa para todos nós. É um negócio sutil. Isso o torna especialmente interessante, mas também mais difícil. No início, grupos de foco afirmavam que simplesmente não acreditavam que poderíamos escolher roupas que eles gostariam. Eles diziam: “Como isso vai funcionar? Nada vai dar certo.”
A ideia de nos pagar uma taxa de estilo de $20 antecipadamente, creditada em sua compra se você mantiver algo, também gerou dúvidas. Os participantes do grupo de foco perguntavam: “Por que eu pagaria $20 quando não posso escolher nada?” Precisávamos que os clientes confiassem que gostariam de manter os itens. E isso se provou verdadeiro – por causa da ciência de dados.
Iniciando com os algoritmos
Quando comecei, minha “ciência de dados” era rudimentar. Usei o SurveyMonkey e o Google Docs, junto com alguns métodos estatísticos, para rastrear preferências e tentar fazer boas recomendações. No início, eu estava essencialmente atuando como um estilista pessoal. Às vezes, eu até entregava uma caixa Fix pessoalmente. Mas meu plano sempre foi construir uma operação de ciência de dados que tornasse o negócio escalável. Nossas recomendações funcionam porque nossos algoritmos são bons, mas nossos algoritmos são bons porque a ciência de dados sustenta a empresa.
Três coisas tornam a aprendizagem de máquina fundamental:
1. A ciência de dados reporta ao CEO. Na maioria das empresas, a ciência de dados reporta ao CTO, como parte da equipe de engenharia, ou às vezes até ao setor financeiro. Aqui é separado, e temos um Chief Algorithms Officer, Eric Colson, que tem assento na mesa de estratégia. Eric veio da Netflix em agosto de 2012. Antes disso, ele foi um consultor para nós. Ele se interessou por nossa empresa porque ela apresentava um desafio. Na Netflix, alguém disse: “E se começássemos a reproduzir um filme que achamos que alguém vai gostar quando eles abrirem o aplicativo?” Isso parecia uma ideia ousada, mas arriscada – apostar tudo em apenas uma recomendação. Ele percebeu que é isso que a Stitch Fix faz. Como conselheiro, ele se viu passando férias brincando com alguns de nossos dados. Ele decidiu se juntar a nós em tempo integral – uma grande conquista para uma pequena startup.
2. Porque nossa receita depende de ótimas recomendações de nossos algoritmos, é ainda mais crucial que nossos cientistas de dados tenham uma linha direta com o CEO. Também acreditamos que isso envia uma mensagem para toda a organização sobre nossos valores e nossa abordagem à estratégia: a ciência de dados é extremamente importante, e outras equipes, como marketing e engenharia, aumentarão suas capacidades ao colaborar de perto com nossa equipe de ciência de dados.
3. A inovação é feita pela ciência de dados. Desenvolvemos dezenas de algoritmos que ninguém pediu, porque permitimos que nossa equipe de ciência de dados crie novas soluções e determine se elas têm potencial. Ninguém pediu explicitamente à equipe que desenvolvesse algoritmos para recomendações de recompra, por exemplo. (Recompras acontecem quando um determinado item de estoque está vendendo bem e precisamos adquirir mais dele.) Nossos algoritmos nos ajudam a detectar essas tendências mais cedo e com mais precisão, para que possamos gerenciar o estoque de forma mais eficiente e estar preparados para picos na demanda. Recentemente, a equipe desenvolveu uma maneira de rastrear os movimentos dos funcionários em nossos armazéns e criou um algoritmo que poderia ajudar a otimizar as rotas sem o remapeamento caro dos espaços à medida que mudam.
Às vezes, é difícil para as pessoas imaginar o quanto a ciência de dados está profundamente enraizada em nossa cultura. Agora usamos muitos tipos de algoritmos e estamos construindo muitos mais. Recomendações personalizadas de roupas, é claro, são impulsionadas pela aprendizagem de máquina. O cumprimento e o gerenciamento de estoque usam algoritmos para manter os custos de capital baixos, o estoque em movimento e as entregas eficientes. O desenvolvimento de produtos adaptou alguns algoritmos da genética para encontrar “traços” bem-sucedidos em roupas. Até começamos a usar a aprendizagem de máquina para projetar roupas.
A Hybrid Designs, nossa marca de roupas interna, ganhou vida em uma tarde chuvosa quando alguns cientistas de dados estavam pensando em como preencher lacunas de produtos no mercado. Por exemplo, muitas clientes do sexo feminino na faixa dos 40 anos estavam pedindo blusas de manga curta, mas esse estilo estava ausente em nosso conjunto de estoque atual. Avance um ano e temos 29 itens de vestuário para mulheres e tamanhos grandes que foram projetados por computador e atendem a algumas necessidades específicas, anteriormente não atendidas, de nossos clientes.
Outra maneira pela qual aplicamos uma abordagem quantitativa à moda é com dados de medição. Rastreamos de 30 a 100 medidas em uma peça de roupa, dependendo do tipo, e agora sabemos, a partir das experiências de mais de 2 milhões de clientes ativos, que tipo de ajuste faria um cliente gastar fora de sua zona de conforto. Sabemos a proporção ideal entre o tamanho do peito e a largura da camisa em uma camisa masculina. Usando análise de dados, ajustamos a distância da gola para o primeiro botão em camisas para homens com peitos grandes. Sabemos qual proporção da população se encaixa em uma perna de 27 polegadas e podemos estocar de acordo com essa proporção.
Mas de certa forma, essa é a parte fácil. O verdadeiro desafio é ter o vestido certo na cor certa e no tamanho certo no momento certo. A matemática por trás disso é complexa. Devemos levar em consideração todas as medições, o gosto do cliente, a estação do ano, a localização, as tendências anteriores – muitas variáveis.
Dado um dólar para investir na empresa e a escolha de usá-lo para marketing, produto ou ciência de dados, quase sempre escolheríamos a ciência de dados. Estamos contentes por termos começado com a ciência de dados em nosso núcleo, em vez de tentar transformar um varejista tradicional, o que, acredito, não teria funcionado. Para um varejista tradicional dizer: “Vamos fazer o que a Stitch Fix faz” seria como eu dizendo: “Gostaria de ser mais alto agora”.
Não se esqueça das pessoas. A parte analítica de mim ama nossa abordagem algorítmica. Mas fazer compras é inerentemente uma atividade pessoal e humana. É por isso que insistimos em combinar dados com um estilista humano que pode alterar ou substituir o conjunto de produtos entregue pelo nosso algoritmo de estilo. Nossos estilistas vêm de uma variedade de origens de design e varejo, mas todos têm uma apreciação pelos dados e sentem amor e empatia por nossos clientes. Humanos são muito melhores do que máquinas em algumas coisas – e provavelmente continuarão sendo por um longo tempo.
Por exemplo, quando um cliente escreve com um pedido muito específico, como “Preciso de um vestido para um casamento ao ar livre em julho”, nossos estilistas imediatamente sabem quais opções de vestidos podem funcionar para esse evento. Além disso, nossos clientes muitas vezes compartilham detalhes íntimos de uma gravidez, uma grande perda de peso ou uma nova oportunidade de emprego – todas ocasiões cuja importância uma máquina não pode entender completamente. Mas nossos estilistas sabem exatamente o quão especiais esses momentos da vida são e podem ir além para criar o visual certo, se conectar com os clientes e improvisar quando necessário. Isso cria uma incrível fidelidade à marca.
É simples: uma boa pessoa mais um bom algoritmo é muito superior à melhor pessoa ou ao melhor algoritmo sozinho. Não estamos colocando pessoas e dados uns contra os outros. Precisamos que eles trabalhem juntos. Não estamos treinando máquinas para se comportar como humanos, e certamente não estamos treinando humanos para se comportarem como máquinas. E todos nós precisamos reconhecer que somos falíveis – o estilista, o cientista de dados, eu. Todos nós estamos errados às vezes – até o algoritmo. O importante é que continuemos aprendendo com isso.
Mix and Match
No mundo da moda, a gíria norte americana “mix and match” refere-se à arte de combinar diferentes peças de roupa para criar visuais diversos. Isso permite que as pessoas maximizem seu guarda-roupa sem possuir uma grande quantidade de peças de roupa. Por exemplo, você pode combinar várias blusas, calças e acessórios para criar diferentes looks a partir de uma coleção relativamente pequena de roupas.
Stitch Fix utiliza dados fornecidos pelos clientes, começando com um “perfil de estilo”, e uma série de algoritmos para capturar as reações dos clientes às mercadorias. Estilistas humanos (correspondidos algoritmicamente com os clientes) revisam e ajustam cada caixa de cinco itens antes de ser enviada. Os clientes respondem a cinco perguntas da pesquisa por escrito sobre cada item, juntamente com comentários. Esses feedbacks, juntamente com o histórico de compras, permitem que o Stitch Fix melhore suas seleções ao longo do tempo.
Veja abaixo como o algoritmo e o estilista podem escolher juntos o primeiro pacote de um cliente e os dois seguintes.
Fix 1:
Fix 2:
Fix 3:
Fonte: Harvard Business Review, maio – junho de 2018, com tradução para o português realizada pelo ChatGPT