Искусственный интеллект, аналитика и новые технологии

История, нехарактерная для Долины

Мы далеки от образцового стартапа Кремниевой долины. Я не считаю себя серийным предпринимателем: Stitch Fix – первая компания, которую я основала. Я была поражена тем, что в XXI веке в ритейле используется так мало современных технологий. Во время обучения в Стэнфорде в начале 2000-х годов и на моей первой работе в качестве консультанта в Parthenon Group я часто имела дело с розничными продавцами и предприятиями ресторанного бизнеса. Мне нравились обе эти сферы, они очень важны для людей, но обслуживание потребителей в них осуществлялось так же, как в 1970-х или даже 1950-х годах, несмотря на то что мир сильно изменился. Я задавалась вопросом, как они могут приспособиться к современным условиям, и мне хотелось быть частью будущего, в котором это произойдет.

Идея вкратце

Работая в качестве консультанта в сферах розничной торговли и ресторанного бизнеса, Катрина Лейк была удивлена тем, как мало технологий XXI века используется в этих отраслях. Имея интерес и к одежде, и к анализу данных, она была уверена: с помощью Data Science можно улучшить потребительский опыт, но при условии, что в этот процесс по-прежнему будут вовлечены люди.

С самого начала Лейк планировала построить операционную деятельность Stitch Fix на основе анализа данных, чтобы масштабировать бизнес. Доход компании зависит от рекомендаций алгоритма, поэтому специалисты в области Data Science подчиняются непосредственно генеральному директору. Анализ и обработка данных глубоко укоренились в корпоративной культуре: кроме рекомендаций клиентам в отношении одежды, алгоритмы поддерживают снижение капитальных затрат, перемещение запасов и эффективные поставки. При разработке продукта были использованы адаптированные генетические алгоритмы, позволившие выявить характеристики одежды, благодаря которым она пользуется успехом. Stitch Fix также применяла машинное обучение при разработке дизайна изделий.

Но, по словам Лейк, шопинг – вид деятельности, присущий исключительно людям, поэтому стилисты имеют право изменить или отклонить набор товаров, подобранный алгоритмом, прежде чем клиент получит заказ.

В 2007 году (тогда же, когда появился iPhone) я ушла из Parthenon Group и стала партнером в венчурной фирме Leader Ventures, но не прекращала думать о розничной торговле. Я наблюдала за сетью видеопроката Blockbuster во время роста Netflix. Обе компании лидировали по продажам: первая – через офлайн-магазины, а вторая – за счет онлайн-контента. Это был идеальный пример, и я могла точно сказать, когда одна чаша весов перевешивала другую. Всякий раз, когда Netflix занимала около 30 % рынка, местный Blockbuster закрывался. Тогда оставшиеся 70 % клиентов оказывались перед выбором: попробовать Netflix или ездить за фильмами в удаленный магазин. Большинство склонялось в сторону Netflix, оказывая еще большее давление на Blockbuster. Число покупателей, столкнувшихся с выбором «попробовать новое или потратить время», возрастало, и офлайн-магазинов становилось все меньше.

Я осознала, что и другие ритейлеры могут разделить судьбу Blockbuster, если не пересмотрят свои стратегии. Например, им следовало задаться вопросом: как будет выглядеть покупка джинсов через десять лет? Тогда я понимала, что она будет отличаться от традиционной, когда нужно обойти шесть магазинов, в каждом взять по несколько пар и все это перемерить. Но я не думала, что она будет похожа на сегодняшнюю модель онлайн-шопинга: у вас в браузере открыто 15 вкладок, вы сверяете размеры и читаете отзывы, затем покупаете несколько пар, а после возвращаете те, что не подходят.

Часть меня, которая любит анализ данных, точно знала, что они могут быть использованы для улучшения потребительского опыта в модном ритейле. В конце концов, одежда, которая подходит и нравится потребителю, просто обладает определенным набором характеристик: обхват талии, длина внутреннего шва, материал, цвет, вес, долговечность и рисунок. Это всего лишь данные. Если вы соберете их достаточно, то получите довольно точное представление о том, какую одежду хотят носить люди.

Но та часть меня, которая любит одежду, признавала важность человеческого участия в процессе шопинга. Вы испытываете особое чувство, когда наконец-то находите вещь, которую уже и не надеялись найти, и радость от того, что она вам подходит и вы можете себе это позволить. И я поняла, как объединить эти два элемента – анализ данных и человеческий опыт – и создать новую модель покупки одежды.

Плохая идея?

Вначале я не планировала основывать компанию, а собиралась присоединиться к стартапу, который захотел бы реализовать эту идею. В Leader Ventures я встречалась с сотнями предпринимателей, надеясь найти подходящего. Этого не случилось, поэтому я поступила в Гарвардскую школу бизнеса, чтобы продолжить свой рискованный путь к предпринимательству. Я использовала два года учебы для планирования и запуска бизнеса. Предварительное соглашение о финансировании Stitch Fix было подписано в феврале 2011 года, первые фикс-боксы я отправила из своей квартиры в апреле, а в мае я окончила обучение.

Очень немногие считали идею хорошей. Один из моих преподавателей назвал это инвентарным кошмаром, так как предполагалось, что все продаваемые товары будут в наличии, я хотела знать все о каждой позиции, чтобы превратить эти сведения в структурированные данные. Мой преподаватель полагал, что такая стратегия будет капиталоемкой и рискованной, но в итоге она оказалась верной. Использование Data Science для лучшего понимания того, что хотят люди, способствует более быстрому обороту запасов по сравнению с оборотом большинства розничных продавцов, потому что мы можем закупать только нужные вещи. Достаточно короткий цикл продаж позволяет расплачиваться с поставщиками денежными средствами от клиентов, что в целом хорошо влияет на рентабельность.

После были скептически настроенные венчурные капиталисты. Я приходила на встречи с коробкой одежды и персональной открыткой от стилиста. Помню, однажды один инвестор уже через пять минут сказал мне: «Просто не понимаю, зачем это кому-то может понадобиться». Я оценила его честность. Многие из них были не в восторге от складов, забитых одеждой. Другие были озадачены тем, что мы нанимали стилистов с почасовой оплатой: эта идея была чужда рынку венчурного капитала, ориентированного на автоматизацию и приложения. Несмотря на наши первые успехи, при обсуждении финансирования следующего этапа реакция инвесторов была сдержанной. «Я думаю, что вы великолепны, ваша команда грандиозна, а ваш бизнес работает, – сказал мне один венчурный капиталист, – но я отбираю всего один или два проекта в год и хочу чувствовать с ними связь. Я не могу увлечься розничной торговлей или женскими платьями».

Это было неприятное, но справедливое замечание. Действительно, 87 % сотрудников, 35 % специалистов по обработке данных и 32 % инженеров Stitch Fix – женщины. Более 90 % венчурных капиталистов – мужчины, и я чувствовала, что гендерная динамика отрасли работает против нас. В конце концов, то, что нас не убило, сделало нас сильнее, потому что заставило сосредоточиться на прибыльности и эффективном использовании капитала. С тех пор мы вкладываем денежные средства, полученные в результате деятельности, в открытие новых бизнес-направлений, в том числе мужской одежды и женской одежды больших размеров.

Комбинировать и сочетать

STITCH FIX ИСПОЛЬЗУЕТ ДАННЫЕ, которые предоставляют клиенты в профиле стиля, и набор алгоритмов, чтобы зафиксировать их реакцию на товар. Перед отправкой по почте стилисты (назначенные клиентам с помощью алгоритма) перепроверяют и при необходимости вносят коррективы в каждый фикс-бокс, укомплектованный пятью позициями. Клиенты дают письменные ответы на пять вопросов о каждой позиции, а также оставляют свои комментарии. Эта обратная связь вместе с историей покупок позволяет Stitch Fix улучшать рекомендации с течением времени.

Далее показано, как алгоритм и стилист вместе собирают для клиента первый фикс-бокс и два последующих.

Наконец, проблема была в самой индустрии. Ставя доход в зависимость от модных рекомендаций, я выбрала одну из самых сложных задач для машинного обучения. Даже те, кто привык думать, что им все равно, что носить, в действительности заботятся о своей одежде. То, как одежда сидит, стиль, материал – это важно для всех нас. В модном ритейле много нюансов, что делает его особенно интересным, но и более сложным. Первые фокус-группы просто не верили, что у нас получится выбрать одежду, которая им понравится. Они говорили: «Как это сможет работать? Ничего не будет подходить».

Необходимость заплатить $20 до оформления заказа тоже заставляла задуматься. Участники фокус-группы спрашивали: «Зачем мне платить $20, если я так ничего и не выберу?» Нам нужно было, чтобы клиенты поверили в то, что им захочется носить предложенные нами вещи, и мы их не подвели благодаря анализу данных.

Введите алгоритмы

Когда я начинала, мое умение анализировать данные находилось в зачаточном состоянии. Я использовала сервис SurveyMonkey, Google Docs и некоторые статистические методы, чтобы отслеживать предпочтения и давать хорошие рекомендации. По сути, тогда я действовала как персональный стилист и порой даже доставляла фикс-боксы лично. Но мой план заключался в том, чтобы положить Data Science в основу операционной деятельности компании и масштабировать бизнес. Наши рекомендации работают, так как у нас хорошие алгоритмы, а эффективность алгоритмов обусловлена тем, что фундамент Stitch Fix – это анализ и обработка данных.

Для того чтобы машинное обучение стало неотъемлемой частью бизнеса, необходимы три условия, рассмотренные далее.

Отдел обработки и анализа данных подчиняется напрямую генеральному директору

В большинстве компаний данное подразделение находится в подчинении у технического директора (его сотрудники являются частью команды инженеров), а иногда у финансового директора. В Stitch Fix этот отдел имеет особый статус, и у нас есть главный специалист по алгоритмам – Эрик Колсон, который принимает участие в обсуждении стратегии. Эрик пришел в компанию из Netflix в августе 2012 года, а до этого он нас консультировал. Он заинтересовался работой в Stitch Fix, потому что это был вызов. Как он вспоминает, в Netflix кто-то однажды сказал: «Что, если мы начнем показывать фильм, который, как нам кажется, понравится клиенту, когда тот только откроет приложение?» Это казалось смелой, но рискованной идеей. Эрик понял, что как раз этим и занимается Stitch Fix. Будучи нашим консультантом, он как-то провел отпуск, анализируя некоторые наши данные, после чего решил присоединиться к Stitch Fix на полный рабочий день, и это была огромная удача для небольшого стартапа.

Поскольку наш доход зависит от хороших рекомендаций алгоритмов, важно, чтобы специалисты по анализу данных подчинялись непосредственно генеральному директору. Мы также верим, что это демонстрирует всей организации наши ценности и подход к стратегии: анализ данных чрезвычайно важен и другие подразделения, например маркетинга и инжиниринга, могут расширить свои возможности, тесно сотрудничая с отделом Data Science.

Инновации, внедренные благодаря анализу данных

Мы разработали десятки алгоритмов, которые никто никогда не заказывал, потому что позволяем нашему отделу обработки и анализа данных предлагать новые решения и определять, есть ли у них потенциал. Например, никто не просил команду создавать алгоритмы рекомендаций для повторной покупки (они необходимы, когда определенный товар хорошо продается и нам нужно закупать его больше). Наши алгоритмы помогают увидеть подобные тенденции раньше, в результате чего повышается эффективность хранения запасов на складе и мы готовы к скачкам спроса. Недавно команда предложила инструмент для отслеживания перемещений сотрудников на складах и создала алгоритм, помогающий оптимизировать их маршруты.

Иногда людям трудно представить, насколько глубоко укоренился анализ данных в нашей корпоративной культуре. Сейчас мы используем много разных алгоритмов, и еще больше находится в разработке. Персональные рекомендации по выбору одежды, конечно же, основаны на машинном обучении. При управлении процессами и запасами мы применяем алгоритмы для поддержания низких капитальных затрат, перемещения запасов и эффективности поставок. Разработчики продукта адаптировали некоторые генетические алгоритмы, чтобы выявить характеристики одежды, благодаря которым она пользуется успехом. Мы также начали использовать машинное обучение для разработки дизайна изделий.

Hybrid Designs (наш собственный бренд одежды) появился, чтобы восполнить недостаток некоторых товаров на рынке. Например, многие женщины в возрасте от 40 лет хотели бы купить блузки с рукавами-крылышками, но такие вещи отсутствовали в наших коллекциях. Перенесемся на год вперед, и вот у нас уже 29 предметов одежды для женщин, включая вещи больших размеров, которые были разработаны с помощью компьютера и удовлетворяют конкретные потребности наших клиентов.

Мы также используем данные, полученные в результате измерений различных параметров одежды. В зависимости от ее типа отслеживаются от 30 до 100 характеристик. Благодаря опыту работы с более чем 2 млн активных клиентов мы точно знаем, как должна сидеть вещь, чтобы клиент заплатил за нее больше, чем привык. Нам известно оптимальное соотношение размера груди и ширины мужской рубашки. Используя анализ данных, мы отрегулировали расстояние от воротника до первой пуговицы на рубашках для мужчин с большим обхватом груди. Мы знаем, какой части населения подходят брюки с длиной внутреннего шва 69 см, и можем рассчитать запасы, исходя из этих данных.

В некотором смысле это легкая часть работы. Сложнее рассчитать, как правильно подобрать для клиента платье нужного цвета и размера в подходящее время. Мы должны учитывать все параметры, а также вкус потребителя, время года, местоположение, прошлые тенденции – множество переменных.

Когда нужно было выбрать, во что вкладывать средства: в маркетинг, продукт или анализ данных, мы почти всегда выбирали последнее. Мы рады, что начали с Data Science, а не стали обычным ритейлером, чтобы впоследствии преобразовать традиционную модель – это, как я думаю, не сработало бы. Для традиционного розничного продавца сказать «Давайте делать то же, что Stitch Fix» – все равно что я бы сказала: «А не стать ли мне повыше?»

Не забывайте о людях

Аналитик во мне любит наш алгоритмический подход, но шопинг – это нечто очень личное, присущее только людям. Вот почему мы настаиваем на том, чтобы объединять анализ данных с работой реальных стилистов, которые имеют право изменить или отклонить набор вещей, подобранных алгоритмом стилей. Наши стилисты – из разных областей дизайна и розничной торговли, но все они ценят анализ данных и чувствуют клиентов. В некоторых случаях люди намного лучше машин, и, вероятно, так будет еще долго.

Например, когда клиент дает конкретный запрос: «Мне нужно платье для свадьбы на открытом воздухе в июле», наши стилисты сразу же понимают, какие варианты могут подойти для этого события. Кроме того, клиенты часто делятся личными подробностями о беременности, значительной потере веса или новой работе – это важные нюансы, которые машина не в силах понять полностью. Стилисты же знают, насколько особенными являются такие жизненные моменты, и могут приложить все силы для создания правильного образа, общаясь с клиентом и импровизируя, когда необходимо. Это создает невероятную лояльность к бренду.

Все просто: хороший человек плюс хороший алгоритм намного превосходят лучшего человека или лучший алгоритм по отдельности. Мы не противопоставляем людей и анализ данных друг другу. Нам нужно, чтобы они работали вместе. Мы не учим машины вести себя как человек и уж, конечно, не учим людей вести себя как машины. Все мы совершаем ошибки – стилист, специалист по анализу данных, я сама и даже алгоритм могут ошибиться, но важно то, что мы учимся на них.

Впервые опубликовано в выпуске за май – июнь 2018 года.

Алгоритмам тоже нужны менеджеры

Майкл Лука, Джон Клейнберг, Сендхил Муллайнатан

БОЛЬШИНСТВУ МЕНЕДЖЕРОВ В СВОЕЙ РАБОТЕ приходится делать прогнозы. Когда специалисты по найму решают, кого взять на работу, они прогнозируют, кто из кандидатов будет наиболее эффективен. Когда отдел продаж выбирает, какие каналы распространения использовать, он прогнозирует, где продукт будет продаваться быстрее. Когда венчурный отдел определяет, вкладываться ли в стартап, он прогнозирует, будет ли данный проект успешным. Чтобы сделать эти и миллиард других бизнес-прогнозов, компании сегодня все чаще применяют компьютерные алгоритмы, производящие пошаговые аналитические операции с немыслимыми объемами данных на неописуемой скорости.

Алгоритмы делают прогнозы более точными, но при этом создают и собственные риски. В частности, такие ситуации могут происходить, если алгоритмы непонятны для нас. Вот широко известные примеры. Однажды сеть Netflix объявила конкурс с призовым фондом в $1 млн за разработку алгоритма, определяющего, какие фильмы понравились бы тому или иному пользователю. Команды специалистов по сбору и обработке данных объединили свои усилия и сделали соответствующий продукт. Но программа была написана для DVD, поэтому с переходом зрителей Netflix на потоковое видео их предпочтения поменялись и перестали совпадать с прогнозами алгоритма.

Вот другой пример из сферы социальных медиа. Сегодня многие сайты применяют алгоритмы для определения, какую рекламу и ссылки показывать пользователю. Когда такие программы фокусируются слишком узко, максимально увеличивая количество переходов на страницу, сайты переполняются ссылками на низкосортные статьи с заголовками-приманками. Переходы по ссылкам умножаются, но общее удовлетворение пользователей может резко снизиться.

Подобные проблемы легко предотвратить. Разрабатывая и применяя алгоритмы, а также определяя новые ресурсы данных для ряда организаций, мы поняли, что источник трудностей часто не в ошибках программирования алгоритмов, а в том, как мы взаимодействуем с ними. Чтобы избежать промахов, руководителям необходимо понять, с чем алгоритмы справляются хорошо: на какие вопросы дают ответы, а на какие – нет.