我叫是王建强(Jay Wang)，美国排名前15的统计系的博士，之后在湾区工作过8年，大家可以在领英、脉脉上搜到我。2015-2018年在Stitch fix上班，担任数据科学家, 一家已在美国上市的电子商务公司，美股代号SFIX，以大数据驱动，用科技和创新服装租赁公司。

与亚马逊、Nordstrom等线上零售的巨头不同，Stitch Fix致力于用算法+造型师的方式帮助客户挑选最适合他们的服饰。

今天我会结合我在数据科学中探索的心得体会，跟大家聊聊数据科学的话题。分享的对象是互联网公司的工程师、产品经理、运营同学和所有对数据科学感兴趣的读者。

用户在stitch fix注册时，需要填写详细的个人风格问卷。问卷涉及购买衣服时考虑的款式、颜色、价位、尺寸、版型等。Stitch Fix收到用户风格问卷后，结合算法和造型师的建议进行推荐，按月寄给用户五件搭配好的的衣服。用户选择喜欢的留下来，不喜欢免费退回。

在stitch fix我们做过些很有趣的数据案例。其中之一是算法应该给造型师推荐多少候选集：我们在A/B测试不同的桶中给造型师分别展示250，200，150，100，50件衣服。得到的结果是转化率随着候选集减少反而提升了！这个结果大大提升了我们对算法的信心，也从侧面验证了算法从数据中得到规律的价值，而造型师偏离算法排序结果可能导致结果变差。

其二是推荐转化率为什么周一周二最高，之后逐渐下降？这个问题曾经一直困扰我们。分析转化率的波动，我们一般会从库存质量，造型师水准和用户分层来研究。发现的一个有趣的结果是周末有大量衣服退回到仓库，库存的深度跟广度增加，可供平台选择的增加了，算法和人工的组合也就能产出更优的推荐了。

Stitch Fix后台算法根据多源信息，如季节、客户个人情况、衣服等信息作出演算，进行初步推荐，再由造型师们人工根据自己经验审核，挑选出五件单品寄给用户。

如果这五件用户都不满意，则支付20美元造型费并将衣物退回。若用户对其中一件甚至五件付费，则只为选中的产品付费，剩余退回，造型将免费。

与普通电商网站一退了之不同，即便失败，Stitch Fix鼓励用户回答问题、写明退货原因、与造型师沟通，让机器抓住这些宝贵经验“学习”。每一次购买，无论成功与失败，Stitch Fix都将拥有更多用户偏好。

经过积累，Stitch Fix拥有50多项用户个人信息，如体重、内衣尺码等；同时网站也将合作品牌的信息进行存储，包括衣物100到150个信息点，细分为颜色、袖长、衣长等各类信息。

为了更好的利用数据，作出最适合消费者的服饰推荐，Stitch Fix挖来了Netflix数据科学部门副总裁Eric Colson担任首席算法官。

与用户人机交互次数越多，数据库越充实，算法的结果将越准确，5000多位造型师越了解用户需求。最终stitch fix将成为用户的“闺蜜”，推荐出符合用户喜好、穿着场合的当季衣物。

更多数据科学家讨论群，加我微信meigu55