Η Stitch Fix μπήκε στον Nasdaq το 2017. Η εταιρεία ξεκίνησε το 2011 ως online συνδρομητική υπηρεσία προσωποποιημένης (personalized) αγοράς ειδών ένδυσης για γυναικά, άνδρα και παιδί.

Το 2018 είχε έσοδα 1,25 δισεκατομμυρίων δολαρίων. Η βασική φιλοσοφία της εντοπίζεται στο Recommendation Engineering. Χρησιμοποιεί δεδομένα πελατών, έτσι ώστε να μαντεύει τι θέλουν να αγοράσουν οι πελάτες, που θέλουν να κατευθύνουν την ζωή τους, και το προτείνει. Χρησιμοποιεί τη φιλοσοφία «Choice Architecture», οπότε ο ρόλος της είναι να τους συμβουλεύει γύρω από το πώς θα κάνουν την εμφάνιση τους καλύτερη.

Αυτή είναι η κεντρική αρχιτεκτονική της. Ο «no 2» της επιχείρησης, μετά την CEO, Katrina Lake, είναι ο Eric Colson, Chief Algorithm Officer – CAO, ο οποίος ήταν αντιπρόεδρος Data Science & Engineering της Netflix. H CEO λέει: «Το Data science είναι η κουλτούρα μας. Η καρδία της επιχείρησης μας. Χτίζουμε τους αλγορίθμους της επιχείρησης γύρω από τους πελάτες μας και τις ανάγκες τους. To τμήμα του Data Science αναφέρει απευθείας σε εμένα».

Για να δημιουργήσεις το διαφορετικό στυλ του κάθε πελάτη χρειάζεσαι σημαντικά data. To πρώτο πράγμα που ζητούν από τον πελάτη όταν μπαίνει στην υπηρεσία είναι λεπτομερή στοιχειά για προσωπικές προτιμήσεις, νούμερα και χρήματα που θέλουν να δαπανούν. Χρησιμοποιούν ένα είδος «παιχνιδιού», όπου ο πελάτης βλέπει ανακατεμένα ρούχα και αξεσουάρ και κάνοντας swipe αριστερά ή δεξιά μπορεί να πει εάν του αρέσει αυτό που βλέπει. Έτσι, δίνει στον Recommender σημαντικά στοιχειά για τα βασικά χαρακτηριστικά του.

O Recommender επιλέγει τις καλύτερες προτάσεις από 700 περίπου Brands. Στη συνεχεία, οι προτάσεις αυτές πηγαίνουν σε έναν από τους 3.500 στυλίστες που διαθέτει η επιχείρηση για review. Ο στυλίστας επιλέγει 5 προϊόντα και τα στέλνει στον πελάτη ανά 15 μέρες, μήνα ή τρίμηνο, ανάλογα με τον πελάτη. Μέσα στο πακέτο περιλαμβάνονται προσωπικές συμβουλές για τον συνδυασμό των αντικειμένων. Αφού λάβουν το πακέτο, οι πελάτες αξιολογούν κάθε προϊόν στο προσωπικό τους λογαριασμό, στο site. Έτσι, μπορεί να μαθαίνει συνεχεία ο Recommender τις ανάγκες του πελάτη και να εξελίσσεται.

Δείτε περισσότερα εδώ.