估值30亿!服装电商Stitch Fix玩转“盲盒营销”

0 评论 9208 浏览 43 收藏 15 分钟

这家服装电商早就用盲盒营销的手法,玩转了KOC。

导读

DTC——Direct-To-Consumer(译:直面消费者),作为一种新兴的商业模式,是指品牌的商品直接销售给消费者,包括消费者的需求也可以直接传递给品牌方的全新商业模式。

目前,欧美等国家的DTC品牌成长速度惊人,据互联网女皇《2018 Internet Trends》报告,美国 DTC 新品牌在3-5 年内就迅速做到 1 亿年收入规模。国内对此也有不少预测声音,认为在未来 5-10 年,中国市场大概率会复制类似的发展路径。

为此,时趣将推出系列文章分析国外成功的DTC品牌,分享他们的商业模式与营销方式。

人类的生活已经越来越智能化、个性化,比如电商网站通过用户购物车、浏览和搜索偏好为用户个性化推荐商品,新闻资讯和社交媒体平台帮用户自动筛选感兴趣的内容,以及点评网站推荐餐厅、导航系统优化路线等等,机器学习算法正在悄然改变人类的生活。

这种机器算法也出现在了服装行业,正在改变人们的穿衣搭配。Stitch Fix是美国一家DTC品牌,以机器学习算法和设计造型师结合的个性化服装电商平台。通过算法和设计造型师帮助消费者选择服饰,以数据驱动服装服务,简化用户决策,提升用户购物体验

2010年前后,DTC模式开始从现象成为常态,美国互动广告局IAB把这一年作为 DTC元年。Stitch Fix成立于2011年美国旧金山,正是国外DTC品牌兴起之年。初创时期,品牌提出a new way shop,重新定义了购物体验。同时,品牌将目标消费者锁定在女性群体,用户只需要在官网注册账户,并根据问卷提示,提交消费者的尺寸和风格等相关偏好数据。

品牌再通过AI算法进行数据学习,并结合专业设计造型师的搭配建议,专门为用户挑选5个服饰盒子,从偏好和专业搭配角度,给到用户意料之外的服饰推荐。用户可以从5个盒子中挑选中意的服饰,为其付费,不合适的可以退回。此时,算法会根据用户的挑选结果再进行学习,不断迭代优化算法模型,来提升推荐准确性。

目前,Stitch Fix 已经将服务类别拓展到男装、童装,并且为品牌的购买会员提供直接购买服务“Shop Your Look”,会员可以通过浏览官网搭配的服饰直接进行下单,购买服装。

据不完全统计,目前,Stitch Fix拥有320万客户,在2018财年的收入为12亿美元,利润为4500万美元。在2019年公司拓展新业务投入较多资金时,收入仍保持增长达到16亿美元,利润为3690万美元,并且有投资机构为该公司的估值达到30亿美元,这表明所有AI数据科学和个性化服务都正在获得回报。

产品聚焦于个性化服务

随着AI机器算法的精进,未来,越来越多的品牌只是为少部分消费族群服务。同时,值得品牌注意的是,未来不可避免的是个性化将成为品牌生死存亡的命脉。

Stitch Fix创始人兼首席执行官卡特里娜·莱克(Katrina Lake)在一次采访谈到,如果一个人没有收到他喜欢的东西,他就会停止使用Stitch Fix。对于品牌而言,没有任何选择,只能专注于数据,留住用户。

这意味着Stitch Fix必须通过不断收集、积累用户反馈的反馈数据,不断把算法模型调教好,让它更符合用户兴趣偏好,帮助用户感知他想要的东西。所以,品牌一直重视在机器算法学习上的投入和挖掘,该企业的董事会中技术人员占比35%,Netflix数据科学与工程副总裁埃里克·科尔森(Eric Colson)于2012年加入,并担任其首席算法官。

从人员占比和人才招聘不难看出,算法驱动着Stitch Fix的一举一动。可见,数据算法是其核心产品服务,是塑造品牌价值的核心。

那么,Stitch Fix是如何利用算法打造个性化服务优势的?

(1)用户注册后沉淀基础数据

用户在网站成功注册账户后,需要填写Stitch Fix预先设定的问卷调查,填写完毕后会为每个用户创建一个人数据档案,用来记录该用户所有数据更新、变动,比如每次用户收到fix盒子后的反馈信息。

(2)不断积累数据,优化算法模型

数据科学的重点在于数据量的积累,越多的数据可以勾勒出更全面的事实概貌,寻找到真实,同时也降低误差,提升算法推荐的准确性,减少用户流失率。

为了积累更多用户风格偏好的数据,Stitch Fix开发了一款基于IOS环境下的程序APP Style Shuffle,用户打开软件后会收到服饰搭配评分邀请,用户可以每天为一套服装搭配图片进行评分。据了解该品牌290万客户中有超过75%的用户使用了它,为公司提供了超过10亿的评分数据。

这款程序它不仅可以用来训练算法模型,了解用户的个人风格倾向,提高推荐准确性;同时还能吸引用户回到Stitch Fix,提升其个性化的产品能力,影响用户打开率和回购率。

(3)以用户数据反馈,迭代个性化服务

与此同时,Stitch Fix不断提升其个性化服务的能力。比如,当用户退还为其搭配的衬衫后,设计造型师团队会根据用户反馈和数据结果,意识到用户希望衬衫可以掩盖腹部,胸部和袖口可以更宽松。在调整这些尺寸后,该团队自行设计自己的服装,以填补市场空缺,创造出可预见的高利润率和购买率的商品。

另外,品牌也会征求客户反馈意见并精确衡量销售服装各个维度,根据用户需求反馈,预测用户对品牌潮流的关注和喜好度,来扩大服装品牌类别。从而实现其大规模提供个性化样式的能力,将目标消费群体从富有人群扩展到中等水平的人群。

品牌基于不断的数据积累、优化,再通过人脑+专业设计造型师,逐渐完善Stitch Fix的推荐准确性。这和奈飞的算法推荐有点类似,奈飞算法的优势在于对用户爱好理解得更深,结合用户喜好和内容种类,为内容和用户打标签,再根据不同用户喜欢的内容来进行匹配、引导,并且很大可能是为用户带来意料之外的惊喜,该品牌也是如此。

但不同的是,奈飞的商业模式是依靠小众、晦涩电影,电视节目的长尾效应来推动需求,这些电影和节目的成本很低,它一般不推荐大片,因为会员订阅费可能有限,但奈飞的推荐是很成功的,点播量均有提升。Stitch Fix是重视用户偏好,所有推荐的出发点在于伴随客户成长生命周期,服务客户,挖掘客户终身价值,实现客户”长尾效应“。

在Stitch Fix的数字化、个性化产品服务能力下,该品牌在营销上也延用了这种风格,专注、极简和个性化。

(1)专注社交营销,多渠道链接

DTC品牌都有一个明显的特点就是品牌官网网站的营销角色占比很重,Stitch Fix主要以官网为基础,提供产品服务和咨询,展示品牌动态和服装搭配风格,以此作为品牌的主要流量入口,洞察和跟踪用户变化数据。

另外,DTC是指直接面向消费者,意味着品牌需要多渠道连接消费者,Stitch Fix 运营了Facebook、Insgram、YouTube等社交媒体,同时创始人Lake在Facebook上非常活跃,也起到了社交营销的作用,但最终都是链接到官网,就像开放了无数条河流小溪,最终都会流向大海一样。

以Facebook为例,如果用户身边朋友有发布有关内容,基于Facebook算法,很大程度上你会收到相关推荐;另外,如果用户主动搜索进入Stitch Fix会看到以下这个好评推荐,吸引用户继续浏览相关信息。

在YouTube上会分享不同场合下,如何搭配服饰的短视频,展示品牌的专业造型能力和品牌审美,以视频图像形式,更具场景感触动消费者关注和体验。

(2)重口碑营销,发挥KOC价值

相对于在数据算法领域的重视和投入,该品牌在营销上投入会更加谨慎,更加重视营销信息的有效性,倾向于口碑营销,通过客户购买评论而触动其他消费者,让潜在客户被口碑打动,尽量避免狂轰乱炸式的营销信息对用户的打扰。而这一点和Yotpo的一份研究较为契合,调查研究显示,约98%的受访者表示,客户评论是购买DTC品牌过程中最重要的一个因素。

以Facebook和YouTube为例,品牌会从个性化推荐、用户Aha时刻和个性化服务三个方面,向用户展示产品的优势,触动用户自来水似的推荐,发挥KOC营销价值,来引导其他用户的关注和下单。

在YouTube上可以看到关于Stitch Fix的话题,均是用户主动分享“开箱体验“,获得不少网友的点击量和互动。通过用户以开箱体验,高级盲盒的玩法,也提升了围观消费者的好奇指数,提升订购量。

(3)个性化营销,展示品牌关怀

另外,依靠Stitch Fix的数据算法优势,个性化营销也更具优势,品牌会了解到用户最近的生活状态,给予用户适当的品牌关怀,创造了超消费者预期的购物体验。

Stitch Fix之所以被消费者追捧的原因在于其机器学习算法,可以为用户提供个性化服务。但品牌也正在面对传统服装行业和现代电子商务的双重夹击,比如服装业疯狂打折、零售商平台狂轰乱炸式推荐。

当然,该品牌也有自身需要关注和解决的三大问题:如何拓展客户群体、维持用户粘性以及提升数据推荐准确性。或许,品牌下一步将是利用AI数据算法指导商业竞争决策,加快数字化决策进程。

文章参考:

《Stitch Fix Is Diving Deep Into Data for a More Tailored Experience It Hopes Can Stand Up to Amazon | Fortune》;

《Stitch Fix App Becomes ‘Stickily Addictive》;

《My personal shopper》.

 

本文由 @时趣 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!