无论是两年前支付宝放弃社交后，老老实实把一个「钱包」的功能做到了极致；还是淘宝从一个网商平台变成集电商、媒体、直播、社交为一体的综合消费王国，阿里做产品最擅长什么可以说是一目了然：
提升产品的每日开启次数和单次使用时长，不知不觉吸走你的时间。
虽然表面上，功能品类与内容的愈加丰富是拖住我们脚步的主要原因，譬如越来越多的主播与自媒体开始入驻淘宝（这在某种程度上是一种「高频打低频」的做法），导致你本来就想买一包方便面的，因为「不小心」看了某个主播的「吃放」，又下单了 N 包火腿肠和萝卜咸菜。
但一般情况下，你只要不主动去找、去点击，也就不会耗费更多时间，或被影响购物需求。
关键，就在于这个「不小心」：
你在搜索栏输入连衣裙」或者「衬衫」，排在搜索结果靠前位置的，一定是你浏览过的单品或者是已关注店铺的同类商品；
首页的所有横幅产品广告都是基于你的历史浏览记录；
「猜你喜欢」这个栏目里展示的产品一定与你近期在淘宝上查找和购买过的商品有关；再往下拉，全部都是跟你最近消费和查找关键词相关的商品。
「微淘」中的文章推荐，大多跟你最近购买的商品相关；
「每日好店」栏目里所有店家的风格，一定与你关注的卖家以及服装风格有关；
点开「微淘「里的「关注」，各种「吃播达人」与自媒体录制的视频扑面而来；你只要关注了一个自媒体，后面还会有海量相似的自媒体与主播账号被推荐到你的页面上。
那些跟你收藏的产品与店家风格非常相似的店铺和品牌，也会频频出现在「我的关注」信息流里。
……
这个 App 满屏都是你的「味道」，你就是不想点，也会「被迫」看到。
看直播，关注更多新店铺，购买更多产品，停留在应用程序内的时间被大大拉长…这就是在推荐算法助力下，消费者做出的「无意识选择」；而与此同时，获利的当然是线上商家与淘宝。
综合来看，尽管如今对于推荐算法的应用已经比较成熟且普遍，譬如今日头条、网易云音乐等等都是推荐算法应用领域的老司机。但有能力从多维度让技术与产品进行充分融合，能把一张商品图片顺畅转化为最终交易行为的，淘宝算得上一个业界榜样。
而现在，淘宝的技术团队开始对基于推荐算法的应用有了新的探索：
如何把这些技术应用扩散到线下？
你可以把这个问题看作是阿里新零售战略的一部分，但对于阿里淘宝技术团队来说，作为一个 C2C 平台，技术输出的最终落脚点，可能更多侧重于买家，而非仅仅是商家和品牌。
因此，他们首先想到的是：哪些线下购物场景痛点可以利用机器学习技术，或者说是「推荐算法」去解决。
淘宝高级技术专家雷音表示，根据收集到的大量用户与商家反馈，以下是两种消费者逛店普遍存在的问题：
一个是「不会搭配衣服」，以及「找不到合适的衣服」。
很多人在选购衣服时，通常也会同时考虑——「这件可以搭什么呢？」，脑子里会搜刮自己衣橱里有的衣服，或者在买了一件上衣后，又预备买一件下装进行搭配。很多时候虽然店员会给出搭配意见，但并不一定真正适合你。
另外，包括「程序猿」在内的多个消费群体的这类诉求貌似更强烈一些。
而另一个痛点则是针对商家的——「究竟应该把什么款式的衣服摆在最显眼的位置」。
经常去逛 H&M、Zara 等快时尚店铺的人一定会清楚，店方会选择把一些新的主打款穿在模特身上；而很多次并不主推或者较为基础的款式，会挂在一些不显眼的位置；甚至有些款式不会挂出来。
为了验证把线上「推荐效果」复制到线下的可行性，淘宝技术团队与品牌 GUESS，以及香港理工大学纺织与服装学系进行了一次专项合作，在理工大校内搭建了一家名叫 FashionAI 的时尚概念店。
根据我们的现场体验，如果把整个购物流程走一遍下来，可取之处在于「击破了上述两个痛点」。
不懂搭配？找不到合适的搭配衣服？
这个时候， 阿里认为基于你购买记录的推荐才是最靠谱的。
根据现场情况，每排衣架旁，都立有一个智能显示屏。由于每件衣服的保险扣内都内嵌 RFID 芯片，当你拿起一件T恤仔细查看时，屏幕就会感应到这件商品，显示出这件商品的 Size、库存等基本信息。
到这一步，其实没什么稀奇，智能试衣镜、智能显示屏这些都是老生常谈的话题。
但关键在于，这件 Tee 的基本信息中包含若干种搭配法则。譬如，它会推荐你用这件 Tee 搭配一条牛仔短裤，外加一个铆钉包和一双黑色高跟鞋。
一方面，这里的「推荐」，完全是基于你的淘宝历史记录。没错，这家店一定需要与你的淘宝账户进行绑定。
基于你的淘宝数据，同时显示屏上方的摄像头会通过人脸识别进行身份验证，这样系统就会推荐给你更符合偏好的一套搭配。
反过来，当你在 GUESS 线下店铺购买了一件大衣，淘宝也会根据这个最新的数据，为你更新线上的推荐产品条目 。
也就是说，淘宝技术团队先直接利用线上的海量数据优势，把线上线下的数据和推荐应用打通；再通过收集用户的线下消费数据，反哺线上，完善线上的消费体验。
另一方面，为了节省店面空间和消费者挑选衣物的时间成本，货架上基本只摆放 70% 的商品，剩下 30% 都存放在后面的仓库里。
但消费者如何「接触」到这 30% 的「不露面商品」？「推荐算法」在这个时候就起到作用了。
每套搭配中的商品，有一小部分只会存放在仓库里，而要与这部分商品亲密接触，就要靠每套「搭配方案」来发现它。
屏幕上会显示这件商品的具体存放位置，如果它被存放在仓库，而你选择了「试穿」和「尺码」，就要在屏幕上点击「试穿」选项，仓库的店员会提前把这件衣服提前取出并挂在试衣间的墙上。
「一般来说，越基础的款式，搭配方案也会更多。因此一件普通 Tee，可能会有七八种搭配形式；而一件连衣裙，搭配可能就只有鞋子的变化。」一位淘宝技术人员这样解释，
「但所有的搭配，都是基于你的淘宝消费数据推荐的。如果你平时在淘宝更喜欢买一些中性风的衣服，那么可能给你推荐有白 Tee 的搭配方案里，就不会出现裙子这一品类。」
另外，刚才讲到的第二个痛点——品牌店铺如何识别并摆放出那些「最好卖」的衣服，其实就是利用机器学习技术进行商品销量预测。
这个时候，拥有海量商品的基本信息与销售数据，显然更具优势。
「我们就是想借助于淘宝的商品数据优势，利用机器学习技术优化我们门店与库存的商品品类，」GUESS 大中华区 CEO José Blanco 认为，机器学习有能力「预测」到哪些产品更好卖。
「GUESS 在线上的消费数据一定会有助于线下店面的销量，同时，我们也在尽可能让线下店铺进行全面数字化改造。」
但是，就像我前面特意强调的，这是一个概念店。
就像一辆概念车，所有性能都设定在一个趋于完美的外界条件下。同理，这家时尚概念店，仅仅是针对推荐算法做的一次「点对点」线下尝试，如果从商业化方面考量，仅仅是一个初级产品，还没有对复杂的购物场景进行充分验证。
如果要真正实现一次顺畅的「挑选+试穿+购物」体验，需要对「整个面」进行改造。而我们在现场模拟了整个购物流程后，发现多处细节都隐藏着亟待解决的问题。
首先，为何店里衣架上的衣服挂的如此稀疏？虽然很多高档成衣店的确是如此摆放，但这样做其实更便于智能显示屏进行感应识别。
试想一下我们去逛商场，特别是快销服装品牌，为了节省空间成本，每个衣架上的衣服挂的密密麻麻，有时候拽都拽不出来。这个 时候可能需要把衣服扯出来，拿到屏幕前晃一晃。
而人流量一多，假如一个衣架前有三四个人在挑选（假设都绑定了淘宝账号），显示屏就很容易「错乱」。
另外我们发现，屏幕上显示的服装基本信息非常有限，仅有尺码、衣物细节图、模特效果以及搭配推荐可供参考。
但一件 Tee 本来就拿在手里，我们到底是想知道这件 Tee 的细节，还是更希望知道它的面料、库存量以及设计理念呢？
而试衣环节的漏洞更显而易见。
「我点击试衣，仓库立即给我拿出这件衣服挂在试衣间」。这个过程要想实现完美对接，要满足以下几点：
人流量稀少。
试衣的人不超过 5 个，而且每个人拿的衣物不能太多。店方才有条件在雇佣一至两人的情况下，完成上述操作。
店员熟练使用后台管理系统。
我们发现，在仓库中的「配货系统」屏幕上，会显示消费者的 ID 账号，任务量（需要送达试衣间的衣服数量）以及试衣间空余量。
但在操作过程中，不仅系统反应迟缓，演示者的操作也非常缓慢。从「衣服扫码上传数据」(下图）、「确认完成取货任务」，「清空试衣间」，再到「通知下一个人进来试衣」，整个流程的效率远远不及人为操作（就是看试衣间有人出来了，门口的店员喊「下一个」）。
或许店员在上岗前还需要进行一定的培训，但「无缝对接」的确非常难以实现。
这不由让人质疑，如果仅仅是考虑将各个环节进行数据化，以获取数据为主要目的，而忽略了操作效率与时间成本，对于店铺来说究竟是否值得改造？是否最终能有效提升用户体验？
不可能适用于快销及大众品牌，特别是单日人流量与交易量较大的店铺。
试想如果是在某热门商区的 Zara 或者 H&M 里，发生上面的情况是否更恐怖。每个人手里都拿着一摞衣服（8、9 件很正常）等待试穿，然后试衣间前排着长长的队伍。
假如这里面的每一个人都需要店员在仓库取出衣服再递出，配送任务系统需要不断被确认和清空……外加还有人在试衣间里想换另一个尺码呢？
显而易见，人力成本、时间成本都会变得更加高昂。
而要想补这些流程上的漏洞 ，就意味着店铺需要对整个试衣间以及仓库的结构进行彻底智能化改造。
现场的技术人员也承认，目前他们还没有在试衣以及仓库管理这个流程上找到一个非常全面的解决方案。
「我们最主要的目的是对淘宝线上技术做一个线下应用展示，但在试衣以及仓库管理环节的确存在问题。
其实我们有尝试对试衣间的『送传流程』进行智能化和机械化改造，譬如将盒马鲜生的智能悬挂链应用到这个环节。」
不过，对于当下这套系统来说，他认为更像是为成衣品牌打造的，通俗点说就是那些只有少数人能买得起，店铺人流量不大的奢侈品牌。
「考虑到这套智能设备的费用以及应用场景，率先在成衣品牌店铺实现商业化落地更为现实。」
