服装行业的断码和库存一直是服装企业在商品销售运营中亟需解决的问题，尤其是自有品牌的服装企业。一方面，门店里出现断码缺货；另一方面，仓库中积压着大量库存，且铺货不精准、调拨不及时等都会带来门店和仓库中的断码和库存问题。
随着品牌运营日益标准化和精准化，打造依靠大数据来做精准推荐尺码的平台十分必要。在首届全球算法最佳实践典范BPAA中，上海贯信信息技术有限公司（零点有数子公司）的“服装行业机器尺码推荐”项目脱颖而出，荣获BPAA商业算法赛道十强。该项目以服装企业在订货会时推荐的尺码比例为核心，依靠数据与算法解决区域尺码的断码和库存问题。
一、传统尺码分析困难重重
传统的尺码比例往往依赖于买手经验，如店长日常的缺码反馈、同期的尺码售卖比例、标准的一手码比例等。针对尺码比例的制作，零点有数贯信项目团队在多个区域的品牌公司开展调研，收集买手的尺码比例制作工程的经验。
不管是标准流程还是差异化流程，都高度依赖于人为收集因素以及人为经验判断。另外，买手制作尺码比例的时间为1~7天不等，在订货会现场调整尺码比例消耗的时间至少要半天到一天。
1.1一年同期数据无法发现趋势线变化
在标准流程中，大多品牌公司给出的仅仅是去年同期的销售数据汇总，仅参考去年数据，无法知晓尺码比例的稳定性，也无法预知尺码比例变动较大的品类。
1.2基于品类的统计过于粗糙
多数品牌只做到了品类维度，没有再做更细化的分析，如色系、材质等因素是否对尺码有影响。就服装而言，消费者在购买深色和浅色衣服时，会适当调整尺码比例，此举必然会带来不同色系尺码比例的不同。
1.3商品属性维护不一致
很多品牌公司在做商品企划时，并未考虑品类变化带来的数据统计上的难度，“统一含义的属性但叫法不同”的情况时有发生，这给数据分析带来了影响，需要提前做好映射关系，才能得到历史数据。
1.4不同深度带来的尺码比例和尺码宽度不同
相同商品在铺货时，尺码比例和整个生命周期的尺码比例是不同的。相对而言，首铺的尺码比例不需要在核心码上做更深量的铺货，但在整个生命周期中，核心码的尺码比例总是远大于非核心尺码。并且常规来说，整个生命周期的核心码比例大于首铺时的比例。
相同品类中的不同商品由于深度不同，在买货时买手给的尺码比例范围以及大小也不相同，如下量深度是50的商品A和下量深度是500的商品B，A商品可能只会下其中4个尺码，B商品会下6个尺码，因尺码宽度的不同自然会引起尺码比例的不同。但在订货过程中，买手准备的尺码比例无法识别此经验值，一般买手会给商品A和商品B使用相同的尺码比例。
二、机器学习算法打造智慧服装
随着互联网、移动互联网、机器学习算法的普及，越来越多的行业开始使用算法做数据的提取和训练以辅助商品运营，品牌公司可以利用较为成熟的算法，加上品牌常年累积的数据财富，对数据进行分析和建模，将数据的价值最大化，商品数据中台应运而生。
商品数据中台贯穿整个商品生命周期的各个节点，为每个重要节点提供数据分析以及运营辅助。数据中台中的“尺码比例分析”可根据历史数据，在订货会和铺货阶段推荐合适的尺码比例，以减少销售过程中的断码和库存。
相较于人工尺码比例，机器尺码有如下特点：
2.1多年数据的趋势识别以及稳定性识别
在没有竞品以及全部商圈数据的情况下，用好品牌自身的数据至关重要，拿到品牌多年的销售和库存数据，并能够进行数据处理、趋势分析、稳定性分析等。
2.2提取影响尺码比例的属性
根据历史数据，提取影响尺码比例的商品属性非常重要，还可根据历史数据提取影响尺码比例的其他属性，如色系、材质、长短装、厚薄款等。
2.3维护品牌商品属性字典
很多品牌公司在做商品企划时，并未考虑品类变化带来的数据统计上的难度，零点有数贯信项目团队正积极推动多品牌结合，做出服装行业的属性字典，以去除品类描述的差异化带来的数据损失。
2.4提取不同订量范围的尺码比例和尺码宽度
使用聚类和分类算法求得不同订量范围尺码比例和尺码宽度，并根据商品售卖周期识别出铺货尺码比例和订货尺码比例。
零点有数子公司贯信深入了解品牌需求，积累行业经验，在订货会等场景中以数据算法助力尺码比例分析。举例来说，一是数据接口自动数据抽取，可定时抽取ERP系统中的零售、库存和进货数据，并做数据处理；二是数据校验和训练中心，提供按钮做数据的处理和训练，以得到训练模型供订货会使用；三是订货会系统实时调用，订货会系统与数据中台实时API调用获取数据，并根据下量深度不同提供不同尺码比例。
未来，零点有数子公司贯信将继续总结行业经验，整合技术资源，优化订货方案，致力于为更多品牌提供新零售智慧订货解决方案。