$34。
这是我的 AI Stylist App Clothes Box 的购物模式在 40 天上线测试期的收入，我从 affiliate network 收到的全部佣金。6,000 个用户，40,000+ 次商品推荐，653 次点击，最后 12 笔净成交，$691 的 GMV，佣金是 $34。
Clothes Box 是一个"数字衣橱 + AI 造型师"的手机端 App。用户通过给自己的衣服拍照就能建立数字衣橱，AI 造型师根据日程和天气用你已有的衣服搭配每天的穿搭。而因为我们掌握了用户真实拥有什么衣服，我们还能做"基于用户真实衣橱上下文的精准电商推荐"：AI 发现你缺一双鞋来搭配现有的裤子，直接推荐给你，还能生成你穿着这双新鞋搭配你裤子的虚拟试穿效果。（更完整的产品介绍放在了附录。）
从开始开发这款产品到现在一共 5 个多月，这篇文章复盘一下产品商业化策略的失败。具体来说，我怎么选了一个"看起来比订阅更聪明"的商业模式，实际跑出了什么数据，以及为什么这条路在结构上没走通。
1. 为什么不收订阅费
在动手之前，我调研了 App Store 里 40+ 款电子衣橱产品，也和其中 4、5 个 founder 聊过。
这个品类的现状很清楚：大家都在收订阅费，定价 $5-10/月，但付费转化率很低。
其中一个 founder 的数据让我印象比较深。他们的产品相对常规，主打数字化衣橱+虚拟试穿，co-founder 在 TikTok 有 1M followers，TikTok organic growth 就在 9 个月里获得了 20 万下载。他们为了测试用户付费意愿，前期订阅费压得很低，月订阅费 $2-4，但付费率也就刚过 1%。
1M 粉丝的免费流量，$2-4 的超低定价，还是只有 1% 的人愿意掏钱。
问题不在定价，也不在获客能力。是这个品类的用户对"电子衣橱"这种偏工具的应用，付费意愿就是很低。大家觉得"管衣服"这件事没有那么值钱。如果我也走订阅模式，大概率也是同样的结局。
所以我决定换一条路。
2. Affiliate Commerce 作为盈利模式
我的逻辑是这样的：既然用户不愿意为衣橱管理付费，那就把所有功能全免费开放，用免费来降低获客门槛。然后利用衣橱数据做精准的服装推荐，通过 affiliate 佣金赚钱。
这个逻辑在理论上是自洽的。我和投资人聊天的时候也是这么讲的：
因为我们掌握了用户真实拥有什么衣服，所以能推断出用户偏好，还能做到基于用户已有衣橱上下文的精准电商推荐。
听起来不错。
核心假设是：因为我相比其他电商平台拥有完整的用户衣橱数据，所以我的推荐转化率应该远高于普通广告。高转化率 + 免费工具获客，这条路应该比收订阅费"让不愿付费的人付费"更顺。
接下来就是验证这个假设。
3. 40 天，全链路数据
APP 三月底上线后，我接入了 Sovrn（一个 sub-affiliate network）作为购物模式的商品源。Shopping mode 有两个入口：一个是对话模式，用户和 AI Stylist 聊天时，Stylist 检测到购物意图后提取关键词，调用 Sovrn API 搜索相关商品，rerank 之后推荐给用户；另一个是浏览模式，像逛电商网站一样刷推荐，我们根据用户的衣橱数据和风格偏好推荐可能感兴趣的商品。两种模式下，部分商品会额外生成虚拟试穿（VTO）图片，让用户看到自己穿这件新衣服搭配现有衣服的效果。
以下是 shopping mode 开放 40 天的完整数据。
基础用户指标
| 指标 | 数据 |
|---|---|
| APP 累计用户 | ~6,000 |
| WAU | 1,300 |
| MAU | 4,000 |
| 周活用户平均打开次数 | 1.6 次/周 |
| 周活用户每周使用时长 | 5-11 分钟 |
| D1 留存 | 20.1% |
| D7 留存 | 11.8% |
| D14 留存 | 9.7% |
用户分布在全球各地，但 shopping mode 主要面向美国用户（affiliate network 只覆盖美国商家）。美国用户大约 800 人，我通过 feature flag 给其中 500 人开放了购物模式进行测试。
Affiliate 漏斗
| 环节 | 数据 | 转化率 |
|---|---|---|
| 开放 shopping mode | 500 人 | |
| 进入过 shopping mode | 227 人 | 45.4% |
| 推荐商品总数 | 40,000+ | |
| 其中生成了虚拟试穿（VTO）图片的商品数 | ~10,000 | |
| 点击过商品链接的用户 | 94 人 | 41.4%（of 227） |
| 商品链接总点击数 | 653 | 1.6%（of 40k） |
| Sovrn 归因订单 | 16 | 2.4%（of 653） |
| 退货退款订单 | 4 | |
| 净成交订单数 | 12 | |
| 净成交金额 | $691 | |
| Commission | $34 | 4.9% 佣金率 |
几个派生指标：
- 平均客单价：$691 / 12 = $57.6
- 每笔净成交带来的佣金：$2.83
- 每个 shopping mode 用户 40 天的 affiliate 收入：$34 / 500 = $0.068
- 年化 ARPU（per shopping mode user）：$0.62/年，约 $0.05/月
$0.05/月。是每个 shopping mode 用户的价值。
4. 四个结构性问题
回过头来看，这个模式有四个结构性的问题。
意图错配
用户打开 Clothes Box 是为了看"今天穿什么"，不是为了买新衣服。
这是最根本的问题。40,000 个商品推荐，只有 1.6% 的点击率。94 个人点击过商品链接，看起来占比不低（227 人里的 41%），但分摊到 40 天，平均每人只点了 7 次。考虑到用户每周只打开 APP 1.6 次、总共用 5-11 分钟，能触达用户的窗口本来就很窄。
Affiliate 本质上是个流量生意，需要高频、大体量的曝光才能驱动足够多的购买。用户每天在 Instagram 和 TikTok 上刷几十分钟甚至几个小时，电商广告的曝光频次和一个每周打开 1.6 次的工具类 APP 完全不在一个量级。
我试图用一个衣橱管理工具去创造购买意图。但用户来管衣橱的时候，脑子里想的是"今天穿什么"，不是"我要买什么"。再精准的推荐，对着一群没有购物意图的人展示商品，效果也很有限。
那如果能让用户养成买衣服直接来 Clothes Box 的习惯，而不是去 Google Shopping 或者服装品牌官网去搜。这个模式是不是就可行了呢？
但这又会遇到下一个问题。
Catalog 不完整
这个问题最早来自和一个用户的对话。我问她对 shopping mode 满不满意，以后会不会直接在这里搜衣服买。她说推荐的衣服还不错，但她喜欢的品牌没有。她明确要求 AI 推荐 Anthropologie 的衣服，AI 搜了一圈，推回来的还是 Macy's 里的其他品牌。
不是 AI 推荐算法的问题，是 Sovrn 的商品库里压根就没有 Anthropologie。
为了解决这个问题，我后来加了 Serper.dev 的 Google Shopping 搜索做补充召回。Serper 能覆盖到 Sovrn 没有的品牌和商家，返回商品标题、价格、图片和链接。但 Serper 本身不做 affiliate monetization，所以我写了一个 affiliate link router：如果 merchant 能被 Sovrn 覆盖就转成 affiliate link，不能就保留原始链接。
结果就是：为了不让用户体验崩掉，我不得不推荐一些我赚不到钱的商品。用户体验和商业化之间产生了直接冲突。这个问题无解，因为很多品牌（尤其定位相对高端的）认为 affiliate commerce 会稀释品牌价值，根本就不愿意加入。任何一个 affiliate network 也不可能覆盖所有品牌。
POPSUGAR 前 CEO Brian Sugar 写过一篇关于 AI shopping 的文章，里面有一句话说得很准："In fashion, if something is missing, everything feels broken." 时尚领域，只要有东西缺了，整个体验就崩了。
虚拟试穿（VTO）的悖论
虚拟试穿（VTO）是我给用户提供的一个 magic feature：在展示商品的时候不用商家提供的和用户外貌和身材完全不一样的模特图，而是直接渲染出用户穿着这件新衣服的样子。
数据上看，VTO 确实有效：
| 有 VTO | 无 VTO | |
|---|---|---|
| 推荐商品数 | ~10,000 | ~30,000 |
| 点击数 | 285 | 368 |
| 点击率 | 2.85% | 1.23% |
VTO 把点击率拉高了 2.3 倍。
但看一下经济账：
| 数据 | |
|---|---|
| VTO 成本（~10,000 × $0.04） | ~$400 |
| VTO 带来的点击数 | 285 |
| 每次 VTO 点击的成本 | $1.40 |
| 每次点击带来的 commission | $0.052 |
VTO 每次点击花 $1.40，赚 $0.052。成本是收入的 27 倍。
这就是悖论所在：我给用户提供的 magic moment 同时也是我最大的成本项。VTO 越好用、用户越喜欢看，我亏得越多。而如果不做 VTO，我的购物推荐和任何一个普通的 affiliate 商品列表就没有本质区别了。
差异化的来源和亏损的来源，是同一个东西。
归因黑箱
653 次商品链接点击，Sovrn 归因到我的只有 16 单。
2.4% 的 click-to-order rate 在 affiliate 行业里看起来正常（通常 2-5%）。但我完全无法知道真实的转化到底有多少。
场景是这样的：用户点了我的 affiliate link，跳转到商家网站，浏览了一会儿，准备结账（或者放在购物车里几天之后准备结账）。这时候 Honey 或者 Capital One Shopping 这类浏览器插件弹出来一个 coupon，cookie 被覆盖了。最终这笔交易的 commission 归到了 Honey / Capital One Shopping，我什么都拿不到。
Brian Sugar 在同一篇文章里也写了这个："A shopper discovers a dress on Daydream, clicks through to buy it, but Honey's browser extension hijacks the final commission. Daydream gets nothing for the discovery work. This scenario plays out millions of times daily."
我的 16 单之外，可能有更多的转化被截走了。也可能就是 16 单。我永远不知道。这种不透明性本身就是 affiliate 模式的结构性缺陷：你很难优化一个你看不见完整数据的漏斗。
5. 重新对比订阅模式和 affiliate 模式
把 affiliate 和订阅模式放在一起比较。
先看同样 500 个用户的对比（订阅按竞品 1% 转化率、$7/月、Apple 抽 30% 估算）：
| Affiliate（实测 40 天） | 订阅（估算 40 天） | |
|---|---|---|
| 收入 | $34 | 500 × 1% × $7 × 40/30 × 70% ≈ $33 |
在 500 人这个小规模上，两者几乎一样。看起来 affiliate 似乎不亏。
但这里有一个关键区别：affiliate 只能变现美国用户（affiliate network 只覆盖美区商家），订阅可以变现全球用户。放到全量用户上：
| Affiliate | 订阅 | |
|---|---|---|
| 可变现用户 | ~800（US only） | ~6,000（全球） |
| 月收入估算 | ~$40 | ~$294 |
| 年收入估算 | ~$480 | ~$3,528 |
订阅模式的收入是 affiliate 的 7 倍。核心原因不是单用户价值差异，是可变现用户的基数差了 7.5 倍。
我为了避开"用户不愿意付费"这个问题而选择了 affiliate，结果 affiliate 直接把 85% 的非美国用户排除在了变现范围之外。
而更致命的是，上面的 affiliate 收入还没扣 VTO 成本。如果算上 VTO 的 $400（按 40 天），affiliate 模式的净收入是 负 $360。哪怕完全不做 VTO，仅靠无 VTO 商品的自然转化，40 天的 commission 大概也就 $19 左右。
不管怎么算，这笔账都算不过来。
6. 不只是我的问题
跑完这 40 天之后，我才读到了前面反复引用的 Brian Sugar 那篇文章。他经历过同样的事情，只不过规模大得多。POPSUGAR 旗下的 ShopStyle 做的就是 fashion discovery + affiliate 模式，最终在 2017 年卖给了乐天 Rakuten。
他在文章里列了一串名字：Polyvore、ShopStyle、Lyst、Wanelo、Fancy、Pose、Spring。这些都是过去十几年里做 fashion discovery 的公司，都尝试过 affiliate 模式，大部分人已经不记得它们了。现在的新一波是 Daydream（$50M seed round）、Gensmo（$60M seed round）、Alta（$11M）。技术更好了，用上了 LLM 和 virtual try-on，但他总结的结构性问题和十年前一模一样：catalog 不全、归因被劫持、独立平台和 Google/Instagram 争抢用户注意力的不对称竞争。
他的核心论点："AI will not fix the business model." 更好的 AI 修不了坏掉的商业模式。
我用 Clothes Box 的一手数据又一次验证了这个判断。
结尾
Shopping mode 已经关停了。
增长飞轮的前提是每获取一个用户能赚回获客成本，而由于 monetization 模式不成立，用户 LTV 撑不起来，也就没法做高成本的用户获取和广告投放。
Clothes Box 目前在 App Store 上的评分是 4.9/5。用户确实喜欢这个产品，它解决了"衣柜里有什么、今天穿什么"的问题。我打算继续维护它，让它作为一个好用的电子衣橱和 AI stylist 工具存在下去。
但它不是一个 venture-scalable business。
下一步具体做什么还没想好，可能是恢复订阅制，让订阅收入覆盖 App 的运营成本，每月赚一点点钱。
Good product, not a business.（附录里有一组事前估算和实际结果的对比，可以看看当初的预期偏了多远。）
这不是我希望的结论，但否定的结论也是结论，可以继续去做下一件事了。
Appendix
Clothes Box 产品介绍
消费者在穿搭和买衣服上的体验是很割裂的。大家经常抱怨衣柜满满当当却不知道怎么搭。同时美国的服装电商极度分散，你在 J.Crew 买毛衣，在 Levi's 买牛仔裤，这些品牌彼此之间是"数据孤岛"。目前的购物体验是"无状态（Stateless）"的：电商平台不知道你的个人风格，更不知道你衣柜里已经有了什么。
Clothes Box 要解决的就是这个问题。简单来说，它是一个懂你衣柜的 AI 个人造型师。
产品分三层：
第一层是数字化。 用户把衣服拍下来，APP 自动处理图片、抠图、打标签（类别、颜色、季节、场合），极大降低了建立数字衣橱的门槛。
第二层是日常穿搭。 AI 根据你的日历、天气，每天用你已有的衣服帮你搭配穿搭方案。不是推荐你去买新东西，是告诉你"今天你可以穿去年买的那件黑夹克，配那条蓝色牛仔裤"。
第三层是 Shopping Mode（购物模式）。 因为我们已经有了用户衣橱的 Ground Truth，电商推荐可以做到"基于上下文"。你可以直接和 AI 对话让它帮你找衣服，也可以像刷购物网站一样浏览推荐。推荐不是乱推，而是基于你已有的衣服去推能"补全搭配"和符合你审美偏好的单品。
shopping mode 的另一个亮点是商品展示方式。过去 10 年网购看的都是长相、身材跟你完全不一样的模特在摄影棚拍的图，你得靠脑补这衣服穿在自己身上是什么样。而在 Clothes Box，推荐的商品会直接渲染出你穿着这件新衣服、搭配着你衣柜里现有裤子的样子。所见即所得。
商业模式上，所有功能对用户完全免费，不收订阅费。通过接入 Affiliate Network，从用户购买新衣服的交易中抽取佣金。
这就是本文要复盘的：这个商业模式为什么没跑通。
A. Affiliate 漏斗明细
| 指标 | 数据 |
|---|---|
| Shopping mode 开放用户数 | 500 |
| 进入过 shopping mode 的用户 | 227（45.4%） |
| 推荐商品总数 | 40,000+ |
| 生成 VTO 的商品数 | ~10,000 |
| 未生成 VTO 的商品数 | ~30,000 |
| 点击过商品链接的用户 | 94（41.4% of 227） |
| 商品链接总点击数 | 653 |
| Sovrn 归因订单 | 16 |
| 退货退款 | 4 |
| 净成交 | 12 |
| 成交金额（GMV） | $691 |
| Commission | $34 |
| 佣金率 | 4.9% |
| 平均客单价 | $57.6 |
| 每笔成交佣金 | $2.83 |
B. VTO 效果对比
| 有 VTO | 无 VTO | |
|---|---|---|
| 推荐商品数 | ~10,000 | ~30,000 |
| 点击数 | 285 | 368 |
| 点击率 | 2.85% | 1.23% |
| 点击率提升 | 2.3x | baseline |
| 生成成本（$0.04/次） | ~$400 | $0 |
| 每次点击成本 | $1.40 | $0 |
| 每次点击收入 | $0.052 | $0.052 |
| 成本/收入比 | 27x | 0 |
C. 用户留存
| 留存 | 比例 |
|---|---|
| D1 | 20.1% |
| D7 | 11.8% |
| D14 | 9.7% |
D. 两种模式收入对比（月度估算）
| Affiliate | 订阅（1% 转化 × $7/月 × 70%） | |
|---|---|---|
| 可变现用户基数 | ~800（US only） | ~6,000（全球） |
| 月收入 | ~$40 | ~$294 |
| VTO 月成本 | ~$300 | $0 |
| 净月收入 | -$260 | ~$294 |
| 年净收入 | -$3,120 | ~$3,528 |
E. 事前估算 vs 实际结果
在做 Clothes Box 之前，我用行业数据估算过 affiliate 模式的 per-user 收入。当时的思路是这样的：
| 假设 | 数据 |
|---|---|
| 美国消费者年均鞋服消费 | $1,500 |
| 线上消费占比 | 45% |
| 年均线上鞋服消费 | $675 |
| 用户通过 Clothes Box 完成的线上消费比例（假设） | 30% |
| 用户在 Clothes Box 的年消费额（假设） | $202.50 |
| Affiliate 佣金率（假设） | ~5% |
| 估算年均 per-user affiliate 收入 | ~$10 |
$10/年/用户，$0.83/月。对比一下订阅模式：按 1% 转化率、$7/月、扣掉 Apple 30% 之后，订阅的全用户 ARPU 是 $0.59/年（1% × $7 × 12 × 70%）。当时一算，affiliate 的 $10/年是订阅 $0.59/年的 17 倍，这条路看起来明显更优。
实际跑出来的数据：
| 事前估算 | 实际（40 天年化） | 偏差 | |
|---|---|---|---|
| 用户年消费额（通过 Clothes Box） | $202.50 | $12.60 | 16x |
| 占线上鞋服消费比例 | 30% | 1.9% | 16x |
| 年均 per-user commission | $10 | $0.62 | 16x |
估算偏了 16 倍。
核心错误在于"30% 的线上消费通过 Clothes Box 完成"这个假设。这个假设意味着用户每年在 Clothes Box 上花 $202，差不多每个月花 $17 买衣服。听起来不多，但它要求用户真的把 Clothes Box 当作一个常用的购物入口，而不只是一个衣橱管理工具。
实际情况是：用户确实会用 Clothes Box 管衣橱、看穿搭建议，但买衣服的时候还是去 Google、去品牌官网、去 Instagram 上刷到的链接。"拥有用户的衣橱数据"并没有让用户改变购物习惯。