快讯：别拿造爆款这种痛苦的事折磨自己了

来源: 虎嗅APP ┆ 时间: 2023-02-28 18:42:47

题图 | 视觉中国

(相关资料图)

AI造新的一次尝试

在刚刚完结的电视剧《狂飙》中，剧中角色徐江的一句“把那电视机给我砸了，什么档次跟我用的一样”，让等离子电视也成为了和电视剧本身一样，脍炙人口的谈资。相比于那个年代又厚又重的大彩电，（等离子电视）又薄又轻的特性，无疑是当时爆款的风向标。

身处2023年，面对消费市场瞬息万变的需求和产品的快速迭代，商家想要找准爆款的模样，相比二十多年前要更加困难。尽管市场调研、趋势观察、数据预测的工具越来越多，品牌仍旧难以消灭造新失败的风险。万千商家正在呼唤更具确定性、更有安全感的解决方案。

比如，近来横空出世的ChatGPT，提供了一个可行的方向。作为一款人工智能聊天工具，它能够运用神经网络架构，使得AI具有语言理解和文本生成能力。“世界形势、情人节巧克力的配方”，五花八门的问题背后，AI总能给出有趣的回答。另一方面，诸如修改代码、代写论文、诗歌创作等人力工作，ChatGPT也能快速输出答案。生成式AI的这种强大能力，也让市场对类似工具的应用范围有了更“疯狂”的畅想：从能否取代搜索引擎，到能否代替各种文字工作，再到实现通用人工智能。

依照上述技术逻辑，未来的电商产品研发有了一张美好的蓝图：打造一款商品研发市场的“ChatGPT”，利用AI来帮助商家研发新品。

“输入商品就能自行判断是否为爆款，还能利用AI设计生成爆品概念卡”，愿景美好的同时，AI造新距离完全落地还有相当长的一段距离。但已经能够在市场上，看到萌芽诞生的蛛丝马迹。比如天猫新品创新中心（下文简称TMIC）近期推出的“AICI爆款公式”，即被视为新品研发AI智能解决方案的初探。

从2017年成立至今，TMIC的创新工厂和黑马工厂业务帮助商家大大减少了洞察市场趋势的时间，TLAB产业创新实验室则着重从原材料研发端减少商家产品研发时间。而“AICI爆款公式”则进一步降低了数据挖掘与洞察的耗时，针对商品数字化企划流程实现提效，弥补了品牌在新品企划上挖掘爆款能力的短板。

作为新品孵化前的重要一环，商品企划阶段承担着新品设计和爆款预测的职责，商家需要从大盘中找到真正能够出圈的爆款，而这从来都不是一件容易的事。

从趋势洞察到产品落地，有多远？

服务于商品结构和品牌盈利的传统商品企划流程，同时需要用到感性与理性思维来进行流程管理。过往，企业对商品企划的职能和系统性认知的不足，外加技术支持的缺位，让品牌造新在步入孵化阶段之前，就吃了不少苦头。

比如，如何确定数量、价格、销售地点等因素，以及如何满足目标顾客欲望和需求。这些决策过程往往是依赖人为的主观经验和判断，最终“拍脑袋”生产出来的具体产品往往与消费市场的新需求大相径庭。

其次，数据支撑完备性较差限制了商品企划的完成速度。目前的市场洞察手段或许可以帮助研发部门对产品痛点进行分析，比如对于洗发水商家来说，针对消费人群的需求洞察工具，能够为商家选定大致的细分赛道：脱发人群的增长和消费者对于持久留香健康需求的提高，让防脱发洗发水和香氛洗发水成为商家可选的细分赛道。

但是，围绕这些痛点和需求的产品设计，仍旧是一个漫长的过程。比如在确定了研发方向之后，具体新品的设计研发也要耗费大量的时间。同样以洗发水为例，如何确定产品的成分构成、香味如何设计、功效如何与成分匹配、价格如何设定都是抽象且复杂的问题，没有数据支撑，人工判断下产品研发很容易偏离爆款轨迹。

有的时候，品牌对所在市场的趋势变化和发展方向已经有了清晰地洞察，但真正到了下场选品的时候，对于新品的数量、种类、占比的规划仍旧是一头雾水。也正是在商品企划阶段中，暴露出来的缺乏确定性指导的缺陷，让无论是市场节奏较快的快消行业、还是追求产品差异化的服装行业，甚至是3C数码汽车等传统行业，都有过新品上市即翻车的“惨痛教训” 。

最后，没有数字化的介入，围绕爆款定义的大量信息的处理和分析也让品牌研发如履薄冰。

介于上述背景，“AICI爆款公式”的落地，则进一步将新品诊断逻辑转变为爆款生成逻辑。而这种逻辑演变的基础，则来源于模型背后，一套符合后端生产研发语言产业的商品要素标签。

从技术层面来说，这套利用货品属性知识项对大盘现有货品打标形成的商品要素标签，与TMIC已有的产业知识库和品牌私域知识库实现了互通。诸如通用的价格带、品牌，以及细分行业（服饰）的风格、款式、颜色、面料等关键决策因子的设置让要素标签在满足品牌做货逻辑的前提下，能够与消费者需求形成准确的映射关系。

在设置了大量决策因子后，模型通过学习二分类单变量逻辑,利用归因计算和决策树计算，通过快速AB计算不同因素下的爆款胜率，定位哪些商品属性最大程度影响了商品是否成为爆款（即关键决策因子），形成决策因子和关键元素重要性排序，并以此为目标逐层下推爆款的关键决策因子组合。

另一方面，基于市场十亿+动销商品、4万类分行业产业要素、近百万商品标签和用户偏好行为的全面洞察，也保证了模型对于爆款定义的准确性。

例如，模型的要素标签覆盖了近一年淘系的亿量级动销商品，仅快消品就达到了千万级别。另一方面，针对不同圈层人群打造的人群标签，TMIC结合当前行业的流行趋势和社会文化，分出“同好人群”和“先锋人群”。通过掌握这些细分人群的行为数据，让其一同前置地参与到新品的研发过程，从而学习到了不同消费者在作出购买决策时的核心影响因素，保障了决策因子制定的科学性。

这也是TMIC内部将这套公式称为多模态深度学习网络和超大规模决策归因模型的原因。再辅助阿里提供的强大算力，从上千亿潜在组合中自动高效遍历，爆款画像最终落地。

通过4层递进式核心分析（类目潜力判断、决策因子排序、品牌诊断与新品画像推荐），AICI爆款公式试图用最“确定”的方式来帮助商家摆脱过往依靠“人肉总结规律”、“拍脑门决定方向”的决策行为。

用最“确定”的方式造新

对孩童时代记忆深刻的人，也许会对如下场景感同身受：“数学课上老师经常要求，把思路呈现在演算过程上，而不是光靠最后的结果”，只有完备合理的演算过程，才能让老师相信，最后得出的答案是值得推敲的，而不是胡乱抄写他人的。

这个道理同样适用于电商品牌的造新过程。在如今消费市场瞬息万变的环境下，商家造新的门槛一直居高不下。而使得品牌没有“创作瓶颈”的背后，是平台和研发部门面对各种创新挑战一次又一次精雕细琢的结果。

在AICI爆款公式正式推出之前，TMIC已经完成了和各行各业头部品牌的合作共建。这也为这一模型的落地提供了大量经验借鉴，赋予了其与传统市场洞察工具所不同的价值。

比如应用场景和数据分析的全面性、精准性以及灵活性。

在实际造新场景中，品牌新品研发诉求十分复杂，不同行业、不同品牌对于新品研发方向和目标的要求不尽相同。过往，市场对于爆款的定义更多集中于高GMV的目标。而对于有引流诉求和追求稳定性的品牌，高浏览量、高转化才是他们造新的目标。另一方面，新品研发阶段的不同也会衍生出不同的需求。处于新品研发方向期的品牌更期待对整个品类进行俯视观察、处于新品概念期的品牌则更希望看到细分赛道的具体情况。

针对不同的新品研发诉求，AICI爆款公式能够提供差异化的模型能力，让新品研发更加贴合实际场景。在过去5年时间里，对于人群和市场的大量调研和数据积累，让AICI爆款公式模型，有着优于传统数据分析工具所不具备的电商平台大盘细颗粒度分析：“在市场筛选维度上，商家既可以只聚焦局部的人群（一二线市场高消费人群），也可以针对某一个细分市场（高价位带市场）进行分析”。

因此，商家可根据上述不同诉求，自由选取不同侧重的数据服务（基础版和进阶版），来保证数据洞察的高性价比。

在具体使用过程中，商家仅需在输入项确定目标市场和目标人群等基本信息。根据自身产品所处的研发阶段，了解目标人群下叶子类目的大盘表现情况、判断各叶子类目潜力确定新品类目范围。后续还可针对高权重的决策因子，进一步展开查看潜力细分赛道对比大盘与品牌 GMV、GMV 增速、人群TGI等表现情况，判断品牌对每一个细分起点的优势与潜力。

而AICI模型会完成接下来的筛选工作：帮助商家进行知识质量评估（决定哪些知识项可作为决策因子计算、对决策因子进行重要性排序）、通过高可靠的多模态深度学习网络和超大规模决策归因模型，从上千亿潜在组合中自动高效遍历，实现对爆款画像的全面计算，最终将围绕市场定位和目标人群的高价值商业机会，聚合成黄金公式推荐路径与商品组。

通过前期与服装、洗护等大快消、食品领域的深度合作，这套AI主导的运行逻辑，也在逐步得以验证。

以洗发水品类为例，针对新锐白领人群，市场趋势洞察发现，这一消费群体存在着如下痛点：“约会或外出游玩时，头发细软无法保持完美的头包脸发型，导致拍照不好看，显脸大”。

因此，模型根据上述痛点确定了爆款的功效，即丰盈蓬松、营养头皮、清冷香型以及无硅油。再根据功效确定了支撑成分的方向（维生素，金盏花，氨基酸，蜂胶，佛手柑），最终形成了“成分x功效x场景”黄金公式路径及爆款画像。

另一个可举的应用领域是女装羽绒服。针对新品研发目标为导流的商家，AICI爆款公式通过引流款归因计算发现，除了品牌之外，款式、面料、风格等关键决策因子的权重较高，故模型计算生成了“款式x风格x色彩”的黄金公式，并以爆款SKU举例。比如双面款式、空气感风格的女装羽绒服产品爆品率为100％，商品覆盖率为1.5％（数据经脱敏处理），意味着品牌按照这一方向进行生产的新品有很大概率能够实现“上市即打爆”。

相比于之前繁杂且昂贵的的研发决策过程，AI模型介入后的新品企划乃至上市孵化的确定性大大增加。

当然，目前AICI爆款公式涉及的行业范围并不算广泛。与此同时，诸如高收藏、高复购、高转化、高拉新等进阶新品研发目标还未纳入模型考虑范围，而这一切还有待平台和更多品牌持续合作共建来加以改善。