AI在消费行业如何助力新品的诞生？| 出海同学会No.89期干货

导语

在2023年，我们将全球消费板块的关注点放在一个年度话题上：“全球消费行业的第二增长曲线？” 选定这一主题也与目前的行业增长难求、逐渐饱和的现状有相应的关系。另外尤为重要的是，AI战略成为了每一家出海企业需要思考的问题，对于消费、品牌、跨境电商赛道的全球创业者也不例外。

而在之前的讨论中，我们在80、83、85期里，触及了初步的2023年度市场观察，线下渠道、Chatgpt的应用等话题。从这里开始，我们将继续在选品、渠道等不同维度，结合AI，进行“第二曲线”的探索。

这一期89期出海同学会闭门研讨，我们就AI在选品、新品开发、爆品孵化方面的应用和探索进行了研讨。以下是此次讨论的可公开部分。

- 本期课代表同学 -

Student on Duty

Coupang Global Tech Lead 侯剑 

Kua.ai 创始人 龚毅 

趣得科技 CEO 龚云路

SaaS战略投资 Daniel Qi

深圳迭代创新科技 创始人 Even Han

上海超级爪爪宠 联合创始人 田凤君

Traini CEO Arvin Sun 

图形起源 CEO 史海天

万拓科技 副总裁 陈耕

亚马逊全球开店 毛金涛Kam 

（*按公司名数字-字母序）

部分同学因公司PR保密不能露出外发内容

我们同样感谢他们的精彩输出

要点问题

Part 1：传统选品的方法论

• 行业关注的重要品类和代表品牌？

• 选品和爆品的既有方法

Patr 2：如何利用AI及相应工具助力新品开发？

• 企业应该建立怎样的AI策略？

• 如何利用AI和工具挖掘有竞争力的新品类？

• 爆品开发与孵化如何利用AI和工具？

Part 1

传统选品的方法论

万拓科技 副总裁 陈耕

我们主要是做消费电子类的，拓新品方式仅供参考。

第一，和供应链端保持沟通，我们的供应商会拓一些新品，比如做影像设备的拓展音频设备，我们和他们一起研究品类，早期甚至会和他们一起共建，共创。

第二，和方案商、芯片厂商不定期地沟通，芯片或者方案技术的迭代演进，不单是可以应用于现有品类，还可以出现一些新的品类，一些技术迭代的机会。

第三是，市场需求端。我们有一些成熟的品类，成熟品类在平台上会看到一些强关联的购买，就会去评估这些产品是不是可以成为我们拓展的一个方向。

此外，我们的很多产品在使用过程中有不同的场景，有些场景占据主流，有些长尾的场景可能被大家比较忽视了。以投影仪为例，大家想到的是用投影仪去观看电影或视频为主，但是与客户沟通中发现，他们用投影仪去做装饰或者烘焙的时候投放图案。我们就会思考如何把产品与客户需求场景关联，去拓展新的品类。

再回到平台端，平台端的一些意见和洞察对我们来说非常关键。我们非常重视线上的数据，线上的经理们会和我们做一些分享和洞察。

我们还入驻了线下门店，与门店管理人员会做不定期的沟通，线下商场的选品逻辑和线上的不一样，线下反馈的意见，对我们来说也非常具有参考性。

拓品的方向，还有就是参加一些线下老板闭门局，参加行业展会，逛线下门店，从门店的摆品、调整坑位、排品洞察趋势，线下门店做的决定比较远，至少能保证一年或两年以上的收益，最后就是投资人交流，他们会和我们分享一些行业内比较早期的信息。

前面讲的都是从公司长线来看。我们也会去强调小步快跑的试错机制，内部组建了蓝海先锋队部门，负责是不停地找新品、找蓝海，类似于小阿米巴的形式，给予了充分的权限，效率也相对高一些，支持他们试错，再去观察数据，这是我们从组织机制上做的一些方式。

超级爪爪宠物 联合创始人 田凤君

我们是做宠物用品出海的，目前主要在一个手工属性比较强的平台上售卖。我们主要运用平台内部数据和一些第三方数据分析软件，分析我们这个品类的一些相关数据以及竞争对手卖得比较好的产品，给我们自己选品提供一些参考。同时也会投放站内广告，通过广告数据的反馈，选择表现比较好的细分品类继续深耕。

Traini CEO Arvin Sun

我们是从数字化宠物服务方面切入，现在还没有大规模的推销产品或者销售。目前重点的做dog training 部分，也在考虑往APP里做一些产品。

我们选择产品的方式，第一是和课程内容相关，第二是选品的时候，想到与课程相关的是滑板，因为用户用我们滑板的课程比较多，而且能够在社交媒体上引发效应，但是目前又没有专门针对狗狗品类的产品，所以我们就把服务和产品深度绑定，这是我们选品的考量。

亚马逊全球开店 毛金涛

卖家角度的选品思路是人无我有，人有我优，横向对比其它平台，选取竞争相对来说不是特别激烈的一些赛道，自己有优势，别人暂时做得不是特别好，这是选品和爆品的一个思路。

现在的大环境市场Amazon还是蛮内卷的，中国卖家的占比相对比较高。选品和爆品方面，我一般会推荐找一些增速相对比较快，同时天花板是比较高，符合现在亚马逊平台品牌化走向的一一些品类。

我是带服饰品类的，最近几年户外、滑板、路冲方向还是挺火的，有些品类的增速情况还不错，比如NorthFace，这一块我觉得是一个比较好的品类方向。

Amazon服饰类目占比最高的是女装，其中连衣裙占比极高，女装里70%-80%是连衣裙，只要处理好了退货率的问题，它是一个不错的品类。

外部的数据服务商像 Jungle score 、 Packview 出的H10、欧陆、卖家精灵之类，从好用程度到不好用的程度，根据我接触到的卖家反馈的情况是H10 还是蛮好用的，卖家精灵的颗粒度也蛮OK，Amazon内部也出了一些自有的工具，比如商机探测器，据我所知，有头部中国的服饰大卖家使用后觉得还蛮OK，可以结合外部的数据一起看。

Part 2

如何利用AI及相应工具助力新品开发？

Kua.ai 创始人 龚毅

商家的选品需求分为三个层面：第一个是选品创意，即某个品类最近有哪些产品可能比较火，这是一个广开思路的过程；第二个层面是通过数据或者信息来验证这些创意的可靠性；第三个层面可以结合广告投放来进行测品。

第一个层面相对来说这是ChatGPT 比较擅长的地方，作为语言大模型它浓缩了预训练时候所有的知识；第二步就是AI选品工具要解决的关键点，即通过数据去验证ChatGPT给出的这些产品创意，到底是不是有很多用户搜索，以及是不是有很强大的竞争对手在销售了。因为单纯基于 ChatGPT 得出的东西，可能具有“幻觉”，也就是说ChatGPT说某个品类比较火、在实际中不一定火。这是 ChatGPT 解决得不好，也是下一步我们重点要解决的，我们会接入很多数据源，包括非结构化的数据来解决这个问题。

比如，某个大卖想要知道某个宠物品类的选品机会。第一步是要知道，宠物品类哪些产品创意与自身的供应链能力、现在卖的产品相关，这一步可以通过 ChatGPT 来满足。ChatGPT一下给出了10 个到20个idea。然后，ChatGPT需要调取亚马逊数据，去分析这些idea到底是否适合进入。这通常是希望能找到销量大、但是竞争不激烈的idea。比如针对宠物品类的“猫爬架”，分析关键词搜索排名前十ASIN的销量比较高，结合评论等一系列数据，快速地 ranking 出可以 deep dive的品类。这是AI可以结合数据大幅提升效率的地方。

在第三步的测品环节，我们看到比较有意思的方向是独立站在Facebook 的广告投放，通过AI生成大量和产品相关的素材进行小规模投放，快速找到可以打爆品的素材。如果大量的素材都找不到爆品，那么这个产品也不太适合进一步投入。

总结一下就是 ChatGPT帮助我们知道“我不知道”的点，快速地 narrow down 一个范围，后面两个点是从数据维度发现爆品，结合素材生成进行测品。

趣得科技 CEO 龚云路

我们是做数据分析服务的，一方面自己做卖家，一方面给我们的客户做一些定制服务，目前主要市场在东南亚。

在AI方面的应用是帮助客户搭建一套产品图生成系统，以前的产品图找设计师设计一次性只能设计出几十个，现在用AI一次性生成几百个，直接给到客户，产品图确认后再找设计师精细化设计，非常提升工作效率。同时，自己作为卖家我们也会用AI生成产品文案、图片。

SaaS战略投资 Daniel Qi 

一类是数据类，一类是偏AIGC内容生成，我觉得数据类大差不差，因为数据是一个后延的事情，比如先有爆款，再有数据，然后再挖掘，这个方面很多厂商已经挖掘的差不多了，我觉得很应该很难去做 follow 那个forecast，我觉得follow和 AI关系不是特别大。

很难说是你用 AI 加数据就能挖掘出有一些有潜力的爆品，像temu它的爆品都是要靠卖家和商家试出来的，然后平台或新的买家follow on就会比较更快一点。因为爆品都是打出来的，不打的话也不知道会不会爆，这是我对数据的看法。

另外一类就是内容生成，生成 listing 里有文案、海报、产品图素材、视频等等，相比数据类的，我更好看工具类。

这里面也有些挑战，无论是生成海报、视频、图片、文案产品体验或许会有一些差异，但是从能力维度看，底层架构都是大模型的接口，竞争壁垒不够高，所以要去 trade off选一下两类公司，一类是 innative 的公司，新的 AI 公司去找场景，另外一类是已经在创业的公司用 AI 去做新buff，我更加看好后者。

懂场景是ToB 商业里面很重要的一个维度，ToB 客户的黏度比较高，只要自己不拉胯，这个 MOMENTUM 能够跟得上，我觉得会更加好一些。

Coupang Global Tech Lead 侯剑

我们是做广告平台的，主要 focus在如何帮助卖家增长，尤其是中小型卖家提高利润率，目前在平台大家看到都是以图片或者视频的形式，将来很有可能是3D 模型的形式，AI 可以让模型的制作成本更低。

最终客户看到的应该是一个图片或者视频，其实不一定。如果把一个更加真实的东西摆在客户面前，比如衣服，可以根据客户的size生成，或者是告诉用户这件衣服是否合适，这一类追求用户的体验极致。

另一方面是用 AI 技术减少成本，包括customer的communication 成本，产品生成图片、视频等所产生的成本，这是大家讨论的一些事情。

亚马逊全球开店 毛金涛

我base 在深圳，深圳有蛮多亚马逊的早期卖家，他们在供应链上相对比较强，前台的品牌化或店铺维度的搭建，都不是特别地强。所以像 AI 生成图片或者一些比较 native 的文案，现在卖家应用还是相对比较多。

刚才提的卖家精灵或者 H10需要卖家自己有一个大概的想法，然后自己去勾选、去筛选。AI 是我可以抛出自己精准的想法， AI 可以给到集成数据，给到一个整体的推荐，整个运营成本相对比较低一些。

Traini CEO Arvin Sun

关于AI的战略思考有4个方面吧，第一，这一波AI 产业的机会非常大，这里的产业指的是原来做电商的大卖平台，智能工厂等，之前有很多的数据，结合成熟的大模型如何利用好自己的数据，建立一套AI化的产品体系，提升自己的效率或者衍生出产品，运用到新的场景中去，这些对于传统的产业来说有非常大的帮助。

第二是从场景的构建方式上考虑，比如我们在家做狗狗训练，就用到视觉AI，抓取狗狗的动作提供校正和反馈。

第三是服务，服务是利用 AI 技术做应用层面最好的方式。以我们为例，最开始接了 ChatGPT 的模型，然后又做了自己的小模型，有两个不同，第一个不同是只让它回答宠物相关问题，不让回答别的，给的问题非常准确。

回答问题之后还有很多服务要去实现，我们就会让它连接到训练师、医生或者品牌，具体会把某一个产品或者某一个服务推给用户。服务方面其实对于新进的或者想利用新的 AI 技术去创业，是个很好的角度。

第四是交互，创业公司大概率是没有机会和能力做AI大模型，在应用层面上怎样组合现有的AI的工具去做交互，我觉得也是一个非常重要的战略考量的点。比如，ChatGPT 现在是文本形式，有没有可能和语音结合到一起，用户在交互的时候不是输入文本而是说话。

再举两个例子，一个是湾区的华人创业项目firework，帮助电商平台做直播的分析工具，他们发现主播直播完了之后无法回看，他们就用了ChatGPT在直播页面实时记录整个直播过程中提到的一些问题等等，第二个的案例是谷歌新发布了一个产品，你对着它说话，它就可以帮你打电话给餐厅点餐，类似智能客服的形式，这样的案例在战略上都会给予我们很多启发。

图形起源 CEO 史海天

从去年年中我们看到 AIGC 在图形方向的潜力，就做了一个C端的 AI生成社区Draft.art，相当于midjourney的中国版本，这是我们第一次接触 AI 生成，现在这个产品已经是公司的一个盈利来源。不过遇到的挑战是，纯C端的出图需求不够刚性，更多还是出于好奇，这种动机长期看价值有限。于是今年我们就想找到一个行业，去把 AI 用在一个一直有需求的行业里面产生确定的价值。

一开始是找到的是字体设计行业，比如，字库设计是需要设计师一个一个把字设计出来的，我们通过 AI 学习设计师做好的300个字符，然后生成剩下2万个字符，这是比较成功的落地，用户价值清楚，所以很快就有订单有收入了，一套字体大概是七千到八千块钱，一般会签 100 套或者 200 套，但是字体本身行业较小，即使做到头也不是一个让团队兴奋的事情。

怎么办？我们就想，生成一张图，什么内容价值最大——包含“人”的内容价值最大。于是我们看了写真、珠宝、服装、美妆，最后决定做服装，因为服装够“大”。选服装方向到现在大概有两三个月左右，正反馈非常强。

我们的客户主要是服装电商的品牌，过去大家需要拍衣服的时候，是要找摄影师和工作室约排期线下去拍摄，最后再修图，交付成本是一张图在 100-400元左右。最便宜的办法就是拼拍，就是很多商家拼一个模特、一个摄影师，成本大约是30-40元一张图，我们的定价就在这个范围。流程就是客户把衣服的白底图或者人台图给我们，确定需求后用 AI 生成加人工筛选的方式，最后得到一张客户满意的图片。满意的意思是客户拿我们生成的图片去店里做测试，如果点击率没有受太大的影响，则会认为图不会影响销量，客户就愿意用这个图片。

为什么客户愿意用 AI 图，给大家看一下我们的一些案例，比如像内衣拍摄，客户想找到一个合适的内衣模特比一般女装要难一些，AI 生成修出来的图是可以达到客户的销售标准。再者就是不同颜色的人种，比如客户需要白人、黑人或者拉丁美洲人，AI 生成的比找的模特效果要好看。第三是尺码，有些是大码需求，比如我们近期开始给SHEIN测试，他们有大量的拉美大码女性裙子的需求，这方面的模特就没那么好找，而AI生成可以控制模特的体型和姿势，这是我们现在的服务和优势。

我们团队在北京，大概有 15 个人，最大的问题是产能不够，我们是 AIGC 加上人工的方式，所以一天的总产会受到人工修图产能的限制，这是我们现在主要的问题。

Kua.ai 创始人 龚毅

市场发展得太快了，我们天天搞这个东西都觉得应接不暇，如果主业不是做 AI 可能有很多东西要学，这是一个正反馈的过程。如果你不做或者不聚焦在这方面，很多认知很快就落后了，再去跟进就会比较难了。

第一点是人才、组织或者合作策略，企业才有持续的能力接入到最新的发展，持续地尝试和迭代认知、实践，或者老板很勤奋每周都去参加各种各样的讨论，或者有专业的部门去推动实践，这是第一点，至少从企业维度是持续地实践和认知AI。

第二点，最后能够产生比较大的价值的会有两种形态，一类是大规模自动化的工作流，一类是超级个体，这取决于企业是什么规模，以及竞争优势是什么。

一个是叫大规模的自动化工作流，企业有很多产品，需要规模化的去选品、测品，然后有很多产品需要在平台或者独立站进行规模化的上架和营销。

这种情况下AI 最大的价值就是大规模批量的高质量的工作流，一定是商品数量比较大的、讲究效率的企业会采用的，这类企业的核心竞争力拼的就是效率，不在乎单款产品是不是搞得特别好，但是能上 1000 个产品，稳定的有百分之几的爆品，这个自动化的流程就压缩上每个品的成本和以及保障出爆品的概率，这是第一套逻辑。

第二个逻辑是，会有很多超级个体出现追求的不是单纯的效率，是一个人能把很多人的活干了，而且把工具用得特别好，每个环节做得特别好还能把需要聚焦的人群打穿，很多小而美的独立站就是这么干的。

本期笔记整理员：KK

—往期相关精选文章链接—