文/葉檀財經
你有沒有想過，如果想搞出一款有前景的新品，都要經歷些什麼？
舉個例子，急需一款針對“內幹外油”膚質的爽膚水，它需要有什麼？
緊緻、控油和提亮等功效，桉樹、紅沒藥等新穎的氣味，煙酰胺、乳糖酸這樣的核心成分，以及非常關鍵的一點——得有個值得推廣的概念，比如説無水科技。此外，容量和售價也很考究。
一樣普通的日常用品，方案誕生的過程居然跟解題一樣！
這種情況下，如果一味追求時機，直接一拍腦袋就決定，大概率會迎來回爐重造，但如果為了成功率高的“配方”一個勁慢慢考慮研究的話，有可能趕不上趟，錯失良機。
這魚和熊掌想兩者兼得，難道只能靠運氣？
產品失敗 從構想開始
一個產品想撲街有很多種途徑，有的死在最後的營銷上，有的敗於自身品質，而更有甚者，在構想和企劃階段，就輸了，可謂“胎死腹中”。
馬特黑格寫過一本叫《品牌失敗經典100例》的書，其中第三章就提到了“構想上的失敗”。這是一種新品研發上非常直接的失敗，一切都源自某些未經準確研究而產生的糟糕構想，其中有兩個案例很有意思。
第一個是關於金寶湯的。這家老牌罐頭湯企業曾想出過一個點子——他們要開發一種燴湯，把冷凍的湯和三明治混合在一起，主打一個方便快捷，面向的人羣就是中午要靠微波爐熱飯的上班族，和因為父母不在家得自給自足的兒童，聽起來很合理。
一開始效果還是不錯的，銷量喜人，但問題很快凸顯，產品只是激起了一波好奇心，很多消費者只買了一次就不買了，因為他們發現雖然這個燴湯號稱“方便快捷”，但實際上自己直接買罐湯或者做個三明治要比搗騰這玩意省事得多。燴湯的點子，可以説從構想上就出了問題。
第二個例子的主角是杜邦公司。上世紀60年代，化工巨頭杜邦公司投資了數百萬美元（據統計1960年1美元的購買力相當於2020年的8倍多），用於研發一種人造皮革Corfam。
這可是大投資，全新研發的新品，杜邦之所以要這麼做是因為他們認為在當時全球人口激增的背景下，耐磨有光澤的人造皮革將成為動物皮革的代替品，將會受到歡迎，甚至預測美國將會有25%的鞋類產品將由Corfam製成。
他們一開始的目標是市場份額最高的女鞋市場，結果發現女鞋市場原來還分“休閒”和“時裝”兩大塊，而由於材質問題他們不得不放棄休閒板塊。然而在時裝板塊他們也不走運，由於上色和壓紋等問題，最終輸給了PVC材料。不僅如此，他們其實還受到了其他皮革廠商的壓力。回顧整個過程，杜邦不僅出現了研發的新品與最終目標市場不配適的問題，在整體市場需求上，也出現了誤判。
很明顯，儘管抓住了一些流行趨勢，甚至預判了一定的未來走勢，但兩個案例中的新品研發，毫無疑問都直接輸在了起跑線上，都有點想當然，從構想上就埋下了失敗的種子。
我們可以想象一下，有家護髮品牌想推出一款防曬洗髮水，來應對夏日出行後頭皮發癢、出油等問題，方向有了，但一到具體該怎麼走時，兩眼一抹黑——產品的功效在哪兒，適合哪類人羣，需要給用户帶去哪些體驗，核心成分上如何選擇，哪些成分能夠吸引客户，以及定價等等，變量不僅多，還避不開。
如果這個時候為了及早入市，沒有大量研究和數據支持，僅憑經驗一拍腦袋決定，想着依靠後續營銷去製造爆款，結果可能很難逃過“構想的失敗”。
問題來了 怎麼贏在起跑線上？
不難看出，構想或者説企劃這一步，對於產品的推出至關重要，同時伴隨而來的也有很多問題，比如決策時比較主觀，可能沒有足夠的市場調研，缺乏大量的數據支持，而即便想這麼做，人力和成本又很難控制，真這麼做了，最終結果還容易出現偏差。
一大堆環節，中間搞錯一步都可能導致產品徹底失敗，而測試所有配方的可行性雖然是個不錯的選擇，但是靠傳統的方式去弄耗時耗力，關鍵還不準。
產品的外觀、氣味要怎麼設計？
產品的利益點和主要成分上有什麼關聯？
如何圍繞消費者的實際需求去打造產品？
這些不是一拍腦袋能出來的東西，需要大量的數據支撐才能促成決策的制定，靠人來推進效率很難提高，不過好在已經2023年了，科技可以解決很多問題，AICI爆款公式就是這樣的一款工具。
AICI爆款公式是在TMIC和品牌深度共建下誕生的，背靠阿里電商對市場10億+動銷商品、4萬類分行業產業要素、近百萬商品標籤和用户偏好行為等海量數據，通過智能算法研究，幫助品牌挖掘面向目標市場的貨品元素的最優解。
簡單點説，AICI的目的就在於讓商家們可以在研發新品時，可以更有效地找準爆款機會，增加新品研發的確定性，減少臨時拍腦袋產生的風險。相比於TMIC其他模型來説，AICI的優勢在於讓數據挖掘與洞察的效率更高，從而進一步提高產品數字化企劃流程的效率，適用於新品創新企劃早期階段。
那麼，AICI是如何運作的？大致分為4個步驟：
1、類目潛力判斷：品牌可以自定義目標人羣和市場，瞭解其葉子類目的大盤表現，從而進一步判斷各葉子類目的潛力，新品範圍要怎麼定等。
2、決策因子排序：可以連通TMIC知識庫和品牌私域知識庫，基於質量評估指標把所有商品都標籤化，進一步給出決策因子和關鍵元素重要性的排序。
3、排序出來了，那就針對權重高的決策因子，來對比細分賽道上品牌和大盤在GMV、GMV增速以及人羣TIGI等指標，用於判斷品牌在細分賽道上的優勢和潛力。
4、優勢知道在哪兒了，那就再通過多模態深度學習網絡和超大規模決策歸因模型，幫助品牌從上千億種可能性中篩選出適合自身的最優解。
步驟之間環環相扣，一套流程下來，基於品牌自身特性的爆款公式，就誕生了，效率和準確性，不是單純人力推進可以比擬的。同時，品牌也可以根據自身對AICI功能的需求，選擇不同的版本進行操作。同時AICI本身也在不斷進化，在智能生成解決方案的路上快速前行，相信不久的將來，就能實現AI設計、自動生成概念卡等功能。
不可否認，背靠大數據的智能公式是高效社會發展下的趨勢，高效的模型可以在產品企劃初期就給出一個“確定性”，以此降低整個流程中的風險，減少沒必要的失敗。
有人會説，要勇於試錯，吃一塹長一智，但在AICI的幫助下，試錯成本將會被顯著降低，去年世界經濟論壇發佈的《第四次工業革命對供應鏈的影響》白皮書裏就提到，數字化轉型使製造企業成本降低17.6％、營收增加22.6％，這是數字化取得的顯而易見的成果，這就是大勢所趨。
隨着技術的成熟和市場需求的進化，新品製作可能會更加趨於個性化和定製化，對產品企劃效率的需求也會越來越高，這不僅是對品牌而言，對於個人也是如此。