你有没有想过，如果想搞出一款有前景的新品，都要经历些什么？

举个例子，急需一款针对“内干外油”肤质的爽肤水，它需要有什么？

紧致、控油和提亮等功效，桉树、红没药等新颖的气味，烟酰胺、乳糖酸这样的核心成分，以及非常关键的一点——得有个值得推广的概念，比如说无水科技。此外，容量和售价也很考究。

一样普通的日常用品，方案诞生的过程居然跟解题一样！

这种情况下，如果一味追求时机，直接一拍脑袋就决定，大概率会迎来回炉重造，但如果为了成功率高的“配方”一个劲慢慢考虑研究的话，有可能赶不上趟，错失良机。

这鱼和熊掌想两者兼得，难道只能靠运气？

产品失败 从构想开始

一个产品想扑街有很多种途径，有的死在最后的营销上，有的败于自身品质，而更有甚者，在构想和企划阶段，就输了，可谓“胎死腹中”。

马特黑格写过一本叫《品牌失败经典100例》的书，其中第三章就提到了“构想上的失败”。这是一种新品研发上非常直接的失败，一切都源自某些未经准确研究而产生的糟糕构想，其中有两个案例很有意思。

第一个是关于金宝汤的。这家老牌罐头汤企业曾想出过一个点子——他们要开发一种烩汤，把冷冻的汤和三明治混合在一起，主打一个方便快捷，面向的人群就是中午要靠微波炉热饭的上班族，和因为父母不在家得自给自足的儿童，听起来很合理。

一开始效果还是不错的，销量喜人，但问题很快凸显，产品只是激起了一波好奇心，很多消费者只买了一次就不买了，因为他们发现虽然这个烩汤号称“方便快捷”，但实际上自己直接买罐汤或者做个三明治要比捣腾这玩意省事得多。烩汤的点子，可以说从构想上就出了问题。

第二个例子的主角是杜邦公司。上世纪60年代，化工巨头杜邦公司投资了数百万美元（据统计1960年1美元的购买力相当于2020年的8倍多），用于研发一种人造皮革Corfam。

这可是大投资，全新研发的新品，杜邦之所以要这么做是因为他们认为在当时全球人口激增的背景下，耐磨有光泽的人造皮革将成为动物皮革的代替品，将会受到欢迎，甚至预测美国将会有25%的鞋类产品将由Corfam制成。

他们一开始的目标是市场份额最高的女鞋市场，结果发现女鞋市场原来还分“休闲”和“时装”两大块，而由于材质问题他们不得不放弃休闲板块。然而在时装板块他们也不走运，由于上色和压纹等问题，最终输给了PVC材料。不仅如此，他们其实还受到了其他皮革厂商的压力。回顾整个过程，杜邦不仅出现了研发的新品与最终目标市场不配适的问题，在整体市场需求上，也出现了误判。

很明显，尽管抓住了一些流行趋势，甚至预判了一定的未来走势，但两个案例中的新品研发，毫无疑问都直接输在了起跑线上，都有点想当然，从构想上就埋下了失败的种子。

我们可以想象一下，有家护发品牌想推出一款防晒洗发水，来应对夏日出行后头皮发痒、出油等问题，方向有了，但一到具体该怎么走时，两眼一抹黑——产品的功效在哪儿，适合哪类人群，需要给用户带去哪些体验，核心成分上如何选择，哪些成分能够吸引客户，以及定价等等，变量不仅多，还避不开。

如果这个时候为了及早入市，没有大量研究和数据支持，仅凭经验一拍脑袋决定，想着依靠后续营销去制造爆款，结果可能很难逃过“构想的失败”。

问题来了 怎么赢在起跑线上？

不难看出，构想或者说企划这一步，对于产品的推出至关重要，同时伴随而来的也有很多问题，比如决策时比较主观，可能没有足够的市场调研，缺乏大量的数据支持，而即便想这么做，人力和成本又很难控制，真这么做了，最终结果还容易出现偏差。

一大堆环节，中间搞错一步都可能导致产品彻底失败，而测试所有配方的可行性虽然是个不错的选择，但是靠传统的方式去弄耗时耗力，关键还不准。

产品的外观、气味要怎么设计？

产品的利益点和主要成分上有什么关联？

如何围绕消费者的实际需求去打造产品？

这些不是一拍脑袋能出来的东西，需要大量的数据支撑才能促成决策的制定，靠人来推进效率很难提高，不过好在已经2023年了，科技可以解决很多问题，AICI爆款公式就是这样的一款工具。

AICI爆款公式是在TMIC和品牌深度共建下诞生的，背靠阿里电商对市场10亿+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等海量数据，通过智能算法研究，帮助品牌挖掘面向目标市场的货品元素的最优解。

简单点说，AICI的目的就在于让商家们可以在研发新品时，可以更有效地找准爆款机会，增加新品研发的确定性，减少临时拍脑袋产生的风险。相比于TMIC其他模型来说，AICI的优势在于让数据挖掘与洞察的效率更高，从而进一步提高产品数字化企划流程的效率，适用于新品创新企划早期阶段。

那么，AICI是如何运作的？大致分为4个步骤：

1、类目潜力判断：品牌可以自定义目标人群和市场，了解其叶子类目的大盘表现，从而进一步判断各叶子类目的潜力，新品范围要怎么定等。

2、决策因子排序：可以连通TMIC知识库和品牌私域知识库，基于质量评估指标把所有商品都标签化，进一步给出决策因子和关键元素重要性的排序。

3、排序出来了，那就针对权重高的决策因子，来对比细分赛道上品牌和大盘在GMV、GMV增速以及人群TIGI等指标，用于判断品牌在细分赛道上的优势和潜力。

4、优势知道在哪儿了，那就再通过多模态深度学习网络和超大规模决策归因模型，帮助品牌从上千亿种可能性中筛选出适合自身的最优解。

步骤之间环环相扣，一套流程下来，基于品牌自身特性的爆款公式，就诞生了，效率和准确性，不是单纯人力推进可以比拟的。同时，品牌也可以根据自身对AICI功能的需求，选择不同的版本进行操作。同时AICI本身也在不断进化，在智能生成解决方案的路上快速前行，相信不久的将来，就能实现AI设计、自动生成概念卡等功能。

不可否认，背靠大数据的智能公式是高效社会发展下的趋势，高效的模型可以在产品企划初期就给出一个“确定性”，以此降低整个流程中的风险，减少没必要的失败。

有人会说，要勇于试错，吃一堑长一智，但在AICI的帮助下，试错成本将会被显著降低，去年世界经济论坛发布的《第四次工业革命对供应链的影响》白皮书里就提到，数字化转型使制造企业成本降低17.6％、营收增加22.6％，这是数字化取得的显而易见的成果，这就是大势所趋。

随着技术的成熟和市场需求的进化，新品制作可能会更加趋于个性化和定制化，对产品企划效率的需求也会越来越高，这不仅是对品牌而言，对于个人也是如此。

点击下方“阅读原文”，亲自体验一下“自助式”新品企划过程，从大的市场，到细分品类，再到功效、成分的多种元素，通过“黄金公式”生成产品概念，快速打造自己的“爆款”。

（免责声明：本文为叶檀财经据公开资料做出的客观分析，不构成投资建议，请勿以此作为投资依据。）