C2M是一种新型的工业互联网电子商务的商业模式,又被称为“短路经济”,目前C2M正逐渐被各大电商企业运用, 成为下一阶段的互联网发展新趋势和新方向。
C2M不仅仅是电商的事情,其关系到生产、制造到销售整个产业链。中国是制造业大国,对于大多数制造业而言,产品同质化严重,整体利润率较低是普遍的问题,C2M的出现可以直接面向客户和市场需求,帮助制造业提高客户粘性,简化中间环节。Forrester首席分析师穆飞表示,C2M对于制造水平要求很高,如何能够在小批量多品类制造场景下控制成本和品质,更多需要智能制造的支撑。
Forrester首席分析师穆飞
C2M的发展对于市场也有着非常积极的作用。Forrester认为,企业应该实现洞察驱动(insight-driven)才能实现市场适应性(market adaptiveness),从而获得高速增长。C2M可以帮助企业更快的获得客户需求以及市场洞察,是客户时代(age of customer)的必然趋势。
电商平台积极入局C2M
目前C2M上属早期发展阶段,渗透率并不算高,但是可以看到市场前景广阔。目前各主要电商平台都在积极布局C2M生态,而且疫情也进一步推动了电子商务的渗透率,对C2M也带来了间接推动作用。
2013年底,阿里旗下1688基于C2M理念推出“淘工厂”项目。2019年底,阿里巴巴在淘宝事业群下专门成立C2M事业群。2020淘宝C2M战略发布会上,阿里推出了一款以C2M商品为核心供给的淘宝特价APP。同时公布了“超级工厂计划”、“百亿产区计划”和“双百目标”三大C2M战略支柱。
2018年12月12日,拼多多推出“新品牌计划”,称将以C2M模式帮助1000家工厂打造爆品。截至2019年底,新品牌计划正式成员已达106家,超过900家包括知名品牌在内的企业参与了C2M定制化生产,累计推出超过2200款定制化产品,订单量超过1.15亿单。
2019年5月,京东联手新华社发布了“厂直优品”计划,在全国10万家制造型企业和消费者之间搭建高效的零售体系,当时京喜的前身京东拼购是京东“厂直优品”的重要承载平台。2020年4月20日,京东旗下的“京喜”宣布将全新推出京喜产业带厂直优品计划。
淘宝、拼多多、京东等电商平台都已经选择了C2M,好处可以说显而易见,其缩短了从生产源头到消费者的步骤,就意味着成本的减少。
C2M带来价值链的重新布局
由于C2M涉及的范围很广,所以当下流行的技术基本都会涉及,尤其是对柔性制造以及品控技术挑战很大。
现在C2M主要参与和发起者还更多是电商平台,穆飞认为,电商平台拥有强大的客群,在前端拥有需求收集渠道,在后端通过自有工厂或者ODM/OEM整合实现生产,整体会倒逼制造端的智能化升级。
随着直播和短视频行业的发展,电商也孕育出了直播电商的新型模式。穆飞表示,目前直播带货还是主要通过更为有效的渠道解决库存问题,当然也可以通过市场洞察反哺设计制造,但目前效果并不明显。
C2M希望更进一步实现以销定产,将市场洞察、客户需求与生产制造更为紧密的联系起来。从目前看来,由于时间尚短,失败或者成功案例都言之过早。但是身处产业链中,生产商应该积极主动拥抱这一模式,用多元化战略应对不确定性。渠道销售也需要调整策略,寻找自身的独有价值,才能够应对C2M的冲击。
未来,对于适合C2M的产品领域将会带来价值链的重新布局,比如电商平台、工业互联网平台将成为新的渠道体系等。同时C2M会进一步为消费市场带来不确定性,不积极应对变化将会陷入被动的境地。面对日益严峻的挑战,企业需要从市场、技术、组织三个层面入手不断加强自身的适应能力。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。