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
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。