丰富的线上&线下活动，深入探索云世界
做任务，得社区积分和周边
最真实的开发者用云体验
让每位学生受益于普惠算力
让创作激发创新
资深技术专家手把手带教
遇见技术追梦人
技术交流，直击现场
海量开发者使用工具、手册，免费下载
极速、全面、稳定、安全的开源镜像
开发手册、白皮书、案例集等实战精华
为开发者定制的Chrome浏览器插件
规划蓝图主要分为三个方面：需求侧、供给侧和经营侧。
绝大部分的企业数字化转型始于前端的需求侧，接着转移到供给侧，最终到达经营侧。正常情况下三部曲循序渐进，有部分企业步子较大，需求侧与供给侧的工作会一起进行。
本次重点阐述供给侧部分。
如上图所示，阿里云端到端的智能货品解决方案依托于产品QuickStock完成，围绕货品与供应链领域可分为五个部分，分别是：选址/选品、新品创新、需求预测、库存计划和供应链执行。
第一部分的选址/选品主要是确定客户需求在哪里，如何用数字化的手段寻找需求满足地点，需求满足地点包括不限于线下门店、电商渠道等，确定供应地点后需要进行智能化选品，为后续打造爆品奠定基础。
第三至第五部分主要是供应链需求，先对市场进行需求预测，进而生成铺货/补货/调货建议，制定库存计划。当在实际销售过程中发生缺货的情况，进行订单分解与产销协调，保证供应链能够进行快速响应与履约，进而保证业务正常运行。
接下来对这五个部分分别进行详细阐述。
商家选址痛点：选址流程太复杂，需要考虑的因素数据太多，如何找到对的渠道/门店，降低试错成本？
智能选址：根据已有数据/现有门店分布，制定未来优先开店渠道。
目前市场上的许多客户，尤其是餐饮/零售等行业的客户，都会有门店选址方面的需求。规模成熟的客户往往有自己专门的选址团队，通过企业本身所掌握的数据，进行分析与选择，挑出有潜力的点进行成本评估与未来市场的评估。
上图是阿里云智能算法输出结果，它有Saas服务，在服务中客户可以设置自己的品牌与竞对品牌。在这个基础上，客户可以按地图圈选，例如目标位置三公里以内的人群结构，它会帮客户生成人群购买力等数据报告，并为目标位置做评估。
除此之外，如果客户过去有其他门店，输入数据后，算法服务会根据历史数据算出目标位置在未来一到三个月可贡献的销售额（GMV）。
最终智能算法会输出信息帮助客户选址：
选品主要由三方面的数据组成：商品特征，消费者特征与门店特征，通俗来说即“人货场”。
将商品特征与消费者特征数据相结合，即可得出消费者偏好。将消费者特征与门店特征数据结合，则得出标杆门店。将消费者偏好与标杆门店加上商品政策结合，最终得出门店商品组货。
通过阿里云这样的智能算法选品，能够有效提升门店销售，提升单位面积坪效，获得良好的市场表现。
选址/选品完成后，每年的供应中需要根据市场变化进行新品开发，针对这方面阿里云提供了一整套解决方案，称为阿里云新品全域运营4A辅助器。
4A：新品智选（Attraction）、新品试销（Acceptance）、新品运营（Activation）、新品分销（Allocation）
1.新品智选（Attraction）客户在新品方面的需求，可以通过全域TMIC来洞察市场风向，掌握消费者关心的热点词与品类属性。根据包装、成分、容量、色彩不同方面的属性，通过挑选出优质的属性，进而帮助客户进行量产预判。
2.新品试销（Acceptance）新品的试销包括设立试销目标，全程追踪及诊断，试销结束后的复盘分析。
3.新品运营（Activation）新品确定后，针对线上客户挑选出潜在客户，圈出目标人群。同时帮助新品树立IP理念，加深新品记忆点，在运营过程中不断进行复盘与沉淀。
4.新品分销（Allocation）挑选合适的线下门店帮助新品进入线下分销，并根据每个门店的情况进行铺货衡量。
全域TMIC主要提供四方面的服务：
1）趋势情报局捕获市场先机，抢占市场快人一步。
2）新品合伙人邀请KOL、KOC等群体进行合伙宣传，最大量脑暴新品创意。
3）仿真实验室最真实测试市场反应，让方案更有落地性。
4）动销诊断台最及时追踪上市效果，方便策略调整与布局。
目前主要依据淘系数据进行运算，如果客户有线下门店渠道的消费者数据可提供，运算结果将更为精准。
快速预测新品设计阶段海量组合，助力新品快速决策属性方向。
基于多概念不同营销策略，快速实现量产预判。
新品类型可以大致分为三类，分别为跟随型新品，改进型新品与创新型新品。
跟随型新品主要参考对标竞品，改进型新品参考对标的老品，创新型新品参考相似创新品，除此之外，这三种都需要参考行业Benchmark。
通常试销过程有三个阶段，分别为孵化期（0~3个月），成长期（3~9个月），成熟期（9+个月）。
试销过程结束后我们进行复盘，主要从获取力、转化力和价值力三个方面展开。
在复盘时，阿里云有一套方法论，例如将新品分成如下竞争力矩阵。
按照不同的维度，可以挑选出优质产品，进一步挖掘有潜力的品类，进行增投与重新分类，方便用户更好的进行后续策略调整。
在此基础上，我们提供一整套的过程看板，方便客户一目了然地看清楚新品运营中各个流程的进程与结果。
结合门店LBS分布、品牌新品价格特性、功能特征及情感属性，有效帮助品牌识别线下门店的新品潜客。
阿里云根据客户提供的数据颗粒度，基于算法能力，提供了销售预测AI引擎。引擎主要通过机器学习、生命周期预测、预测仿真、特征归因分析、媒体归因分析、人群预测等方面进行运算，从而指导促销策略优化与库存策略优化。
上方是以线上为主的预测架构图。
客户在运营中经常会做各种各样的活动来提升GMV，活动做得越多则销量预测越复杂。阿里云提供白盒化策略，帮助客户归因，找出不同活动对GMV的影响因子，从而方便客户下次做活动策略的调整。
利用智能决策引擎帮助品牌进行渠道营销活动归因，优化营销策略。
基于过往营销活动的数据，智能决策引擎能基于不同的营销计划进行GMV策略模拟，将GMV的贡献拆分到不同渠道、媒体等，将结果可视化，方便客户进行策略调优，并且基于过往效果与GMV目标，模拟出最佳市场计划。
供应链如果想做一盘货，主要通过以下四大环节：
1.渠道销量预测通过预测渠道销量，保持不同仓储地（CDC/RDC/FDC/前置仓）的库存水位，用最小的库存撬动最大销售额，由市场需求拉动补货。
2.订单履约机制在销量预测相对精准的情况下，针对不同渠道的订单进行订单履约路径规划，去（CDC/RDC/FDC/前置仓/经销商库存）选择最合理的履约仓库，进行路由规划。
3．库存共享机制通过共享地理位置不同的（CDC/RDC/FDC/前置仓/经销商库存），从而使得所有库存都可以用来销售与订单履约，并进行可售库存控制。
4.仓网布局规划从供应链成本、效率、服务可靠性几个角度出发，基于客户区域分布、订单量以及产品品类特性等，规划设计RDC、FDC、以及前置仓的选址。