关键字: [亚马逊云科技， Amazon Web Services Cloud Data Lake， 数据驱动爆品选品， 全渠道数据整合， 用户需求洞察， 产品生命周期管理， 数据分析平台构建]

导读

在这场演讲中，林逸龙先生阐述了如何利用亚马逊云科技的数据基础设施和服务，构建数据驱动的爆品选品解决方案。他强调了数据在发现爆品中的重要性，并介绍了亚马逊云科技全新一代的数据湖服务Amazon Web Services Cloud Data Lake，可以统一数据管理和分析，实现高效协作。此外，他还分享了利用大模型GenAI进行自然语言交互分析的案例，提高了业务查询开发效率。最后，他阐述了亚马逊云科技专业服务团队可以为企业制定贴身的数据战略和解决方案，助力企业实现数据驱动业务。

演讲精华

以下是小编为您整理的本次演讲的精华。

在当今电子商务时代，爆品无疑是每个企业都渴望获得的宝贵资源。然而，要找到真正的爆品并非易事，因为它需要五大驱动力共同作用。首先，带货视频能够精准触达用户需求，自带流量，从而大幅降低获客成本。其次，爆品会带来规模效应，使企业在平台上获得更多曝光和排名提升，触发算法推荐。再者，在跨境电商领域，企业需要快速精准地从用户评论和社交媒体上获取文化差异信息，打造出符合不同文化背景的单品，将差异化转化为优势。此外，每一个爆品都有其生命周期，当前爆品的风光无限时，企业就需要谋划下一个爆品的时机。

尽管爆品的驱动力和好处昭然若揭，但要找到这样的爆品或选品，其困难程度是非常非常高的。企业需要承担两大风险:一是验证风险，需要多方交叉验证，耗费大量时间成本;二是整个长链条的资金成本，这也是企业所困扰的重点。虽然一些创始人或成功案例告诉我们应该如何做，但他们的成功条件和案例未必能够复制，尤其是当企业想要获得更大品类时，将面临巨大的时间成本和高昂的试错成本，后者可能会带来3个成功案例利润的损失。

因此，构建一个数据驱动的系统或平台就显得尤为重要。通过整合全渠道数据，企业可以洞察行业趋势、用户喜好变化，甚至外部环境变化，从而可视化风险，衡量最终收益。如果系统的算力足够敏捷，企业就能快速进行A/B测试或飞度验证，获得有效成果。

然而，构建数据驱动路径并非一蹴而就，根据过往案例和客户合作，企业会面临三大挑战:首先是数据分散在独立站点、平台、社交媒体等多个渠道，如何高效收集、存储和融合这些数据是第一个挑战。其次是如何将原始数据加工清洗到所需数据，在这个过程中会有多少损失和遗漏，这是第二个挑战。最后是如何提高数据收集处理到最终结果的分析效率，这是一个效率挑战。

针对这些挑战，亚马逊云科技提出了利用全站数据基础设施为企业赋能的解决方案。无论任何数据类型，都可以被亚马逊云科技的数据组件保存和处理。例如，独立站点的订单数据、用户数据、行为数据可存储在Aurora关系数据库或NoSQL数据库中;而来自第三方的社交媒体数据、图片、视频、评论等，都可通过Kinesis数据流实时保存到S3数据存储服务中。基于数据湖S3和数据仓库Redshift，企业可以进行高效分析。

在分析过程中，亚马逊云科技提供多种不同技术类型的组件。喜欢使用SQL的用户可以选择Redshift云数据仓库和Athena查询服务;偏好Kappa架构生态的用户可以使用EMR Serverless或EMR on EKS等服务，获得更灵活的大规模处理能力;在日志与分析场景中，可以使用OpenSearch日志分析服务;而希望获得交互式友好报表的用户，则可以使用BI工具QuickSight。此外，在数据流转和分享过程中，Amazon Lake Formation和Amazon Glue可以实现数据权限管理和数据交换。

用户可能会担心需要使用多种工具来处理数据，以及数据散落在不同组件中如何融合避免重复。为此，亚马逊云科技推出了全新一代数据湖服务Amazon Web Services Cloud Data Lake，将其定位为数据分析和AI的中心。该服务有两个关键组件:底层的Lakehouse将数据湖和数据仓库进行了融合统一;而在上层应用端，Unified Studio则是一个统一的工作间，所有与数据AI相关的工作都可以在其中进行登录、使用和协作。在中间层，AI赋能的数据治理和数据安全服务将发挥作用。

在Amazon Web Services Cloud Data Lake中，结构化的事务型订单数据、用户数据、商品数据等将存储在数据仓库中，因为它们需要高效率和可预期的执行速度。而每天都会产生的海量非结构化用户数据、评论数据等则将存储在数据湖中，充分利用其可扩展性和对所有数据类型的兼容性。周围就是企业的各种数据源，包括自有数据库和第三方系统。通过Amazon Web Services ETL服务，企业无需花费太多精力就能完成数据同步的技术验证、异常处理和质量提升，实现数据的无缝集成。例如，在电商平台下单后，订单数据最初存储在平台数据库中，几秒钟后就能同步到企业的数据仓库Aurora中。该服务不仅支持Aurora等结构化数据，还支持NoSQL等非结构化数据和实时数据流，如通过Kinesis实时监控社交媒体数据或平台变更。此外，对于数据量巨大或变更频繁的第三方数据，ETL服务也支持直接访问和查询第三方系统。

当数据量达到海量级别时，人工保证数据质量将变得极为困难。因此，Amazon Glue可以在最开始设计数据格式规范，并定期检查数据质量是否违反规范。现在，Glue还加入了基于机器学习的新功能，通过算法预测数据是否出现异常，如格式异常、重复、缺损或数值异常等，同时可设计动态规则持续检测，挖掘隐藏的问题。通过这种集成检测和维护，企业就可以在一张视图中看到所有数据。

那么，如何高效使用这些数据呢?企业只需登录统一工作间Unified Studio，假设有4个角色:数据工程师完成数据处理后，将交给算法工程师研究机器学习模型;数据分析师则基于前人工作继续分析;此外，GenAI技术可直接在Studio中调用并应用当前数据;各角色还可使用自己熟悉的工具，如Notebook、IDE或SQL Editor等，高效协作，完成数据全生命周期处理。

值得注意的是，所有数据都是有时效性的。例如，当企业反应过来并行动时，昨天的热搜话题可能已经过时无用。同样，一些商家可能已经预测到税收政策的变化，需要结合内部信息和能力做出调整，但更多时候并非知道信息就能行动，组织内部的协调才是关键。我们花费大量精力制作的报表，能够呈现的数据价值往往不到10%，因为我们只关注最初想关注的部分，而很多数据在这个过程中被抛弃或冷落。

当企业需要针对新场景进行数据分析时，业务人员和数据团队之间天然存在职责划分差异，导致沟通成本很高。业务人员更了解用户需求，但依赖数据团队提取相关数据并呈现出来，中间存在信息传递损失。而GenAI大模型则可以通过自然语言交互的方式，为业务人员提供更好的解决方案。业务人员可以直接用自然语言询问所需问题，GenAI不仅能从现有报表中提取数据并转化为故事，还能从原始数据中挖掘所需信息、整合分析并呈现结果，实现BI民主化，人人可使用。

除了回答问题，GenAI还具有自主的工作流和思维链。以“北美区域销量为何下降”为例，传统BI需要反复查看报表和数字关联，而资深分析师则会从异常点出发，深入研究背后的品类、SKU、用户群体、营销策略等，GenAI可将这种经验和思路内化，自动挖掘并呈现所需数据。德尔福特软件便是最早将GenAI应用于BI领域的公司之一，该公司成立于2002年，专注为全球酒店业提供网络旅游供销系统服务，每天需处理海量数据。通过与亚马逊云科技和微软的合作，他们已有50%的定制化报表由ChatBI完成，ChatBI通过自然语言对话的方式，一步步确认AI是否理解需求，并呈现所需数据，准确率高达90%，使查询开发效率提升50%以上。

那么，企业当前数据现代化处于何种阶段?总体来说分为三个阶段:第一阶段是数据支持业务运行，企业需选择低成本的云数据层如Aurora关系数据库、Redshift云数据仓库和S3对象存储等，使业务快速运转;第二阶段是数据助力业务分析，企业将拥有分析师自助分析、实时看板、嵌入式分析等;第三阶段是数据与AI互相驱动，AI将加速分析过程，并将数据故事讲述出来。

无论企业处于哪个阶段，都需要一个长期可信赖的合作伙伴。亚马逊云科技专业服务团队将根据客户情况和所处阶段，制定贴身的解决方案，包括数据战略、运营、建设以及长期数据治理的一体化服务。在数据、技术和业务三条轨道同时出发，分别与业务线和技术线达成一致，最终实现将数据驱动业务的目标，为企业交付完整解决方案。

总之，在这个爆品的可能性上，亚马逊云科技期待与企业携手合作，将可能变为必然，助力企业数据驱动爆品选品，获得全方位的全栈解决方案。

下面是一些演讲现场的精彩瞬间：

Regarding viral products， the speaker emphasizes the importance of data analysis， regardless of individual interpretations.

数据的时效性和组织内部协调是企业面临的两大挑战

当业务人员和数据团队之间存在沟通障碍时，分析新场景的数据会产生高昂的沟通成本。

GenAI， or large language models， enables natural language interaction， allowing business users to ask questions and receive answers derived from data， transforming raw information into insightful narratives， democratizing BI for everyone.

GenAI 模型可以自动分析数据，挖掘背后的原因和模式，为回答复杂问题提供所需的信息和见解。

亚马逊云科技的专业服务团队将根据客户的情况、需求和阶段制定贴身的数据解决方案，包括数据战略、运营、建设和治理，并在数据、技术和业务三条轨道上协同交付，实现数据驱动业务的目标。

总结

亚马逊云科技为企业提供了一个数据驱动的全栈解决方案，助力企业发现和培育爆品。这个解决方案包括以下几个关键环节:

首先，通过整合全渠道数据，构建一个数据驱动的平台系统，能够洞察行业趋势、用户喜好变化，并快速验证产品创意。其次，亚马逊云科技的数据基础设施能够高效收集、存储和处理各类数据，并通过机器学习算法保证数据质量。再者，Amazon Web Services Cloud Data Lake提供了统一的开发体验和数据管理平台，支持数据分析和AI应用的全生命周期。最后，亚马逊云科技的专业服务团队能够为企业制定贴身的数据战略和解决方案，助力企业实现数据驱动业务。

总的来说，这个解决方案旨在帮助企业高效发现爆品机会，快速验证产品创意，并持续优化产品策略，从而培育出一个个爆品，推动业务增长。亚马逊云科技通过数据技术和专业服务的全方位赋能，为企业数字化转型保驾护航。

亚马逊云科技（Amazon Web Services）是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务，服务全球245个国家和地区的数百万客户。做为全球生成式AI前行者，亚马逊云科技正在携手广泛的客户和合作伙伴，缔造可见的商业价值 – 汇集全球40余款大模型，亚马逊云科技为10万家全球企业提供AI及机器学习服务，守护3/4中国企业出海。