在5G和AI时代，所有的跨境电商生意都值得去再做一遍
上周发生的那件事情估计大部分朋友都知道了，
直接影响的是税-率，
长远的影响可能是一部分产业向其他国家转移。
一个很简单的原理，
大家现在在Hm和Gap看到的纯色简单印花T和裤子，
很多都是Made in Bangladesh，Made In Vietnam（越南制造，柬埔寨制造），
因为HM和Gap这些巨头一个款就是几十万或者上百万的订单，
一件采购价格便宜5块钱，
这背后就是巨大的采购价差。
服装类是在2008年左右就大批的转移出去了。
但是例如像“迪卡侬”这类已经算偏重于小类目的“运动类”商品，
你如果去逛逛，
会发现“迪卡侬”大量的商品还是中国制造的，
长远来说，
如果最终3250亿落地，
那么会有更多的产业发生转移，
例如“迪卡侬”的羽毛球拍就会从目前的“东莞制造”移出去。
但是你说我们没有任何机会了吗？
我并不觉得，
就像我之前写的这篇文章，
跨境知识局-衣服鞋子家具全球都可以造，为什么深圳3C电子产品全球不可替代？
（图片来源：亚马逊）
深圳的这些数码产品很多都是根据数据和用户需求被创造出来的，
有极快的反应速度和供应链。
从大的方向上是有很多品类值得我们去发掘的。
但是有一点可以肯定的是，
如果3250亿落地，
亚马逊业务是肯定有比较大的影响：
1.目前进入美国市场的亚马逊卖家货物肯定有影响，一，税率增加。二，很多卖家都是走的货代包税，货代又是做低报，后面肯定是查验增加，通关速度减慢，成本一定是增加的。
2.按照目前的亚马逊模式，风险会越来越大--亚马逊FBA决定了卖家接下来的问题，用越来越高的成本去测款，用越来越高的成本在平台上去竞争。
所以，
接下来会有更多的卖家选择自发货平台ebay，Etsy这些。
（当然，Eub和万国邮联这个口子随时也会出现问题，量大增长速度快的话很可能会被限制）
建立在上面这些对未来趋势的预判之下，
其实我依然是看好跨境电商的未来的。
1.大宗商品的国际贸易B2B你继续转移就是，我做跨境电商继续根据数据和用户需求做快速供应链产品。
2.中国卖家是坚韧不拔的，很多都会不断努力不断尝试，就拿我身边的卖家来说，2014年的那批卖家，不管做得好不好，都还继续奋战在跨境电商这条线。
既然大家都会继续做下去，
都觉得跨境电商相对其他行业还算不错，
那么肯定都是按照第一个模式去做，
我们去寻找和创造新的品类，去开发新的市场，
只不过以前我们是蹲着就可以找到市场，
现在是要靠放大镜才能找到市场。
但是回过头来看我们跨境电商的行业，
目前竞争的维度非常低。
我先扯开话题，
这是我上周在“回形针”看到的一个AI案例，
如何用AI算法去预测一个官司你会不会赢，
节目做得算浅显易懂了，
但是其实很多人还是看不明白。
简单的说是这样，
一个案子，
传统的方式是律师去研究之前你类似案子的判决结果，
然后去分析你的官司的赢面，
这中间律师的经验和时间花费就是觉得对于案件判断的关键因素了。
律师费贵这也是其中重要的原因。
那么有没有更好的方法呢？
很多朋友可能觉得，
我建一个数据库，
去搜索对于的案件判决结果，
然后做判断，
是不是效率更高呢？
然而这样的操作其实并没有节省很多成本，
因为数据筛选出来还是要靠人去筛选和排除。
更好的方式其实是AI，
让人工智能去学习，
然后判断这个案子成功的概率。
上面这个视频就是解释了如何去建模建立AI学习算法。
仔细一想，
我靠，
原来和几年前”Alpha狗“的原理是一样的，
现在才明白为什么当时科技界一片欢呼，
我们吃瓜群主一脸懵逼。
写到这里，
回到我们跨境电商，
AI是不是可以在跨境电商行业做很多创新，
跨境电商最吸引我们的其实是有两个认知：
1.美国和欧洲的部分市场是一个不知疲惫的市场，只要你设计出符合市场需求和痛点的商品，直接可以卖爆，你设计一款，卖爆一款。
2.我们只要可以找到市场需求，和做出产品，就可以成为爆款。
但是目前来说，
其实卖家的操作还是存在于古老的方式，
开发产品的团队还是靠人+数据积累。
如果通过AI的方式去解决呢？
再举一个很简单的例子，
大家都知道写标题不管是对于平台卖家还是独立站卖家都是非常重要的，
说通俗一点，
就是“如何在最短的标题数量里去埋更多的词”，
这是一个典型的“埋词”非常不错的标题，
卖家其实是把大量的例如
“Pattern Bracelet,Round Beads Bracelet,Gemstone Bracelet"
这样的词挖掘出来然后提炼成为一条标题。
目前大家基本都是靠”人肉“的方式来找关键词，做标题，
如果可以通过AI的方式解决，
效率会提升多少？
这还仅仅是跨境电商的两个举例的AI应用，
跨境电商行业里还有很多的应用场景可以通过AI进行提升。
不管你是把这些技术应用在跨境电商还是开发AI技术去给跨境电商卖家做工具，
我觉得都是有前途的。
全文完
（The End）
