AfterShip，驶入 AI 新时代

在 SaaS + AI  的趋势下，AfterShip 展示了一种新的范式，即 AI 技术与企业的各个方面深度融合，进行系统性的探索。

作者|斗斗 皮爷

出品|产业家

“AOV 提高 45%、总收入提升 5%、60 倍 ROI”

“AOV 提高 70%、总收入提升 4.5%、40 倍 ROI”。

——这是来自 AfterShip 客户的两组数据，而促成这些数据的是其一款名为 Personalization 的 AI 个性化商品推荐 & 搜索产品。

然而，即使是这样亮眼的数据，相对比很多服务商对于 AI 的摇旗呐喊，作为“出品方”， AfterShip 更多展现出来的却是在 AI 浪潮下不同其它人的冷静和克制。

不过，对于使用 AfterShip 的产品的客户，他们却有一个鲜明的感受：即虽然每天，甚至在业务场景的每时每刻都在使用这些产品，但客户他们并不知道其是 AI 赋能的产物，对企业而言，他们更直观的感受是更多的商品被销售、越来越准确的物流时间和更棒的用户反馈，以及最终反映到账面上增速越来越快的营收。

AI 的价值到底是什么？是参数，是技术，是概念，还是真正匿于产品之中，隐于组织内部的生产力提升。

对于当下很多 SaaS 企业而言，这是一个规划起来难，执行起来更难的问题。

对于每一个企业而言，新技术的爆发是机遇，但能否抓住机遇乘风而上，取决于企业自身的魄力、积累以及对新技术的投入和态度。

AfterShip 正在成为一个值得研究的“SaaS + AI”样本。AfterShip CTO James Hong 告诉我们：“AI 的叠加，确实为我们带来了实实在在的价值。”

从架构看，这家国际电商 SaaS 企业如今已经有成熟的 AI 数据部门，而从业务看，AI 已经成为这家细分赛道头部企业内部的核心方向和战略，并且 AI 已经成为 AfterShip 新老产品的核心构成元素之一。

SaaS 企业如何驶入 AI 时代？其中的难点、痛点以及其能发挥价值的锚点到底在哪？如何基于旧时代的动能，驶向新的大陆。在 AfterShip 这家企业身上，我们试图找到一些答案。

一、60 倍 ROI，被看见的真实 AI 需求

“where is my order？”

这是 AfterShip 的客户侧经常会收到的问题。对应到更加具体的问题是：我的快递到哪了？我的快递大概什么时间能到？

物流预测，一个国内电商平台“标配”的能力。但在以独立站为主要模式的海外电商市场，是一个老大难。

不同于国内电商生态的完整性，除海外电商 Amazon、Walmart 等几家电商巨头具备这项能力，在独立站领域还属于一片空白。

“AI 团队组建之前，客户侧就已经有很多类似需求。”AfterShip 数据 VP Loring Liu 对产业家说。

这种刚性需求下，AfterShip 推出了名为 AEDD（AfterShip Estimated Delivery Date） 的产品，通过 AI 技术预测商品送达时间，提高顾客购买意愿和购物满意度。

一个数据是，其能够在运单创建时的首次预测就可以做到接近 90% 的准确率。其中，EDD 在购买前帮助买家减少了物流不确定性，提高了买家完成购买的可能性；在购买后，优化消费者的购物体验，帮助商家吸引更多的新客户。

可见，AEDD 不单纯是一个后端物流运营工具，其更可以看作是一个品牌生产力，甚至是销售层面的工具。

除了 EDD 外，AfterShip 还孵化出了一款基于 AI 驱动、能给客户带来更大平均客单价和营收提升的个性化商品推荐产品——Personalization。

以 Dime Beauty 为例，作为一家美妆 DTC 品牌，早期通过社媒种草影响消费者心智从而获取流量，火爆北美。为了更好承接流量价值，Dime Beauty 开始搭建品牌精细化运营体系，同时也考虑通过个性化购物体验来提升消费者的忠诚度以及留存。

在 Personalization 的赋能下，Dime Beauty 为消费者提供了 1:1 个性化的 Product Discovery Journey(从商详页到结账页等)，通过 AfterShip 自研的 Universal Recommendations 模型，可以帮助商家给消费者提供千人千面的购物体验；除此之外，AfterShip 也承担了策略顾问的角色，为 Dime Beauty 提供行业标准和最佳实践的洞察，助其了解行业趋势，优化自己的业务策略。

值得注意的是，中国的电商巨头如淘宝、京东等，已经利用先进的数据分析和机器学习技术，为用户提供高度个性化的购物体验。然而海外电商市场并没有如此完善的生态，基于独立站的生态模式，其整体建设仍处于个性化推荐的早期阶段。

Personalization 恰是 AfterShip 结合中国先进成熟的电商经验，及自身对海外电商生态和客户的深度洞察和理解的产物，实实在在地用 AI 赋能了海外商家的业务发展。

在 Personalization 的多触点交叉销售赋能下，Dime Beauty 独立站内 AOV 提高了 45%，总收入提升 5%，使用 Personalization 的整体 ROI 高达 60 倍。

很直观的一个体现，Personalization 为 Dime Beauty 实现了真正意义上的销量增长。“针对售后性的产品，主要是在解决降本增效的问题，尽管有些子场景也能为客户带来 GMV，但是相比售前的场景相对受限和不直接。”James 对产业家直言。

总体来看，在 AI 赋能下，AfterShip 在强化了自身产品模型，帮助客户解决降本增效问题的同时，也更将自身的助力价值放大到企业的销售侧和成交侧，为客户解决不单纯是售后服务层面的问题，也更助力其交易侧的能力提升。

二、“不要为了 AI，而做 AI”

“我们对于 AI 的出发点，不是要把 AI 这项技术，以某种方式提供给客户。而是看我们的客户需要什么。”AfterShip 数据总监 Harvey 一而再再而三的强调这一点。

同样的观点，也在 Loring 口中被证实。“我们的 AI 功能主要还是围绕客户的需求出发，在原有的产品基础上基于 AI 做能力的提升，原来主要做售后侧的 AI 能力，现在也在帮助企业提升其交易侧的能力。”

2021年，Loring 、Harvey 加入 AfterShip，分别担任数据 VP、数据总监。在此之前，AfterShip 这家国际电商 SaaS 已经积累了大量的数据。二人加入之后便开始组建 AI 和数据团队，让这些数据沉淀成资产、再将数据资产价值化。

实际上，这恰是为 AI 赋能业务，满足客户真实需求打下了基础。

过去无数的技术革命涌现的一个现象是——每当一个新技术爆发时，企业总是希望一步，将技术融入产品，更好地卖给客户。

但这样真的对吗？

能看到的是，在 AI 技术爆发以来， SaaS 服务商前赴后继扎进去，但客户侧却鲜有声音；SaaS 服务商大张旗鼓搞 AI 重塑，战绩却寥寥无几；客户买了 SaaS+AI 产品，却迟迟看不到增长……抛开技术落地周期较长、技术成熟度等常规因素，更应该思考的是，客户需要怎样的 AI 产品？

2022 年底，ChatGPT 正式发布。奔涌而来的 AIGC 浪潮，也让 AfterShip 开始重新思考 AI 技术的价值。不久后，一个共识在 AfterShip 内部被达成：

“不要为了 AI，而做 AI。”不急于盲目追求将 AI 落地到产品，更重要的是想清楚客户的真实需求是什么？方向在哪里？

与此同时，可以先从底层把 AIGC 的基础设施、数据的基础设施（包括数据资产治理）等搭建好，确保当机会出现时可以用最快的时间去抓住。用 Harvey 的话说，就是“工欲善其事，必先利其器，打好地基做有准备之战”。

那么对 AfterShip 的内部同事而言，我们应该如何最大程度地使用 AI？从而才能让大家对 AI 有更深的洞察和理解，最终这些洞察和理解，也都会作用到驱动业务和产品上。

“最开始，很多人可能对 AI 能做什么事情，是没有概念的。”在 Harvey 看来，首先需要激发大家对 AI 的兴趣，帮助大家更好地了解 AI，让组织人员在这块 on the same page。

为了让每个人参与做 AI 产品，感知 AI 如何从 idea 变成一个可能商业化应用的产品。在 James 牵头下，公司内部举办了全员 AIGC 黑客松大赛和 Hack-Day 论坛活动，旨在更好的激发组织内部的 AI 积极性，实现组织内部跨团队、跨岗位之间的交流、连接和共创。

大赛也为 AfterShip 带来了意想不到的收获。“我们当时有超过 60% 的同事都报名参加 AIGC 黑客松大赛，入围的队伍也超过 30 支。基本上我们公司所有的部门都参加了。”在 James 的感知中，大家对 AI 的热情显然超出了预期。

同时，AfterShip 在内部搭建 AfterShip ChatGPT、AfterShip GPTs Agent 构建平台，采购 GitHub Copliot 等 AI 工具，让每个人可以把 AI 用到自己工作上，提升工作效率。

此外，AfterShip 的 AI 相关团队还推出了 AI Playground 内部体验平台，内置多个在线 AI demo，帮助员工更直观地体验各项 AI 能力。

而伴随着这种组织层面的 AI 文化建设，AfterShip 内部对于使用 AI 也建立了统一认知，这种认知不仅在单个工作环节本身，也更在部门和部门之间的合作沟通。“甚至还有人会自己摸索，摸索出来的东西很多都让我们眼前一亮。”

如今，基于 AI 打造的智能助手，已经辅助产研、市场、销售、设计等各个职能角色提效。

从 AI 文化的建设，到人人用上 AI，到 AI 赋能组织提效，再到 AI 赋能业务。在 James 和 AI 数据部门的组织下，伴随着 ChatGPT 大潮的来临，在国内企业仍在聊概念和想象力的时间点，AfterShip 率先在内部跑完了一个从内到外、从下到上的“ AI 组织重塑”。

“不要为了 AI，而做 AI”这样以客户需求为中心的技术理念，也在 AfterShip 的一个个被提效的工作场景中达成统一。

三、AI 战略背后的“数据加速度”

一个值得思考的问题是，支撑 AfterShip AI 战略实施的底层能力是什么？对国内的很多 SaaS 企业而言，尽管其有尝试 AI 的策略和动作，但对应到执行的效果上仍然是差强人意。

实际上，无论是 EDD 还是 Personalization ，这些被 AI 赋能产品都离不开一个要素——数据。

作为赛道隐形冠军，AfterShip 多年以来积累了大量有价值的数据。但这些数据最初就像是散落一地的珍珠，没有被串成项链。

Loring 在 2021 年加入 AfterShip 时，就面临了这样的情况。他的首要任务是组建一个团队，把数据和 AI 的力量整合起来，让这些数据发挥出应有的价值。在 2021 年到 2023 年间，AfterShip 投入了大量的时间和精力建设数据基础设施。

“公司将数据资产的积累和定义分成不同阶段，从公司层面到客户层面，逐步构建和完善数据体系。”

而在这两个系统化的步骤完成后，这也对应着，AfterShip 的数据逐渐走向价值化、资产化。

从本质来看，数据的不断沉淀和梳理归类，也恰驱动着 AfterShip 在产品上的改进、运营等方面的优化。例如，EDD 就是基于其庞大的数据基础和反复的模型调教，目前 AI EDD 模型已利用 44 亿条物流数据进行训练。

也是基于这些数据，AfterShip 进一步推出了多款电商 AI 解决方案，如 Catalog AI、Discovery AI 和 Logistics AI。

具体来看，Catalog AI 基于 AfterShip 过去积累的数亿商品数据，结合当下的多模态大模型技术，构建了商品知识库和商品行业大模型，能够实现对商品的深度理解以提升商品管理的效率。

它可以对商品进行自动分类、自动生成图片等高质量的商品素材，使得商品变得更加有吸引力、更利于营销推广；还能够理解不同电商平台的规范，帮助卖家确保商品信息符合平台要求，从而顺利上架。

如果有几万个 SKU 的亚马逊或独立站商家，想将商品扩展到 TikTok Shop 平台销售，以往手动上架可能需要一个月的时间。但是，通过使用 Catalog AI，这个过程可以缩短到三天内完成，显著提高了运营效率。

而 Discovery AI 则是受益于 Catalog AI 对商品强大的理解能力，以及结合跨渠道的用户行为追踪能力，能够准确地提取出用户的兴趣偏好，从而提供更加精准的商品推荐，特别适用于 D2C 商家注重的站外引流、测品等特点。

Discovery AI 还可以应用于搜索等多个场景，实现用户和商品之间的精准匹配；通过个性化的商品分发，提高营销活动的转化率，让更多的潜在顾客购买商品。

根据 AfterShip 对外公布的数据，Discovery AI 平均能够帮助卖家提升30%的转化率，提升 10% 的 AOV。

Logistics AI 则在收集物流公司数据之外，还主动获取天气、交通和社会事件等数据，以提供更全面的物流信息。并对收集到的原始数据进行清洗和解析，利用标准化的数据，Logistics AI 能够提供准确的物流时效预测，帮助卖家提前规划物流运营，提高服务的响应速度和客户满意度。

这些产品落地，加速推动着 AfterShip 在满足客户需求上的更进一步。

更大的感知是，在 AfterShip，数据不仅仅是技术人员的事情，而是关乎每一个人。AfterShip 通过打造一种文化，让数据成为每个决策的依据。就像 Loring 所说：“我们希望建立一个从上到下都通过数据进行决策的文化。”

从数据驱动组织、再到驱动产品智能。AfterShip 的底层逻辑在于通过数据驱动的决策和 AI 技术的应用来优化业务流程。这一逻辑不仅体现在公司内部层面，也更体现到如今每一款正在更新的产品和服务流程之中。

不论是多年以来积累的大量有价值的数据，还是技术层面早期平台化的技术战略，以及更开放包容的组织文化，这些是 AfterShip 能迅速构建数据体系，进而释放 AI 生产力价值的核心原因。

写在最后：

在人工智能的浪潮中，SaaS 企业面临着如何将 AI 技术与自身业务深度融合的挑战。但对于这种挑战的解法，目前仍未有一个定论。

但透过 AfterShip 的实践，我们正在看到一些答案。

比如它内部的开放、创新的组织文化，鼓励员工积极拥抱 AI 带来的变革，并利用新技术提升内部组织工作效率和创造力；比如同时巩固基础建设，建立了严格的数据治理机制，确保数据的准确性、完整性和安全性；再比如其基于需求为先的产品理念，在此基础上基于 AI 更好地满足客户需求。

可以说，在 SaaS + AI 的趋势下，AfterShip 展示了一种新的范式，即 AI 技术与企业的各个方面深度融合，进行系统性的探索。

这种探索从组织文化赋能到内部提效，再到基础设施建设，到“不要为了 AI 而做 AI”，这家国际 SaaS 企业探索是脚踏实地的，是系统化的，它不仅仅关注技术本身，更关注技术如何服务于企业的长远发展。

AfterShip 对 AI 的一系列探索和实践经验也表明，以客户需求为导向，寻找真正对客户有价值的场景，才是 AI 与 SaaS 企业融合并真正驱动业务发展的关键。正如 James 所言：“我们现在还在不断寻找‘新场景’，从客户角度真正为他们创造更大的价值，无论是帮助客户提升收入，还是提升效率降低成本。找到这些新场景，再基于我们的数据，就能发挥更大的价值。”