从LABUBU年销1亿只，看数据驱动与AI战略的分水岭

2026-02-07，泡泡玛特在年会上披露了一组很“硬”的数字：2025年LABUBU全年销量超过1亿只，同时公司全球注册会员超1亿、全品类全IP销量超4亿只。这不是“某个爆款一时走红”，而是一套可复制的商业系统跑通后的结果。

我一直觉得，IP生意表面看是“审美”“情绪价值”“社交货币”，本质却是对人群偏好与供给节奏的精密控制。这和我们在《人工智能在零售连锁与商超》系列里反复讲的主题一致：零售的胜负手，越来越取决于“数据怎么用”。

更有意思的是，把LABUBU的成功放到更大背景里看，会发现它恰好能帮助我们理解一个更尖锐的问题：**Tesla 与中国汽车品牌在人工智能战略上的核心差异，到底差在哪？**很多车企也说自己“数据驱动”“AI赋能”，但结果往往停留在大屏和语音助手；Tesla则把AI当作产品的发动机、组织的操作系统。

1亿只LABUBU背后：不是运气，是“零售系统能力”

先给出判断：LABUBU年销1亿只，是“数据+渠道+会员”共同作用的结果，而不是单纯靠某一波营销。

1）会员规模决定反馈速度

泡泡玛特披露的另一组数据是：全球注册会员超1亿。会员不是“通讯录”，而是一个可被持续运营的样本库：

• 谁在什么城市买？
• 复购周期多长？
• 盲盒与大娃/周边的转化路径是什么？
• 线下门店、机器人商店、电商平台，哪个触点更容易促成加购？

这些问题的答案会直接影响选品、定价、补货与上新节奏。对于零售连锁与商超来说，这就是典型的客流分析、用户分层、智能选品的应用场景。

2）爆款不是“做出来的”，是“跑出来的”

IP本身有创意成分，但规模化销售靠的是更像工业生产的流程：小批量试水—数据回收—快速迭代—渠道放大。IP公司真正的护城河不是“画得多好看”，而是：

• 能不能把试错成本压低
• 能不能把反馈周期压短
• 能不能把补货与断货控制在合理区间

零售行话讲，这叫供需匹配。AI时代讲，这叫用数据缩短从需求到供给的闭环。

3）春节档与礼品场景：季节性需求更吃“预测能力”

今天是2026-02-12，春节刚过不久。节前的礼品需求、节后的“开工犒赏”与社交送礼，会造成明显的需求峰谷。IP品类如果只靠经验，很容易：

• 节前缺货，错失销量
• 节后积压，吞噬毛利

这也是为什么我们在零售连锁场景里一直强调：需求预测与库存优化不是“节省成本”，而是“决定增长上限”。

数据驱动的两种路径：IP商业化 vs AI产品化

把视角拉回到本文的主线：数据驱动并不等于AI战略。

我的观点很明确：

IP商业化的数据驱动，解决的是“卖什么、卖给谁、什么时候卖”；Tesla式AI战略，解决的是“产品怎么自我进化、体验怎么持续变好”。

两者都依赖数据，但终局不同。

1）IP品牌的数据：更偏“市场侧”

像LABUBU这样的IP爆发，数据主要服务于：

• 用户偏好洞察（风格、尺寸、价格带）
• 渠道效率（门店坪效、转化率、复购）
• 供应链与库存（上新节奏、热销款补货）

这套体系已经足够先进，也足够赚钱。但它的边界很清晰：它优化的是商业运营，而不是产品本体的智能化能力。

2）Tesla的数据：更偏“产品侧”与“工程侧”

Tesla真正不同的地方在于：车卖出去以后，数据采集与模型训练才刚开始。

• 车辆传感器与车队数据让系统理解真实道路的长尾场景
• OTA让模型与策略不断迭代，用户体验可持续变化
• AI不只是功能点，而是贯穿感知、决策、控制与能耗管理的系统能力

用一句话概括：

很多品牌用数据来做“更会卖”，Tesla用数据来做“更会开、更安全、更省心”。

Tesla 与中国汽车品牌：AI战略的核心差异，往往在“组织设计”

如果只看发布会话术，你会觉得大家都在做智能驾驶、座舱大模型、端到端。但落到执行，差距常常来自三个更“管理学”的点。

1）数据闭环：谁更接近真实使用场景

AI效果=数据质量×闭环速度×工程化能力。这条公式很残酷。

• Tesla的优势在于更早、更系统地构建车队数据闭环，并把数据回流变成工程流程
• 许多中国品牌的数据更分散：供应商、平台、不同车型与不同域控制器之间，数据标准不统一，回流链路更长

对零售连锁来说，这像什么？

• 做得好的企业：POS、会员、库存、促销、线上线下打通，形成统一数据底座
• 做得一般的企业：数据在各系统里“各自为政”，报表好看但难以形成行动

2）“AI是功能”还是“AI是架构”

很多车企把AI当成一个个功能：语音更聪明、导航更拟人、泊车更好用。用户当然需要这些，但这类改进往往是“点状胜利”。

Tesla更像把AI当作架构能力：

• 感知与决策策略如何统一迭代
• 计算平台如何为持续升级预留空间
• 软件如何与硬件协同演进

在零售里，这对应“做一个智能补货模块”与“以AI重构选品—定价—补货—陈列—营销全链路”的差别。

3）人才与节奏：模型迭代能否跟上业务扩张

AI不是一次性项目，而是长期赛道。只要组织把AI当作“年度KPI项目”，你就会看到：

• 需求堆叠，迭代缓慢
• 试点很多，复制很少
• 供应商方案多，内部能力弱

反过来，真正跑得快的团队会坚持三件事：

1. 先把数据治理做好（口径统一、权限清晰、质量可追溯）
2. 把模型上线变成流程（A/B测试、灰度发布、效果复盘）
3. 让一线能用、敢用、用得出结果（门店/运营/采购的操作闭环）

给零售连锁与商超的启发：把“爆款逻辑”变成“AI运营能力”

LABUBU的1亿只，给零售企业一个很实用的提醒：爆款不是目标，体系才是目标。如果你负责的是连锁零售、商超、品牌门店，这里有一套可直接落地的AI路线图。

1）先做三张“可行动”的数据表

别急着上大模型，先把基础打稳：

• 人群表：RFM分层、价格敏感度、品类偏好、渠道偏好
• 商品表：生命周期（引入/增长/成熟/衰退）、替代关系、毛利结构
• 门店表：客流结构、坪效、缺货率、滞销率、周转天数

这三张表的价值在于：每个字段都能对应一个动作（加单、减单、调价、调陈列、调促销）。

2）两类AI最先见效：需求预测 + 智能补货

在商超与连锁场景里，ROI最稳定的通常是：

• 需求预测：按门店/品类/日期预测销量，叠加节假日、天气、活动因子
• 库存优化与智能补货：在服务水平（缺货率）与资金占用（周转）之间找到最优点

你不需要一开始就追求“全自动”，先做到“半自动+可解释”，一线更容易接受。

3）把“上新”当成实验，把“促销”当成算法

泡泡玛特的IP运营擅长“节奏”。零售也一样：

• 上新不是拍脑袋，是小批量试销+快速复盘
• 促销不是全场一刀切，是对不同人群做差异化优惠与触达频次控制

一句更直白的话：

促销的本质不是打折，而是用算法把折扣打在最该打的人身上。

你该怎么判断一家企业的AI战略是否“真在做”

如果你在选合作伙伴、看行业标杆、或在公司内部推动AI项目，我建议用这四个问题快速体检：

1. 数据从哪来、能不能回流、多久回流一次？（闭环速度）
2. 模型上线后怎么评估？（指标体系是否与业务结果绑定）
3. 一线是否被改变了工作方式？（是否形成流程与习惯）
4. AI能力是外包的，还是内部可持续迭代的？（组织能力）

能把这四点讲清楚的公司，基本不会停留在“演示阶段”。

结尾：1亿只的启示，是“把数据变成复利”

LABUBU年销1亿只，说明一个事实：在消费品与零售世界里，规模并不来自运气，而来自对需求波动的理解、对供给节奏的控制、对会员关系的长期经营。

而当我们把镜头转向汽车行业，Tesla与中国汽车品牌的AI战略差异，恰恰也落在同一个词上——闭环。一边用数据让商业运营更精准；另一边用数据让产品持续进化，并把这种进化变成组织的日常。

如果你正在做零售连锁与商超的数字化/AI升级，可以从“爆款逻辑”反推自己的系统能力：你的数据能不能形成闭环？你的模型能不能驱动动作？你的动作能不能产生可复盘的结果？

下一步怎么走，往往不取决于预算，而取决于你是否愿意从今天开始，把数据当作一项长期资产来经营。