家庭食品包装密实袋的前世今生和未来

2015年9月,新华社刊发了一条外媒报道,颇为有意思。


据加拿大华文媒体报道,来自阿尔伯塔的华裔青年与人合伙成立了一家新公司Vitality Air,将加拿大落基山脉的新鲜空气卖往其他国家,其中中国为主要目标市场。每袋空气价格15美元,约可以吸150次。


创始人Lam和朋友Troy Paquette将装有新鲜空气的Ziploc密实袋放到eBay上卖,销量还不错,3个月售900袋。


似乎本文的焦点在于空气,尤其是加拿大的新鲜空气。但容易忽略的另一个隐藏焦点是包装袋。没错,跨越重洋的新鲜空气是通过Ziploc密实袋抵达中国、印度和迪拜的用户手中的。


央视新闻联播2015年8月播报的美国航天局8月10日公布的视频图像显示,正在国际空间站执行任务的美国和日本宇航员品尝了在太空种植的紫叶生菜。在空间站上,这些紫叶生菜就是装在密实袋里存放的。


不禁要问,Ziploc密实袋为何物?


实际上,Ziploc是密实袋的一个品牌、是密实袋的鼻祖。


密实袋源于美国,1968年美国陶氏集团Dow Chemical推出密实袋Ziploc, 开始了全球首次宣传密实袋,并在美国电视上做了大量消费者教育方面的广告。ZIPLOC的第一个广告以拇指人形象出现指导用手指密封和打开密实袋普及密实袋如何使用。


之后ZIPLOC还推出了一则电视广告,通过对比的手法表达了没有使用密实袋分类包装蔬菜、牛排的冰箱打开后发现食物变坏、牛排流失水分变干,倡导使用密实袋减少家庭食物浪费节约开支。始于此,密实袋在欧美推广开来。


接着问题又来了,密实袋到底和我们有啥关系?


实际上,密实袋用途是每个家庭生活场景里所必须的,不信你瞧:


1.家里购买的很多米、面、干果和零食等大包装打开后无法再次封口?密实袋帮你分类密封保存,密封口可以反复多次使用!


2.家里冰箱冷藏、冷冻食物、蔬果、鱼虾鲜肉没有分类密封保存变干、变坏,还串味?密实袋一袋分类,新鲜健康不串味!


3.家有宝宝的宝妈们带宝宝出门食品、奶嘴、尿不湿、玩具等等混装在妈咪包里担心不卫生?密实袋分类宝宝辅食、用品、玩具和衣物等干净更卫生!


4.旅游、出差行李箱洗漱品、衣物、饰品、鞋子等等不能分类打包担心不卫生?密实袋帮你来分类!


早在1973年,美国杂志《Vogue》就曾这么报道密实袋“用途多得数不清。外出时,它可以随身装零食;户外爱好者,它可以装急救用品;家庭主妇,它可以保存食物;时尚模特,他可以装化妆品”……


在欧美如此流行的密实袋,在国内到底怎么样?


在国内超市上有几个品牌的密实袋,已经销售了十多年时间,比较知名的品牌有台湾脱普集团的妙洁、韩国品牌克林莱,以及上文提到的ZIPLOC等。


但可惜的是,以上这些国内市场目前销售密实袋的几个品牌其主打产品都不是密实袋,密实袋都是这些品牌的副产品,因此这些品牌都没有针对密实袋做过市场消费的引导宣传工作,总体销量都非常小。不得不说,密实袋目前在中国还是新产品,完全属于一个新的品类,绝大部分消费者并不知道这个产品。


究其原因,其中之一在于,发达国家不仅倡导食品安全,更是有众多科学报道宣传食品安全离不开食品包装的安全,而国内目前对食品包装安全的呼吁较少,消费者对食品包装安全重要性的相关科学知识获取较少,还依旧是多年养成的习惯使用超市和菜市场上免费提供的购物袋,这类购物袋装物品没有问题,但是食品安全级别参差不齐让人担忧!甚至是一些带颜色的塑料袋,红色、蓝色、绿色和黑色等等这类带颜色的袋子绝大部分是使用回收料生产的塑料袋,重金属超标严重!世界卫生组织公布的防癌建议的9条措施之中,第7条就是要减少有毒塑料袋的使用,报告说明中国的有毒塑料袋使用情况是较多的!用这些重金属含量严重超标的有毒塑料袋装食物,消费者眼睛看不见的有害物质却时时刻刻在渗透和侵入到内装食品里,是严重危害健康的隐形杀手!这里真的要特别说明和强调一下,很多普通的塑料袋根本不能用来包装食品和瓜果蔬菜,为了自己和家人的健康一定要认准食品级袋子!几点食品级袋子使用和选购建议:


1.不要使用超市和菜市场免费得来的购物袋和有颜色的袋子装食物!


2.超市购买食品级袋子一定要认准包装上的QS标志(QS标志是食品质量安全市场准入标志,即食品生产许可证标志,QS标志属于质量标志)


3.食品级袋子包装盒上必须印有生产厂家详细信息和生产日期!


其次,在发达国家密实袋的销售价格相对消费者的收入来说很低,比如同一盒产品,在美国3美元(美国平均工资4000美元/月),但在中国超市价格就是20元/盒(中国的平均工资也是4000元/月),都是4000的工资,美国花3元购买,中国要花20多元购买,所以在中国密实袋的价格还是相对较贵,导致很大一部分消费者因为价格的原因而选择使用非食品级的普通塑料袋包装食品。


其三,线上的营销活动和宣传不够突出,没有鲜明的互联网化营销活动。消费者认知度低,绝大部分消费者不知道有密实袋这个产品,不了解密实袋的使用场景。而对密实袋略微了解的消费者则苦于国内市场的密实袋细分品类单一,供不达需。


易优家,低调的变革者


既然在欧美能如此流行,在国内肯定是有市场的,但在国内需要有魄力者来改变。


易优家在恰当的时机来了,在国际市场闯荡了16年之后,回归到了新兴的中国密实袋市场,成为了变革者。掀起了中国家庭食品包装安全的革命!


尽管成绩不俗,但颇为低调,可谓低调的变革者。拿事实说话,先来看看产品,易优家推出了四个系列:


1、唯美食不可辜负:易优家封味系列


针对注重食物保存的人群,根据食物新鲜元素设计,易优家推出“封味系列”。取其封住味道防止串味的意思,推出了小号“MINI随身袋”、中号“美味分类袋”和大号“冰鲜储存袋”三个适合零食、蔬果、鱼虾、肉类等分类保存、冷藏冷冻的尺寸。


需要特别提一下的是,此系列外包装盒的设计与市场上现有的产品是完全不一样的。创新研发的纵向抽取式设计的最大优点是取出来的袋子非常平整、又方便把多余的袋子放回到盒子里去,更是特别周到的设计了可以反复开合的卡扣防止打开后落入灰尘影响卫生。易优家的创新变革可谓是费了不少心思,充分考虑用户需求和用户体验。也是在全球市场上首创的外包装盒设计形式。易优家已经申请了外观设计保护专利。


2、唯简洁、环保不可或缺:易优家经典系列


针对白领和商务人士,易优家推出了中性简洁牛皮纸风格的经典系列,将密实袋时尚的延展到办公场景、简洁、大方。此设计更是选取了国际食品级的PP塑料盒配合和牛皮纸做了拼接设计,提倡PP塑料包装盒重复使用的概念更环保,是目前市场上唯一有此类设计的新品。易优家同样也申请了外观设计保护专利。


3、唯爱永留存:易优家优宝贝抗菌系列


除了贴心的考虑了家庭食物保存和时尚白领的需求,易优家调查发现新生儿家庭,孕产妇和婴幼儿此类特殊人群的生活用品种类繁多,免疫力相对较低更需要特殊呵护,食品物品等更需要干净卫生整洁,除了需要分类保存还要抗菌!易优家早在2009年就和美国合作伙伴一起研发抗菌密实袋,抗菌效果更是通过了瑞士试验检测机构SGS的认可,抗菌率高达99%!易优家成为了目前全球第一个提出婴幼儿专用抗菌密实袋概念的品牌。除了抗菌功能受到辣妈潮爸们的追捧,易优家考虑用户体验的设计更是深入人心,产品设计贴切宝宝喜好,原创设计了3个卡通形象贝贝兔、宝宝猴和优优熊,取名“优宝贝系列”。易优家-可谓是婴幼儿抗菌密实袋之父!引领国际抗菌标准,为宝宝健康护航!


4、全家齐分享:易优家家庭分享装


你有没有选择商品时的选择困难症、纠结不知道选择哪个好呢?如果纠结,就选择易优家家庭分享装吧,一盒组合包装了4种尺寸还贴心的赠送了小物品收纳袋,满足全家人日常生活所需,让生活分类随心,携带随意,“袋”来分享每一天!除了以上三个系列的创新,家庭分享装,易优家也是首个品牌推出的这样组合装的密实袋产品。为密实袋的市场开拓开创了一条新的道路,不少年轻人买来送父母,更是成为了父母点评中“最实用的礼物”。


为什么是易优家引领国内市场?


易优家的母公司烟台白马包装有限公司(YANTAI BAGMART PACKAGING CO.,LTD)成立于1999年,主要业务为OEM出口贴牌生产,平均年出口额接近6000万美元,是中国和亚洲最大的密实袋生产工厂,YANTAI BAGMART在国际客户中的名声很高。


其次,易优家产品更为重视用户体验,更为符合中国人的场景和习惯。易优家在设计初期调查了目前国内市面上的大部分品牌,结合16年来给国外的出口产品包装经验,在包装结构和设计上做出了很多突破。其中一个案例便是,易优家“优宝贝系列”考虑男女宝宝喜好不同,推出了粉色装的可爱图案设计和绿色装的运动图案设计,并且每盒产品中小动物的图案都有2-4种不同的设计,给宝宝和妈妈在使用过程中更多新鲜感。这便是易优家品牌和其他密实袋品牌最大的不同,因为易优家有母公司这个国际制造工厂给予强有力的品质和技术保障!


再者,易优家消费者洞察和用户培育更加立体化。16年的出口经验熟知全球最严格的食品包装安全要求和标准,有美国、欧洲和日本等多国的食品包装安全认证,以及更加全面的消费者洞察优势。线上和线下销售相结合,线上和线下空间立体转播等都在突破早期进入国内市场的密实袋品牌的瓶颈。


密实袋的前世今生看美国,未来看中国


中国的消费能力在提高、消费者对食品包装的安全问题越来越重视,生活中各种细节越来越讲究。家庭食品、瓜果蔬菜常温分类、冷藏、冷冻,保持食物新鲜卫生不串味;上班族便携水果、零食的携带,补充一天的能量;孕产妇待产包、宝宝食品、用品和玩具的分类保存,安全干净更卫生;老年人的药品、保健品分类随身携带,书写标注用量更清晰;差旅出行衣物、小物品、各类充电器、电源线等等的收纳,行李箱再也不凌乱!这就是为什么密实袋在欧美受到亿万家庭青睐的原因,因为,它真的是太万用了!


如果把中国的消费者使用密实袋的消费习惯、消费理念培养起来,让密实袋走进大部分的中国家庭,未来中国的市场绝不会比美国市场小,应该有一个很大的市场发展空间。


美国有ZIPLOC捍卫家庭食品包装健康,中国有易优家。让易优家带来一场中国家庭和密实袋的热恋!


宏观的说密实袋的前世今生看美国,未来看中国。微观的说前世今生看ZIPLOC,未来看易优家EASY YOUR HOME。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是一个基于 transformers 库和 PyTorch 框架的 Python 代码示例,可以用于训练和测试 transformer 模型对商品品类进行自动识别: ```python import torch from torch.utils.data import Dataset, DataLoader from transformers import AutoTokenizer, AutoModelForSequenceClassification, AdamW # 定义数据集类,用于加载和处理训练和测试数据 class ProductDataset(Dataset): def __init__(self, data_file, tokenizer): self.data = [] with open(data_file, 'r', encoding='utf-8') as f: for line in f: label, text = line.strip().split('\t') self.data.append((label, text)) self.tokenizer = tokenizer def __len__(self): return len(self.data) def __getitem__(self, idx): label, text = self.data[idx] inputs = self.tokenizer.encode_plus( text, add_special_tokens=True, max_length=128, padding='max_length', truncation=True, return_token_type_ids=True ) return { 'input_ids': torch.tensor(inputs['input_ids'], dtype=torch.long), 'attention_mask': torch.tensor(inputs['attention_mask'], dtype=torch.long), 'token_type_ids': torch.tensor(inputs['token_type_ids'], dtype=torch.long), 'label': torch.tensor(int(label), dtype=torch.long) } # 定义训练函数 def train(model, train_loader, optimizer, device): model.train() total_loss = 0.0 for batch in train_loader: input_ids = batch['input_ids'].to(device) attention_mask = batch['attention_mask'].to(device) token_type_ids = batch['token_type_ids'].to(device) label = batch['label'].to(device) optimizer.zero_grad() outputs = model( input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids, labels=label ) loss = outputs.loss loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(train_loader) # 定义评估函数 def evaluate(model, eval_loader, device): model.eval() total_correct = 0 with torch.no_grad(): for batch in eval_loader: input_ids = batch['input_ids'].to(device) attention_mask = batch['attention_mask'].to(device) token_type_ids = batch['token_type_ids'].to(device) label = batch['label'].to(device) outputs = model( input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids, labels=label ) logits = outputs.logits preds = torch.argmax(logits, dim=1) total_correct += torch.sum(preds == label).item() return total_correct / len(eval_loader.dataset) # 加载 tokenizer 和模型 tokenizer = AutoTokenizer.from_pretrained('bert-base-chinese') model = AutoModelForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=10) # 加载训练和测试数据集 train_dataset = ProductDataset('train.txt', tokenizer) eval_dataset = ProductDataset('eval.txt', tokenizer) # 创建训练和测试数据加载器 train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) eval_loader = DataLoader(eval_dataset, batch_size=32) # 定义训练参数和优化器 epochs = 10 learning_rate = 2e-5 optimizer = AdamW(model.parameters(), lr=learning_rate) # 将模型和数据加载到 GPU 上(如果可用) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device) # 开始训练和测试 for epoch in range(1, epochs+1): train_loss = train(model, train_loader, optimizer, device) eval_acc = evaluate(model, eval_loader, device) print(f'Epoch {epoch} - train_loss: {train_loss:.4f} - eval_acc: {eval_acc:.4f}') # 进行预测 text = '抗菌密实 极货 12pcs 盒' inputs = tokenizer.encode_plus( text, add_special_tokens=True, max_length=128, padding='max_length', truncation=True, return_token_type_ids=True ) input_ids = torch.tensor(inputs['input_ids'], dtype=torch.long).unsqueeze(0).to(device) attention_mask = torch.tensor(inputs['attention_mask'], dtype=torch.long).unsqueeze(0).to(device) token_type_ids = torch.tensor(inputs['token_type_ids'], dtype=torch.long).unsqueeze(0).to(device) outputs = model( input_ids=input_ids, attention_mask=attention_mask, token_type_ids=token_type_ids ) logits = outputs.logits pred = torch.argmax(logits, dim=1).item() print(f'预测结果:{pred}') ``` 在上面的示例代码中,我们定义了一个 `ProductDataset` 类来加载和处理训练和测试数据,并使用 `AutoTokenizer` 和 `AutoModelForSequenceClassification` 类加载了预训练的 BERT 模型。我们使用 `train` 和 `evaluate` 函数分别进行训练和评估,并使用 `AdamW` 优化器进行优化。最后,我们使用训练好的模型对指定的商品信息进行预测,并输出预测结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值