1客户嘴上要的
「用 AI 做千人千面,给每个会员推最合适的券,把复购率提上去。」
这是症状或现成方案,不一定是真问题。下面看两种做法。
2照字面做,会怎么烂
用会员购买记录建模型,找出「最可能复购的会员」,给他们发券。一个月后核销率 30%,比以前高一倍,大家很高兴。财务算账发现,这些人不发券也会买,券反而让毛利少了。
3好 FDE 的实际走法
共 11 周,分 6 个阶段。带三角标记的是这一步最容易踩的坑。
第 1 周先问「怎么证明有效」
- 跟会员运营经理、CRM 专员、财务 BP 坐下来,看过去半年的营销活动复盘。所有复盘都用「核销率」和「活动期间销售额」衡量,没有一次留过随机对照组。
- 跟财务一起抽了 3 次大型活动,拿领券会员和没领券的同类会员做事后比较:两组消费几乎一样。这不是随机比较,只能当线索,但足够说明必须做随机对照。
- 真问题不是「推得不准」,是「没有办法衡量增量,钱可能花在了本来就会买的人身上」。成功标准改为:每次活动保留 10% 随机对照组;以「增量毛利」(发券组减去对照组,再扣掉券成本)为主要指标;第三次活动中,模型选人的增量毛利高于规则选人。
- 踩坑别承诺提高核销率。核销率最容易提升,也最没有意义。
第 2 周数据和合规
- 数据:会员系统、POS 小票(含会员号)、小程序订单、券系统的发放和核销记录。同一个人有手机号、小程序 openid、实体卡三套身份,先做合并。
- 和法务、会员运营确认:短信和小程序推送只发给勾选了营销同意的会员;对照组不是「不服务」,只是不发这张券,不影响会员权益。
- 政治问题:品类经理希望自己的商品都进券池。规则由营销总监定:券池按增量毛利排序,不按品类平均分。
第 3–6 周先跑两次带随机对照的活动
- 客户没有随机对照数据,增量模型无从训练。所以先用简单规则选人(如近 60 天未购、历史客单价中等以上),在目标人群里随机留 10% 不发券,跑两次活动。
- 每次活动要 2 周:1 周核销期,再观察 1 周,看有没有只是把购买提前了。等结果回收是周期拉长到 11 周的原因。
- 第一次活动的结果本身就有用:规则选人有没有增量,财务当场就能算。
- 踩坑分组由系统按会员号随机分,不让运营手挑。手挑的对照组,结论不可信。
第 7 周训练增量模型
- 用两次活动的随机对照数据,训练「发券后购买概率提升多少」的模型,而不是「购买概率多高」的模型。
- 会员分成四类:发券才会买的、发不发都会买的、发了也不买的、发券反而有负面影响的(比如频繁打扰后取消关注)。只给第一类发券。
- evals:留出第二次活动的 30% 会员做验证,看模型挑出的前 20% 会员,增量是否明显高于平均。
第 8–10 周运营上手 + 三组对比
- 第三次活动由 CRM 专员自己配置:选商品、设预算,系统给出人群和预计增量,他可以调整。人群分三组:模型选人、规则选人、随机对照。
- Demo 给营销总监和财务:三组的增量毛利,由 CRM 专员讲,财务 BP 确认口径。
第 11 周交接交接
- 交给会员运营部的数据分析师:维护对照组规则、用新活动数据每月更新增量模型、每次活动的标准复盘模板。
- 把「每次活动必须留随机对照组」写进营销活动审批流程。没有这条规则,模型没有新数据可学,三个月后又会回到只看核销率。
4这个案例教给你的可复用判断
先定义衡量方法,再做优化。不能衡量增量的营销优化,优化的是错的东西。
「最可能买的人」和「因为营销才买的人」是两类人。
增量模型要用随机对照的数据训练。没有这种数据,先做实验,再建模型。
指标口径请财务确认,避免营销部门自己给自己打分。
你手上也有类似的场景?
说说你所在的行业和想用 AI 做的事,留言会直接送达。觉得这个案例有误、过时,或有更好的做法,也欢迎指出。
零售与消费品的其他案例
内容更新:2026-11-11