Ai native marketing growth

AI Native 营销与增长策略 — SKILL.md

一句话定位

大多数企业的 AI 营销实践用一个词概括：工具化。买了 Jasper 写文案，买了 Midjourney 做图，但工具之间是断裂的。本 Skill 教你从"用 AI 做营销"进化到"用 AI 重构营销"，建立系统级的增长飞轮。

何时触发

• 需要为 AI 产品设计增长策略
• 现有营销/增长方式遇到瓶颈（获客成本高、留存差、不可持续）
• 需要建立数据驱动的增长系统
• 想从"Campaign 思维"升级为"Product 思维"做增长

核心概念

概念 1：AI Native 增长飞轮

以 AI 为第一性原理设计的增长系统，不是在传统增长模型上"加装 AI"，而是从数据、模型、反馈回路出发重新构建增长逻辑。

飞轮由四个互相咬合的齿轮构成——数据→模型→触达→反馈，形成自增强闭环：数据越多，模型越精准；模型越精准，触达越高效；触达越高效，反馈越丰富；反馈越丰富，数据越多。每一轮循环都让系统整体变得更强，这就是系统复利。

与传统增长模型（AARRR、增长黑客）的关键差异：传统模型假设"渠道"是固定的，追求单点最优化；AI Native 增长飞轮假设"渠道可以被重构"，追求系统复利。

维度	传统增长	AI Native 增长飞轮
核心逻辑	渠道优化	系统复利
数据角色	分析历史	实时驱动
内容生产	人工创作	AI 原生 + 人工审校
实验速度	周/月级	分钟/小时级
组织要求	专业化分工	人机协作

飞轮效率三指标：转速（一圈循环的平均时间）、增速（每一圈带来的增量效果）、稳定性（飞轮是否容易被打断）。

概念 2：数据飞轮

产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好的产品吸引更多用户 → 更多数据的自增强闭环。数据飞轮是 AI 时代最强大的增长壁垒，其差距会随时间指数级放大。

关键要素：

1. 数据收集广度：能收集多少维度的数据（行为、交易、反馈、上下文）
2. 数据质量：数据的准确性、及时性、标注质量（噪音比例超过 20% 模型性能显著退化）
3. 反馈闭环速度：从数据到模型更新的周期（抖音：秒级；传统：天/周级）
4. 产品化能力：将模型输出转化为产品功能的能力

模型资产 = 数据 × 处理能力 × 迭代速度。三个乘数缺一不可——数据量再大，处理能力跟不上就是沉睡数据；处理能力再强，数据质量不行就是拟合噪音；迭代速度慢就会被追上。

概念 3：意图预测营销

从"人群定向"升级为"个体预见"——通过 AI 模型预测用户意图和需求，在用户明确表达之前就提供相关内容和产品，实现从"人找信息"到"信息找人"的转变。

维度	传统触达	意图预测
定向方式	人群包	个体意图
触达时机	用户行动后	用户行动前
规模化方式	广告投放	内容生成
个性化级别	人群级	1:1 级

关键技术：行为序列建模、上下文理解、多模态意图识别、预测性推荐。

核心区别：用户画像是静态标签（25 岁、女性、北京），意图理解是动态信号（这个用户在下午 3 点打开 APP，在第 3 个商品上停留了 30 秒但没有下单，可能在比价）。静态画像告诉你用户是谁，动态意图告诉你用户现在想做什么。

概念 4：预测性留存

通过 AI 模型预测用户流失风险，在用户流失之前进行主动干预，从"流失后挽回"转变为"流失前阻止"。

维度	传统留存	预测性留存
时机	流失后	流失前
方式	促销/折扣	主动干预
个性化	统一活动	个体化方案
成本	高（挽回成本）	低（预防成本）

关键洞察：用户流失最强烈的信号不是负面行为，而是沉默——行为频率衰减、互动深度下降、功能使用路径变窄。AI 模型能检测这些早期信号，以 70%-90% 准确率预测未来 30 天内的流失概率。

预测技术栈：流失预测模型（Churn Prediction）、行为异常检测、LTV 预测、主动干预策略推荐。

概念 5：营销产品化

将营销活动设计为产品功能，让用户在使用产品的过程中自然完成被"营销"的动作，而非通过单独的广告或推广触达用户。

关键特征：

1. 自然涌现：营销效果是产品使用的副产品，而非单独投放
2. 数据闭环：用户使用数据直接优化营销策略
3. 去中心化：用户自发传播，而非品牌单方推广

典型范例：Notion 模板市场（用户创建模板 → 其他用户复用 → 自然转化）、Figma 社区（设计师分享作品 → 其他设计师发现 → 自然采购）、英语流利说打卡机制（学习行为本身就是获客活动）。

营销产品化是 PLG（Product-Led Growth）在 AI 时代的进化：PLG 是产品功能驱动获客，营销产品化是产品体验本身就是营销内容。

概念 6：客户闭环

设计从早期客户筛选 → 共创边界 → 反馈收集 → 产品改进 → 客户扩张 → 方法论回流的完整闭环，确保 AI 产品从早期用户到规模化增长的客户循环畅通。

闭环六步：

1. 早期客户筛选：找到愿意共创的种子用户（而非只追求用户数量）
2. 共创边界设定：明确哪些功能由客户定义、哪些由产品团队决定
3. 反馈收集机制：建立系统化的用户反馈收集和分析流程
4. 产品改进循环：将反馈快速转化为产品迭代
5. 客户扩张策略：从种子用户扩展到主流市场
6. 方法论回流：将客户成功经验提炼为可复制的方法论

分步执行

Step 1：增长现状诊断（Growth Diagnosis）

评估当前增长方式的问题和升级空间。

诊断四问：

1. 数据是否闭环？ 获客、转化、留存数据是否在同一个系统里？能否从结果回溯到原因？
2. 实验速度多快？ 从提出假设到验证结果需要多久？（传统：周/月级；AI Native：分钟/小时级）
3. 内容是否个性化？ 给所有用户看一样的内容，还是每个人看到的内容都不同？
4. 增长是否可累积？ 每次 Campaign 结束后，是否留下了可复用的资产（数据、模型、洞察）？

增长成熟度评分（0-100）：

• 0-20：工具化初期（买了工具但未打通）
• 21-40：数据孤岛期（有数据但不闭环）
• 41-60：飞轮起步期（部分闭环但转速慢）
• 61-80：飞轮加速期（闭环运转且持续优化）
• 81-100：系统复利期（飞轮自转，指数增长）

输出：增长成熟度评分 + 最大瓶颈识别 + 优先改进方向

Step 2：增长飞轮设计（Flywheel Design）

根据产品特性设计专属的 AI Native 增长飞轮。

执行要点：

1. 环节识别：识别业务中可被 AI 化的五个环节——数据收集、意图理解、内容生成、行为优化、反馈学习
2. 增强回路设计：对每两个相邻环节，设计双向增强回路（A→B 的效率如何提升？B 的输出如何增强 A？）
3. 瓶颈环节识别：找到飞轮中效率最低、输出质量最差、增强回路最弱的环节，优先投入资源
4. 飞轮效率评估：评估转速、增速、稳定性三个指标

飞轮设计模板：

[你的产品] 增长飞轮：

1. 数据收集
   - 触点：___（App/网站/客服/社交/邮件...）
   - 类型：___（行为/交易/反馈/上下文...）
   - 频率：___（实时/小时/天）

2. 意图理解
   - 模型：___（行为序列模型/意图分类器/LLM/...）
   - 输出：___（用户意图标签/预测分数/...）

3. 内容/交互生成
   - 生成类型：___（文案/图片/推荐/定价/...）
   - 个性化维度：___（个体/分群/场景/...）

4. 行为优化
   - 实验框架：___（A/B/n 测试/多臂老虎机/...）
   - 优化目标：___（CTR/转化率/留存率/LTV...）

5. 反馈学习
   - 反馈信号：___（点击/购买/留存/流失/...）
   - 模型更新：___（在线学习/批量重训/...）
   - 闭环周期：___（秒级/分钟级/小时级）

输出：定制化增长飞轮设计图 + 环节效率评估 + 优化路线图

Step 3：数据飞轮构建（Data Flywheel Building）

建设从数据到模型到产品到用户的自增强闭环。

执行要点：

1. 数据源识别：梳理所有可产生数据的触点——用户行为数据（浏览、点击、购买、分享）、产品使用数据（功能使用、时长、频率）、外部数据（市场、竞争、社交）
2. 数据收集设计：确保完整性（不遗漏关键数据）、及时性（实时或近实时）、用户友好性（不打扰体验）
3. 数据处理管道：建立从原始数据到可用资产的管道——清洗、标注、分类、存储
4. 模型训练与部署：将数据转化为模型能力——选型、训练、部署、监控、更新
5. 产品化闭环：将模型输出转化为产品功能，优化体验 → 吸引用户 → 产生更多数据
6. 飞轮效率监控：持续监控数据增长速率、模型性能提升、产品体验改进、用户增长加速

关键检查：

• 数据是否"越用越多"？
• 模型是否"越用越准"？
• 闭环周期是否在缩短？
• 壁垒是否"竞争对手难以复制"？

输出：数据飞轮设计图 + 数据管道架构 + 飞轮效率监控指标

Step 4：意图预测与转化路径设计（Intent Prediction & Conversion Path）

设计从"识别用户意图"到"促成用户行为"的完整转化路径。

执行要点：

1. 意图识别：识别用户的显性意图（搜索、咨询、评论）和隐性意图（浏览路径、停留时间、交互模式），按紧急度、价值、可行性分层
2. 意图到内容的映射：每种意图类型对应什么内容类型？内容的语气、长度、格式如何匹配意图？多种意图并存时如何排序？
3. 个性化触达：根据用户偏好选择渠道，根据意图紧急度调整时机，根据历史响应优化内容
4. 行为促成机制：清晰的 CTA、降低行动障碍、增强行动动机
5. 反馈闭环：每次行为数据如何反哺意图识别、内容生成、触达策略

关键指标：意图识别准确率、内容匹配度、触达响应率、转化率提升幅度

输出：转化路径图 + 个性化触达策略 + 意图预测模型方案

Step 5：预测性留存与干预设计（Predictive Retention）

从"流失后挽回"升级为"流失前阻止"。

执行要点：

1. 流失信号识别：建立多层信号体系——行为频率衰减、互动深度下降、功能路径变窄、外部信号（竞品搜索）
2. 流失预测模型：基于历史行为数据训练预测模型，输出用户 30 天流失概率
3. 干预策略分层：按流失风险等级设计差异化干预——低风险（内容推荐优化）、中风险（个性化激励）、高风险（人工关怀 + 专属方案）
4. 干预时机与力度：找到最佳干预窗口（太早无效、太晚来不及），控制干预力度（过度干预反而加速流失）
5. 效果评估与迭代：追踪干预成功率，优化模型和策略

关键原则：预测得越准，干预越要克制；AI 预测风险，人决定是否干预以及干预方式。

输出：流失预测模型方案 + 干预策略矩阵 + 留存率提升计划

Step 6：营销产品化设计（Marketing-as-a-Product）

将营销融入产品，让产品本身就是获客渠道。

执行要点：

1. 识别产品化机会：哪些产品功能天然具有传播性？哪些用户行为可以产生营销价值？
2. 设计自然涌现机制：让营销效果成为产品使用的副产品——模板分享、社区展示、打卡传播、协作邀请
3. 建立数据闭环：用户使用数据直接优化营销策略，而非通过第三方分析工具间接获取
4. 去中心化传播：设计用户自发传播的激励机制，而非品牌单方推广
5. PLG 进化：从"产品功能驱动获客"升级为"产品体验本身就是营销内容"

输出：营销产品化方案 + 传播机制设计 + 数据闭环架构

Step 7：客户闭环与增长策略简报（Customer Loop & Growth Brief）

设计完整的客户循环，并输出增长策略简报。

客户闭环六步：早期客户筛选 → 共创边界设定 → 反馈收集机制 → 产品改进循环 → 客户扩张策略 → 方法论回流

增长策略简报模板：

growth_strategy_brief:
  diagnosis:
    maturity_score: 0-100
    biggest_bottleneck: "瓶颈描述"
    priority_action: "优先改进方向"
  flywheel_design:
    data_sources: ["触点1", "触点2", "触点3"]
    intent_model: "模型类型"
    content_generation: "生成策略"
    optimization: "优化框架"
    feedback_loop: "反馈机制与闭环周期"
  data_flywheel:
    data_pipeline: "数据管道架构"
    model_assets: ["模型1", "模型2"]
    flywheel_speed: "闭环周期"
    quality_controls: ["质量控制措施"]
  intent_prediction:
    intent_layers: ["显性意图", "隐性意图"]
    conversion_path: "转化路径"
    personalization: "个性化策略"
  predictive_retention:
    churn_signals: ["信号1", "信号2", "信号3"]
    intervention_strategies:
      low_risk: "低风险干预"
      medium_risk: "中风险干预"
      high_risk: "高风险干预"
  marketing_productization:
    product_features: ["可产品化的功能"]
    viral_mechanisms: ["传播机制"]
  customer_loop:
    seed_users: "种子用户筛选标准"
    feedback_mechanism: "反馈收集机制"
    expansion_plan: "扩张策略"
  team_structure:
    new_roles: ["新增角色"]
    skill_upgrades: ["技能升级方向"]
  90_day_plan:
    - "Week 1-2: 诊断与飞轮设计"
    - "Week 3-4: 数据管道搭建"
    - "Week 5-8: 意图预测与转化优化"
    - "Week 9-12: 飞轮全链路跑通"

输出：完整增长策略简报 + 90 天执行计划

示例

示例 1：B2B SaaS 产品的增长飞轮设计

场景描述：一家 B2B SaaS 公司提供企业协作工具，目前通过销售团队 + 内容营销获客，月获客成本高（CAC ¥3000+），试用转化率 8%，月流失率 5%。希望用 AI Native 方法论重构增长系统。

用户输入：

我们是一家 B2B SaaS 公司，做企业协作工具。目前获客靠销售团队和内容营销，CAC 很高。试用到付费转化率只有 8%，月流失率 5%。想设计一个 AI Native 的增长飞轮。

执行流程：

1. 诊断：数据不闭环（获客数据在 CRM、产品数据在 Mixpanel、客服数据在 Zendesk）；实验速度慢（一次 A/B 测试需 2-3 周）；内容不个性化（所有试用用户看相同引导流程）
2. 飞轮设计：围绕"产品使用数据"构建飞轮核心
3. 数据飞轮：将三个数据源打通，建立统一用户行为画像
4. 意图预测：基于试用期行为预测付费转化概率，高概率用户优先分配 CSM
5. 预测性留存：建立流失预警模型，对高风险客户主动关怀
6. 营销产品化：设计"团队邀请"和"模板分享"机制，让老用户自然带来新用户

输出结果：

growth_strategy_brief:
  diagnosis:
    maturity_score: 25
    biggest_bottleneck: "获客-产品-客服数据断裂，无法构建闭环"
    priority_action: "打通数据孤岛，建立统一用户行为画像"
  flywheel_design:
    data_sources: ["产品使用行为", "CRM销售数据", "客服工单", "内容互动"]
    intent_model: "试用期行为序列→付费概率预测（XGBoost）"
    content_generation: "基于使用深度的个性化引导流程+邮件序列"
    optimization: "多臂老虎机实时优化引导路径"
    feedback_loop: "在线学习，每日模型更新"
  data_flywheel:
    data_pipeline: "Mixpanel+CRM+Zendesk→统一数据湖→特征工程→模型训练"
    model_assets: ["付费转化预测模型", "流失预警模型", "功能推荐模型"]
    flywheel_speed: "日级闭环（行为数据→次日模型更新→实时推荐）"
    quality_controls: ["数据去重", "行为归因", "异常流量过滤"]
  predictive_retention:
    churn_signals: ["周活跃天数下降", "核心功能使用频率衰减", "协作人数减少", "工单频率突增"]
    intervention_strategies:
      low_risk: "个性化功能推荐邮件"
      medium_risk: "CSM主动关怀+使用培训"
      high_risk: "客户成功经理1v1回访+定制方案"
  marketing_productization:
    product_features: ["团队邀请（邀请越多免费额度越高）", "模板市场（用户创建→他人复用→自然转化）", "协作分享链接（使用即曝光）"]
    viral_mechanisms: ["邀请返利", "模板创作者激励", "公开看板分享"]
  customer_loop:
    seed_users: "10-50人规模的科技团队，有协作痛点"
    feedback_mechanism: "产品内反馈+月度用户访谈+NPS追踪"
    expansion_plan: "种子团队→同行业推荐→跨行业扩展"
  90_day_plan:
    - "Week 1-2: 数据湖搭建，三个数据源打通"
    - "Week 3-4: 付费转化预测模型上线，高价值试用用户优先分配CSM"
    - "Week 5-8: 个性化引导流程上线，A/B测试优化"
    - "Week 9-12: 团队邀请+模板分享机制上线，飞轮全链路跑通"

示例 2：AI 产品的数据飞轮构建策略

场景描述：一款 AI 写作助手产品，日活 5 万，但用户留存率随时间下降（D1: 60%, D7: 25%, D30: 8%），AI 生成质量与竞品无明显差异。需要构建数据飞轮形成竞争壁垒。

用户输入：

我们做了一个 AI 写作助手，日活 5 万。问题是留存很差，D30 才 8%，而且生成质量和竞品差不多，没有壁垒。怎么构建数据飞轮？

执行流程：

1. 诊断：数据收集只记录了"用户生成了什么"，没有记录"用户修改了什么"和"用户最终用了什么"——这是飞轮断裂的根源
2. 飞轮设计：核心洞察——用户的编辑行为（修改、删除、重写、最终选择）比生成行为更有价值，这是隐式反馈信号
3. 数据飞轮构建：
   • 收集层：记录完整的用户编辑轨迹（不只是最终输出）
   • 模型层：用编辑轨迹训练偏好模型（RLHF/DPO）
   • 产品层：基于偏好模型优化生成质量
   • 增长层：质量提升→留存提升→更多用户→更多编辑数据
4. 关键指标：编辑率（用户修改 AI 输出的比例，越低说明质量越高）

输出结果：

growth_strategy_brief:
  diagnosis:
    maturity_score: 20
    biggest_bottleneck: "只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料"
    priority_action: "建立完整的用户编辑行为采集系统"
  flywheel_design:
    data_sources: ["用户输入指令", "AI生成输出", "用户编辑轨迹（修改/删除/重写/接受）", "最终使用场景"]
    intent_model: "用户编辑模式→偏好学习→生成质量优化"
    content_generation: "基于用户历史偏好的个性化写作风格"
    optimization: "RLHF/DPO偏好学习，持续优化生成质量"
    feedback_loop: "在线学习，每次编辑行为即时反馈到模型"
  data_flywheel:
    data_pipeline: "编辑行为→偏好标注→偏好模型训练→生成策略更新→质量提升→更多使用→更多编辑数据"
    model_assets: ["用户偏好模型（DPO）", "写作风格迁移模型", "质量评估模型"]
    flywheel_speed: "次日闭环（当日编辑数据→次日模型更新）"
    quality_controls: ["编辑行为去噪（过滤误操作）", "偏好标注质量审核", "A/B测试验证模型改进"]
  predictive_retention:
    churn_signals: ["生成频率下降", "编辑率上升（说明质量不满意）", "导出后未返回", "功能使用路径变窄"]
    intervention_strategies:
      low_risk: "推送新功能/模板推荐"
      medium_risk: "个性化写作建议+优质模板"
      high_risk: "1v1使用指导+高级功能免费体验"
  marketing_productization:
    product_features: ["作品分享（带产品水印/署名）", "模板市场（用户创作→他人使用→自然获客）", "协作写作邀请"]
    viral_mechanisms: ["分享返额度", "模板创作者排行榜", "写作成就展示"]
  customer_loop:
    seed_users: "内容创作者（自媒体/营销人员/学术写作者）"
    feedback_mechanism: "产品内编辑行为（隐式反馈）+ 主动评价（显式反馈）"
    expansion_plan: "创作者→团队用户→企业用户"
  90_day_plan:
    - "Week 1-2: 编辑行为采集系统上线，补全数据飞轮缺失环节"
    - "Week 3-4: 第一版偏好模型（DPO）训练完成并上线"
    - "Week 5-8: 生成质量A/B测试，编辑率目标下降30%"
    - "Week 9-12: 模板市场+分享机制上线，飞轮全链路验证"

示例 3：营销产品化案例——教育产品的 PLG 增长

场景描述：一款 AI 英语学习产品，目前通过广告投放获客，CAC ¥150，付费转化率 3%。希望从"广告驱动"转型为"产品驱动增长"，通过营销产品化降低获客成本。

用户输入：

我们做了一个 AI 英语学习 App，口语评分是核心功能。现在靠投广告获客，CAC 150 块，付费转化率只有 3%。想做营销产品化，把获客成本降下来。

执行流程：

1. 诊断：产品有很好的 AI 口语评分能力，但这个能力只在"用户付费后"才能体验——这是最大的产品化机会
2. 营销产品化设计：
   • 核心洞察：让"AI 评分"本身成为免费的获客入口
   • 设计"AI 口语测评"免费功能——用户输入一段语音，AI 给出专业评分报告
   • 评分报告天然具有分享性（展示自己的水平、与朋友比较）
3. 数据飞轮：免费测评用户的语音数据 → 训练评分模型 → 评分更准 → 更多人使用 → 更多数据
4. 增长飞轮：免费测评 → 分享报告 → 新用户看到 → 使用测评 → 付费转化

输出结果：

growth_strategy_brief:
  diagnosis:
    maturity_score: 30
    biggest_bottleneck: "核心AI能力（口语评分）被锁在付费墙后，产品化机会未利用"
    priority_action: "将AI评分能力产品化为免费获客入口"
  flywheel_design:
    data_sources: ["免费测评语音数据", "学习行为数据", "社交分享数据", "付费转化路径数据"]
    intent_model: "测评行为→学习需求预测→课程推荐"
    content_generation: "基于测评结果的个性化学习方案+课程推荐"
    optimization: "A/B测试优化测评→付费转化路径"
    feedback_loop: "在线学习，每日更新推荐模型"
  data_flywheel:
    data_pipeline: "免费测评语音→评分模型训练→评分准确性提升→测评口碑提升→更多用户→更多语音数据"
    model_assets: ["口语评分模型", "学习路径推荐模型", "流失预测模型"]
    flywheel_speed: "周级闭环（测评数据→周级模型更新）"
    quality_controls: ["语音质量过滤", "评分一致性校验", "作弊检测"]
  predictive_retention:
    churn_signals: ["学习天数连续下降", "练习时长缩短", "测评频率下降", "课程完成率下降"]
    intervention_strategies:
      low_risk: "个性化学习提醒+新内容推荐"
      medium_risk: "学习成就展示+社群激励"
      high_risk: "1v1学习顾问+定制学习计划"
  marketing_productization:
    product_features:
      - "免费AI口语测评（输入语音→专业评分报告→天然可分享）"
      - "测评报告社交分享（带产品入口，分享即获客）"
      - "学习打卡日历（朋友圈分享，展示学习坚持）"
      - "口语水平排行榜（社交比较驱动传播）"
    viral_mechanisms:
      - "分享测评报告返学习额度"
      - "邀请好友一起测评PK"
      - "连续打卡解锁高级功能"
  customer_loop:
    seed_users: "英语备考人群（四六级/雅思/托福）"
    feedback_mechanism: "测评评分准确性反馈+学习效果追踪"
    expansion_plan: "备考人群→职场英语→少儿英语→企业培训"
  90_day_plan:
    - "Week 1-2: 免费AI口语测评功能上线，开放核心评分能力"
    - "Week 3-4: 测评报告分享机制上线，社交裂变启动"
    - "Week 5-8: 测评→付费转化路径优化，A/B测试转化策略"
    - "Week 9-12: 打卡+排行榜+邀请机制全面上线，PLG飞轮验证"
  expected_outcomes:
    cac_reduction: "CAC从¥150降至¥30-50（自然流量占比提升）"
    conversion_improvement: "付费转化率从3%提升至8-12%"
    retention_improvement: "D30留存从15%提升至25%（数据飞轮效应）"

合并子 Skill 摘要

以下五个子 Skill 已归档至 .archive/，核心内容已合并入本节：

p7a: 数据飞轮构建器

评估产品是否具备自增强数据飞轮（使用→数据→模型→产品→更多用户→更多数据），并设计加速飞轮旋转的策略，构建长期竞争壁垒。

p7b: 意图预测营销设计器

从"人群定向"升级为"个体预见"——通过行为序列建模和多模态意图识别，在用户明确表达之前预测需求并主动触达，实现 1:1 精准营销。

p7c: 预测性留存设计器

从"流失后挽回"升级为"流失前阻止"——利用流失预测模型和 LTV 预测，在用户流失风险升高时主动干预，用个性化挽留策略替代统一优惠券。

p7d: 营销产品化设计器

将营销活动设计为产品功能，让用户在使用中自然完成"被营销"而非被打断，从 Campaign 制升级为 PLG 驱动的持续增长。

p7e: 客户循环

设计早期客户筛选→共创边界→反馈收集→产品改进→客户扩张→方法论回流的完整闭环，确保 AI 产品从早期用户到规模化增长的客户循环畅通。

关键原则

1. 工具不是问题，系统才是：单点 AI 工具效率提升有限，系统重构才能产生质变。
2. 增长即产品：增长不是营销部门的事，而是产品的一部分。好的增长系统是产品自带的能力。
3. 数据飞轮是终极壁垒：谁的数据飞轮转得快，谁就能赢者通吃。但飞轮壁垒不在于转了多少圈，而在于每一圈转得有多快。
4. 从人找信息到信息找人：AI Native 营销的核心是预测用户意图，在用户表达之前主动触达。
5. 预测越准，干预越克制：AI 预测风险，人决定是否干预。过度干预比不干预更有害。
6. 数据质量 > 数据数量：噪音数据不仅让模型犯错，还会让模型在犯错的路上越走越远。

常见陷阱

• 陷阱 1：买了工具就以为完成了 AI 升级 → 工具之间不打通，数据不流通，飞轮转不起来
• 陷阱 2：追求短期 ROI 忽视长期飞轮 → 每次 Campaign 从零开始，不留数据资产
• 陷阱 3：把 AI 当成"自动化的锤子" → 所有问题都用 AI 砸，不区分适合和不适合的场景
• 陷阱 4：忽视组织升级 → 团队结构和技能不升级，系统思维落不了地
• 陷阱 5：只关注数据量忽视数据质量 → 垃圾数据"教坏"模型，飞轮越转越慢
• 陷阱 6：预测性留存干预过度 → 用户感到被监控，反而加速流失

与其他 Skill 的关系

• 上游输入：ai-native-business-model（商业模式，决定增长策略的约束条件）
• 下游输出：ai-native-production-ops（生产运行，增长策略上线后的运营）
• 并行参考：ai-native-experiment-engine（试验展开，验证增长假设）