P7 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

核心方法论（来自书稿）

核心命题

AI Native 营销不是"营销 + AI"，而是以 AI 为第一性原理重新构建增长逻辑。

工具思维 vs 系统思维

维度	工具思维	系统思维
问题框架	"如何用 AI 做 X 更快"	"如果 X 用 AI 重做，Y 和 Z 会怎么变"
投资回报	线性提升	指数级放大
组织要求	个人技能提升	流程和组织重构
竞争壁垒	谁用的工具更好	谁的飞轮转得更快
持续优势	短期	长期

AI Native 增长飞轮

数据收集 → 意图理解 → 内容/交互生成 → 行为优化 → 反馈学习
   ↑___________________________________________________________↓

飞轮的五个环节：

1. 数据收集（Data Ingestion）：全触点、实时、多模态
2. 意图理解（Intent Understanding）：从行为数据中提取用户意图
3. 内容/交互生成（Content Generation）：AI 原生的个性化内容与交互
4. 行为优化（Behavior Optimization）：实时实验、动态调整
5. 反馈学习（Feedback Learning）：模型从结果中学习，形成闭环

三大增长引擎

引擎 1：意图预测营销（Intent Prediction Marketing）

从"人群定向"到"个体预见"——在用户明确表达之前就提供相关内容。

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

引擎 2：预测性留存（Predictive Retention）

从"流失后挽回"到"流失前阻止"——通过 AI 预测用户流失风险并主动干预。

关键技术：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

引擎 3：数据飞轮（Data Flywheel）

产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好产品吸引更多用户 → 更多数据

关键要素：数据收集广度、数据质量、反馈闭环速度、产品化能力

执行流程

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？ 你的获客、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？ 你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，你是否留下了可复用的资产（数据、模型、洞察）？

输出：增长成熟度评分（0-100）+ 最大瓶颈识别

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。

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/...）
   - 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/...）

输出：定制化增长飞轮设计图

Step 3：营销链路重构（Marketing Chain Rebuild）

用 AI 重构营销全链路的四个关键环节：

3.1 内容生产的工业革命

• 传统：人工创作 → 审核 → 发布 → 等反馈
• AI Native：AI 生成初稿 → 人工审校关键点 → 自动分发 → 实时反馈优化
• 关键升级：从"人写内容"到"人设计内容策略，AI 执行内容生产"

3.2 精准触达的算法进化

• 传统：人群包定向 → 统一素材 → 批量投放
• AI Native：个体意图预测 → 动态生成素材 → 1:1 精准触达
• 关键升级：从"人找信息"到"信息找人"，从"人群级"到"个体级"

3.3 转化优化的智能闭环

• 传统：A/B 测试 → 周级迭代 → 经验驱动
• AI Native：实时实验 → 分钟级迭代 → 模型驱动
• 关键升级：从"经验优化"到"算法优化"，从"抽样测试"到"全量实时"

3.4 用户留存的预测性干预

• 传统：流失后发优惠券挽回
• AI Native：预测流失风险 → 主动干预 → 个性化挽留
• 关键升级：从"事后补救"到"事前预防"，从"统一活动"到"个体方案"

输出：营销链路重构方案

Step 4：增长团队 AI 化重组（Team Restructure）

设计适应 AI Native 增长的组织架构。

人机协作增长团队模型：

角色	人类职责	AI 职责	协作方式
增长策略师	定义目标、判断方向	数据分析、方案生成	人决策，AI 建议
内容运营	策略、审校、品牌把控	内容生成、分发优化	人把控质量，AI 量产
数据分析师	问题定义、洞察提炼	数据处理、模式识别	人提问，AI 回答
实验工程师	假设设计、结果解读	实验执行、统计计算	人设计，AI 执行

关键转变：

• 从"专业化分工"到"人机协作"
• 从"经验驱动"到"数据+模型驱动"
• 从"Campaign 制"到"持续优化制"

输出：团队重组建议 + 技能升级路径

Step 5：数据资产与模型资产建设（Asset Building）

把增长从"活动"升级为"资产积累"。

两大资产类型：

1. 数据资产

   • 用户行为数据库
   • 内容效果数据库
   • 实验结果数据库
   • 意图标签体系

2. 模型资产

   • 意图预测模型
   • 内容生成模型
   • 转化率预测模型
   • 流失预测模型

评估标准：

• 数据是否"越用越多"？
• 模型是否"越用越准"？
• 资产是否"竞争对手难以复制"？

输出：数据/模型资产建设计划

Step 6：增长策略简报输出（Growth Strategy Brief）

growth_strategy_brief:
  current_state:
    maturity_score: 35
    biggest_bottleneck: "数据未闭环，获客和留存数据断裂"
  flywheel_design:
    data_sources: ["App行为", "客服对话", "交易数据"]
    intent_model: "行为序列预测"
    content_generation: "个体化推荐+AI文案"
    optimization: "多臂老虎机实时优化"
    feedback_loop: "在线学习，每日更新"
  marketing_chain:
    content: "AI生成+人工审校"
    targeting: "个体意图预测"
    conversion: "实时A/B测试"
    retention: "流失预测+主动干预"
  team_structure:
    new_roles: ["AI Growth Engineer", "Experiment Designer"]
    skill_upgrades: ["数据科学", "Prompt Engineering", "模型评估"]
  asset_building:
    data_assets: ["用户意图标签体系", "内容效果数据库"]
    model_assets: ["意图预测模型", "流失预警模型"]
  90_day_plan:
    - "Week 1-2: 数据湖搭建和数据清洗"
    - "Week 3-4: 第一个意图预测模型上线"
    - "Week 5-8: 个体化推荐实验"
    - "Week 9-12: 增长飞轮全链路跑通"
  next_stage: "p7"

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。
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。

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

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）

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
2. 数据质量：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
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。

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。核心区别：用户画像是静态标签，意图理解是动态信号——告诉你用户现在想做什么。

1:1 规模化 = 实时意图理解 × 自动生成内容 × 动态策略优化

概念 4：预测性留存

通过 AI 模型预测用户流失风险，在流失之前进行主动干预。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 模型能以 70%-90% 准确率预测未来 30 天内的流失概率，但预测越准，干预越要克制。

概念 5：营销产品化

将营销活动设计为产品功能，让用户在使用中自然完成"被营销"。关键特征：自然涌现、数据闭环、去中心化传播。

典型范例：Notion 模板市场、Figma 社区、Duolingo 打卡机制。营销产品化是 PLG 在 AI 时代的进化：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，确保从早期用户到规模化增长的客户循环畅通。

分步执行

Step 1：增长现状诊断

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？
2. 实验速度多快？ 从假设到验证需要多久？
3. 内容是否个性化？ 所有用户看一样的内容还是每个人不同？
4. 增长是否可累积？ 每次 Campaign 后是否留下可复用资产？

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）

Step 2：增长飞轮设计

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：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
3. 瓶颈环节识别：找到效率最低的环节优先投入
4. 飞轮效率评估：转速、增速、稳定性

Step 3：数据飞轮构建

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 → 2. 数据收集设计 → 3. 数据处理管道 → 4. 模型训练与部署 → 5. 产品化闭环 → 6. 飞轮效率监控

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？

Step 4：意图预测与转化路径设计

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：意图识别 → 意图到内容映射 → 个性化触达 → 行为促成机制 → 反馈闭环

Step 5：预测性留存与干预设计

从"流失后挽回"升级为"流失前阻止"。

执行要点：流失信号识别 → 流失预测模型 → 干预策略分层 → 干预时机与力度 → 效果评估与迭代

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。

Step 6：营销产品化设计

将营销融入产品，让产品本身就是获客渠道。

执行要点：识别产品化机会 → 设计自然涌现机制 → 建立数据闭环 → 去中心化传播 → PLG 进化

Step 7：客户闭环与增长策略简报

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

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，CAC ¥3000+，试用转化率 8%，月流失率 5%。获客-产品-客服数据断裂，无法构建闭环。

用户输入：

我们是 B2B SaaS 做企业协作工具。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 AI Native 的增长飞轮。

执行流程：

1. 诊断：数据不闭环（CRM / Mixpanel / Zendesk 三个系统断裂）；实验速度慢（A/B 测试需 2-3 周）；内容不个性化。增长成熟度 25 分。
2. 飞轮设计：围绕"产品使用数据"构建飞轮核心——打通三个数据源，建立统一用户行为画像
3. 数据飞轮：Mixpanel+CRM+Zendesk → 统一数据湖 → 特征工程 → 模型训练。日级闭环。
4. 意图预测：试用期行为序列 → 付费概率预测（XGBoost）→ 高概率用户优先分配 CSM
5. 预测性留存：流失预警模型 → 高风险客户主动关怀（周活跃天数下降、核心功能使用频率衰减）
6. 营销产品化：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

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"
  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"]
    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", "模板市场", "协作分享链接"]
    viral_mechanisms: ["邀请返利", "模板创作者激励", "公开看板分享"]
  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"
    - "Week 5-8: 个性化引导流程 A/B 测试"
    - "Week 9-12: 团队邀请+模板分享机制上线"

示例 2：AI 写作助手的增长飞轮修复

场景描述：一款 AI 写作助手，日活 5 万，D30 留存仅 8%，AI 生成质量与竞品无明显差异。只收集了"生成数据"，未收集"编辑反馈数据"，飞轮缺关键燃料。

用户输入：

AI 写作助手日活 5 万。留存很差 D30 才 8%，生成质量和竞品差不多，没有壁垒。怎么构建增长飞轮？

执行流程：

1. 诊断：增长成熟度 20 分。最大瓶颈——只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料。
2. 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. 飞轮设计：
   • 数据层：记录完整编辑轨迹（不只是最终输出）
   • 模型层：用编辑轨迹训练偏好模型（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. 营销产品化：作品分享（带产品水印）、模板市场（用户创作→他人使用→自然获客）、协作写作邀请
5. 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", "最终使用场景"]
    intent_model: "用户编辑模式→偏好学习→生成质量优化"
    optimization: "RLHF/DPO 偏好学习"
    feedback_loop: "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→DPO 训练→生成策略更新→质量提升→更多使用"
    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"
  marketing_productization:
    product_features: ["作品分享（带产品水印）", "模板市场", "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"]
  90_day_plan:
    - "Week 1-2: 编辑行为采集系统上线"
    - "Week 3-4: 第一版 DPO 偏好模型训练完成"
    - "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"

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
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
5. 预测越准，干预越克制：AI 预测风险，人决定是否干预
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
• 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" → 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
• 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（增长策略上线后的运营）
• 并行参考：ai-native-experiment-engine（验证增长假设）
• 子 Skill：p7a 数据飞轮、p7b 意图预测、p7c 预测性留存、p7d 营销产品化