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）