gabrielmoreira 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：
- 数据收集（Data Ingestion）：全触点、实时、多模态
- 意图理解（Intent Understanding）：从行为数据中提取用户意图
- 内容/交互生成（Content Generation）：AI 原生的个性化内容与交互
- 行为优化（Behavior Optimization）：实时实验、动态调整
- 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：
- 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？
- 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）
- 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？
- 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：
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
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
- 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。
- 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。
- 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。
- 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）