当你的营销团队只有三个人，怎么给百万用户写「一对一」的私信？

前几天，我在朋友圈刷到一句话。

McKinsey 的一项调研说，76% 的消费者，会因为品牌「不记得我」而生气。

我一开始没当回事。后来想了想，还真挺有道理。你自己想想看：你上周刚在某 App 下过单，这周收到的推送还是「新用户专享」，你会怎么想？多半是把它关掉，顺手再点个「不再提醒」。

更扎心的是后半句。这种生气的代价不是情绪，是真金白银。转化率掉、复购率掉、用户悄悄走掉，连个招呼都不打。

所以今天我想跟你聊一件事：怎么在规模化基础上，让每个用户都觉得「这条消息是写给我的」。

先把问题说透：什么叫「AI 营销个性化」？

我先给你下个定义，咱们再往下推。

AI 营销个性化，说白了就是用机器学习，根据每个人当下的行为，实时决定给他看什么内容、用什么渠道、什么时候发。不是按人群包发同一封邮件，是真的「千人千面」，而且千人同时发。

你可能会问：这不就是个性化推荐吗？我做规则引擎也行啊。

不一样。差在哪？

规则引擎是你写死一套逻辑，「下单三次以上 → VIP」。但人不是按规则活的。一个用户上周还在疯狂下单，这周突然就不来了，你的规则要等到下个月跑批才会发现他掉了。规则是回头看，AI 是往前看。

举个具体的。8fit，一个全球 4000 万下载的健身 App，他们的痛点特别真实：想推付费会员，又不想一刀切给所有人打同样的折。给高意向的人打三折，亏；给低意向的人不打折，他不买。

他们用 Braze 的 Predictive Purchases 给每个用户算了个「购买倾向分」，0 到 100。

注意，这个分数不是拍脑袋拍的，是模型根据这个人过去的行为算出来的。算什么？算他有多大可能在接下来一段时间掏钱。

然后他们做了件很聪明的事：

• 分高的，少打折。反正他本来就要买。
• 分低的，模型判断「加把火能转化」的，才给大额优惠。
• 分最低、几乎不可能转化的那一拨，干脆不发。

结果呢？高意向用户的转化率是随机对照组的 3.75 倍。更妙的是，每周少发了 10 万封邮件，转化一点没掉。

天呐，这就是算法替你算账。10 万封邮件的发送成本、用户的被打扰成本、退订风险，全省了。

真正难的不是「个性化」，是「规模化的个性化」

我给你讲第二个故事。

Dayuse，一个做「白天入住」的酒店分销平台，覆盖 30 个国家。它的 CRM 团队一共多少人？

三个。

三个人，面对全球用户。英文的、法文的、日文的，商旅的、情侣的、带娃的，全部塞进同一个欢迎邮件模板里发。用户收到的内容跟自己八竿子打不着，自然不会回来复购。

你让三个人手写每一条吗？不现实。

他们把 BrazeAI Agent Console 嵌进了 Canvas。简单说就是，每一步触达都让 AI 接收这个用户的收藏夹、历史订单、偏好房型、常用语言，然后当场生成一段只属于他一个人的文案。

结果两个数字我印象很深：

• 「收藏夹」营销活动的增量收入，是对照组的 2 倍。
• 整体预订转化率提升 90%。

真正难的从来不是「会不会写一条好的私信」。难的是，你怎么让这套事在百万用户身上自动跑起来，而团队不用招一百个人。

分群这件事，规则已经追不上了

再讲一个让我拍大腿的案例。

Luxury Escapes，全球 900 万会员的旅行平台，覆盖 30 个国家。他们以前的玩法很标准：按「访问了几次」把新用户分进不同的欢迎路径。访问 3 次进 A 组，5 次进 B 组。

问题是什么？他们后台其实有大量更细的行为信号：看了哪种房型、停留多久、有没有搜日期。但全用不上。要改规则，得从头重写一遍，工程量巨大。

他们换了个思路：不再写规则，让 AI 当那个「分群的人」。

用 BrazeAI Agent Console 同时看 10 个网站行为信号，实时把每个新用户放进最合适的队列。规则从「访问次数」一个变量，变成了 10 个变量同时算。

账算下来：

• 每用户收入比规则组高 10%。
• 客单价涨 7%。
• 下单量涨 6%。

**10% 的收入提升，全是从转化率里来的。**没多花一分钱投放，没多发一条消息，只是把人分得更准。

我跟你讲，这就是规则引擎和 AI 分群最本质的区别。规则是「把人塞进固定的盒子」，AI 是「盒子跟着人走」。用户一变，盒子立刻变。

真正的高手，连「测试」都让机器自己跑

你可能听过 A/B 测试。我准备两个版本的标题，各发 50% 的人，看哪个赢。

但传统的 A/B 测试有个毛病：它要等人来收尾。你得等一周数据稳定，开会决定用哪个版本，再推全量。中间这一周，你的用户还在看那个表现差的版本。

Cleo 这家公司做了件更狠的事。Cleo 是一个面向雇主的家庭关怀福利平台，会员从备孕一直覆盖到照顾老人。他们的欢迎邮件系列本来跑得还行，但内容为了照顾所有人群，写得特别「安全」。什么人都提一点，什么人都没打动。

他们的生命周期经理 Holly 用了 BrazeAI Operator，让 AI 帮忙写个性化版本的 Liquid 代码，还自动考虑到了一些团队没想到的边缘情况。比如同一个会员，他注册时填的是「准备当爸爸」还是「照顾高龄母亲」，欢迎系列的整个走向完全不一样。

效果是这样的：

• App 打开率涨 284%。
• 推送互动率涨 124%。
• 退订率降 81%，第一封邮件的退订降了 97%。

我反复看了一遍这些数字。97% 的退订降幅，意味着以前的欢迎邮件基本上是被用户当成垃圾邮件在处理，换上个性化版本之后几乎全部救回来了。

这就是我说的「让测试自己跑」。AI 不只是帮你跑实验，它是在每一次发送的同时就把赢家推上去，用户根本感觉不到中间有过「差的版本」。

那到底怎么开始？我把这条路给你拆清楚

聊了四个案例，你可能会问：我也想做，从哪下手？

我把它拆成五步，每一步都是下一步的地基，别跳着来。

1. 先把数据洗干净、汇到一起。

行为数据、购买记录、用户偏好、实时事件，全部流到一个池子里。你的数据如果散在三四个系统里、还跑批延迟，建在上面的个性化全部带着误差。这是地基中的地基。

2. 让模型开始预测。

数据通了之后，机器学习模型就能算：谁可能买、谁可能流失、谁的终身价值最高。把这些预测结果变成动态的人群包，跟着用户行为实时更新。

3. 把预测接到实际的触达上。

生命周期营销、触发式消息、跨渠道序列，全部基于实时行为跑。AI 负责决定内容、渠道、时机，你负责定策略。

4. 别设完就不管了。

自动化的 A/B 测试让每次发送都让下一次更聪明，互动分析告诉你哪里用户在响应、哪里在掉队。这些信号反过来喂给模型，下一轮决策永远比上一轮更准。

5. 让团队去想大事。

这一步是我最喜欢的。当自动化跑起来之后，你的团队不用再手动调度每一条消息。三个人就能管百万用户的个性化触达，剩下的人去想策略、想创意、想那些机器替不了的事。

那怎么知道自己做得对不对？

给你几个我一定会盯的指标。

**先看互动数据。**打开率、点击率、应用内互动。它们是你的早期预警系统，商业结果还没出来之前，这些数字先动。它们往好的方向走，转化通常跟着来。

**再看转化和收入。**每条消息带来的转化率、带来的收入，要跟对照组或者个性化之前的基线对比，长期看。

**然后是留存和终身价值。**用户复购率、流失率、CLTV，这是长期视角。如果你的个性化只是催出了一锤子买卖、留存没动，那它只做对了一半。

**最后是测试本身的反馈。**哪个版本在赢、哪个渠道在涨、模型学习速度有多快。这些信号会反哺到模型里，让你的营销效果像复利一样越滚越大。

我的一个真实感受

写完这四个案例，我有一种很具体的感觉。

过去我们说「个性化」，其实在说「分组化」。把人分成一百个组，每组发一套话术，已经是天花板。团队再大、规则写得再细，也跑不过用户行为变化的速度。

AI 做的事，是把「分组」这件事从人手上拿走。它不需要你写一千条规则，它只需要一个模型、一份干净的数据，就能在毫秒级给每个人做判断。

最让我兴奋的不是某个具体的数字，而是这四个团队，行业不同、规模不同、团队大小也不同。一个旅行平台、一个健身 App、一个酒店分销、一个家庭关怀服务，但同一套方法论在他们身上都跑通了。

这说明它不是某一家公司的独门秘籍，它是一套可以被复用的能力。

谁能真正理解这种从「分组」到「个体」的变化，谁就能在不加人的前提下，把营销的杠杆撬到过去不敢想的倍数。

至于具体用什么工具、怎么接、怎么排，那是工程问题。工程问题总有解。

难的是认知。是你愿不愿意承认：那些你写了三年的规则、那份你引以为豪的运营手册，在新一代用户面前，已经跑不动了。

我也没什么标准答案。但这个问题，值得你认真想想。