平台一上线就急着接AI客服、开智能推荐，结果客服答非所问、推荐全是卖不动的款，这锅不该AI背，问题出在顺序。AI是放大器，数据是输入端，没有行为数据、订单数据和客户分层，接得越多错得越离谱。这篇按转化漏斗和复购周期拆开讲：先打数据地基，再一步步接高意向识别、售前推荐、购物车挽留、到期提醒和流失召回，每个环节配一个能验收的指标。先数据后AI，转化率和复购率才涨得稳。

平台一上线，很多老板的第一反应是：赶紧把AI客服接上、把智能推荐开起来，转化率不就上去了吗？

结果呢？客户问这个能不能明天到，客服回一段亲亲您好很高兴为您服务；智能推荐推的永远是那几个卖不动的款。老板转头就骂AI都是噱头。

说实话，这锅不该AI背。问题出在顺序上——你让一个对业务一无所知的模型，在没有数据喂养的情况下直接上岗，它当然只能瞎说。

你要提升的，是两条线

提转化、提复购，不是两件事，是两条线，得分开看。

转化线是个漏斗：访客、浏览、咨询、下单、付款，一层往下漏。这条线上AI有三个介入点——谁更可能买，给他推什么，下单犹豫时怎么拉一把。

复购线是个周期：购买、回访、到期、再购，一圈圈转。这条线上AI也有两个介入点——买完怎么维护，到期前怎么提醒。

两条线的共同前提是运营数据。没有埋点，你不知道用户看了什么；没有订单打通，你不知道谁买了什么；没有客户分层，你不知道该对谁说话。先看数据，再看AI，这是全文的主线。

上AI之前，先把数据地基打起来

别着急上功能。数据地基这四件事没做，后面每一步都会失真。

埋点用户行为。用户看了哪些商品、停留多久、加了购物车又删掉、在哪个页面流失，都要记。埋点不是简单记谁看了什么，得带上下文——从哪个入口进来、什么时间、什么设备。入口信息决定你对渠道的判断，时间信息决定用户时段的判断。

打通订单数据。行为数据是想，订单数据是买。两个打通，你才知道看了A又看B的人回头买了C，才算得清转化率。订单至少要含下单时间、商品、金额、支付方式、是否退款，这是所有后续分析的地基。

做客户分层。按最近购买时间、累计消费额把客户分成新客、活跃老客、沉默客、流失客。两层叠加就够，不用多复杂。分层是复购运营的起点——不分层，所有触达都是群发，群发就是骚扰。

算复购周期。不同品类天差地别，生鲜可能三天一次，家具可能三年一次。按品类历史订单算平均购买间隔，得到每个客户群的复购窗口期，这个数字就是到期提醒的触发依据。

四件事做完，先判断一句：订单数据通没通、分层覆盖率多少。连订单都没打通，老老实实先补数据，这是检查点，不是建议。

转化线第一步：把高意向客户筛出来

数据有了，先做最便宜的一件事：谁更可能买，把他筛出来。

高意向信号从哪来？行为上——反复浏览同一商品、加购未支付、领了券没用；问询上——问库存、问发货时间、问售后政策。这些信号在运营数据里都有痕迹，用规则就能筛，不一定要上复杂模型。

做法分两步。规则层先跑：浏览同一商品三次以上、加购未支付、领券未使用，命中任一就标记为高意向客户，进跟进队列。规则简单、可解释、上线快。等订单数据攒到几千笔，再用历史行为到成交的样本训练一个转化概率模型，给每个用户打个成交概率分。

筛出来干什么？给运营一个今日待跟进清单，或者自动触发下一步——发一张限时券、推一条专属提醒。有个做母婴用品的团队，一开始只做了规则层，把加购未支付的人筛出来发温和提醒，两周内这部分人的成交率比没筛的高出近一倍。说白了，识别本身不产生转化，识别之后的动作才产生。

这里有个误区要提醒：高意向识别要防误伤。用户只是随便逛逛，你就发券轰炸，反而把人吓跑。动作要轻，先给一句购物车里有商品未支付的温和提醒，别一上来就是仅限今天大促。

转化线第二步：售前智能推荐，别一上来就上算法

智能推荐是AI提转化最直接的一环，也是最容易做砸的。先记住一个原则：数据少的时候，别硬上协同过滤。

为什么一万笔是道坎？协同过滤靠的是人与人的行为关联，订单太少，关联算出来全是噪声。一个日销几十单的新平台，攒一万笔订单要大半年。所以新平台一上来就靠算法推荐打天下，方向就错了——先用规则和内容过滤顶着，数据够了再切。

落地位置就三处：首页猜你喜欢、详情页看了又看、购物车凑单推荐。每个位置目标不同，首页是逛，详情页是配，购物车是凑，别指望一个推荐位解决所有问题。行业里跑顺的项目，个性化推荐能把转化率往上提两成上下、客单价提近两成，但那是数据攒够、推荐调顺之后的结果，不是上线第一天就有。检查点就一句：推荐点击率有没有比随机推荐高。没有，说明数据不够或者算法没调对，先别扩大投放。

转化线第三步：购物车挽留，关键在时机和力度

用户把商品加进购物车、进了结算页，然后消失了——这是转化流失最肉疼的一环，也是购物车挽留最能出效果的一环。

流失点主要三个：填信息太麻烦、发现运费太高、想比价再等等。挽留按轻重分级：离开购物车两小时，推一条购物车还有商品、点击继续结算的温和提醒；四小时还没回来，补一张小额券抵扣运费或立减；如果是前面筛出来的高意向客户，人工客服或电话问一句是遇到什么问题了吗。

挽留的分寸在时机和力度。太早是骚扰，太晚客户已经去别家下单了；力度要匹配客单价，客单高的可以上券，客单低的别把利润让光。挽留成效看一个数：挽留成功率，就是挽留动作发出后多久内完成了支付。这个数直接告诉你，你的挽留是真有效还是在打扰。

复购线第一步：买完那一刻，运营就开始了

复购不是等客户自己回来，是买完那一刻就开始运营。

动作有四样。履约关怀：发货通知、物流提醒、签收确认，不是营销是服务，但每次触达都是品牌记忆点。使用引导：新客第一次买，推怎么用、怎么吃、怎么装的内容，降低退货率，也埋下再购的种子。满意度反馈：签收后几天问一句体验怎么样，差评及时补救，好评顺势引导分享。交叉推荐：刚买了手机推手机壳，刚买了奶粉推辅食——交叉推荐的转化率高过普通推荐，因为它出现在消费热情最高的时候。

节奏按品类定。快消品一周内回访，耐用品可以放到一个月。别拿着快消的节奏打耐用品，客户会觉得你烦。

复购线第二步：到期提醒和流失召回，先算成本账

复购运营真正的战场，是复购窗口期。

窗口期怎么定？就是前面算的复购周期，再打一个提前量。生鲜类提前两天提醒，会员制服务提前一周。到期前推一句上次买的快用完了吧，用消费周期做由头，比大促来了自然得多，再配一张老客回馈券或积分兑换提醒，让回来这件事有个理由。

然后是流失召回。客户超过正常复购周期还没回来，进沉默名单，按时长分级：轻度沉默，推一句你上次买的有新款了，勾起记忆；中度沉默，上专属折扣把人拽回来一次；深度沉默半年以上，先判断值不值得救。

这里有笔账必须算明白：召回一个客户的成本，不能超过这个客户一次消费的毛利。有行业案例说，精细化运营跑起来的门店，三个月复购率比纯人工门店高出十几个百分点——但那是数据地基打牢、触达策略调顺之后的结果，不是一上来就有的。单客户价值低于召回成本的，随他去，别硬救。

这些能力落在哪：数据看板和策略配置台

上面说的这些动作，后台要接住。数据看板是运营的眼睛——漏斗看板看访客到付款每层漏多少，复购看板看各品类复购率和窗口期。标签管理是触达的弹药库，自动标签按行为和消费打，手工标签按运营判断补。

最关键的是策略配置台。每个触达动作——提醒、挽留、召回——都做成可配置的规则：触发条件、渠道、频次、文案，运营自己调，不用每次排开发期。像环企旺道这类把触达策略做成配置台的做法，好处是能小步快跑、不断试。再配一个A/B测试，同一动作做两个版本小流量对比，看哪个指标好再全量。没有A/B，你永远不知道是策略有效还是运气好。

flowchart TD
    A[埋点SDK/订单同步/日志采集] --> B[行为库+订单库+标签库]
    B --> C[推荐/转化评分/流失检测/语义问答]
    C --> D[触达规则+频次控制+A/B分流]
    D --> E[消息推送/短信/客服/弹窗]

起步阶段别贪重。规则层加数据层先跑起来，算法层等订单量上来再上；存储先用行为库加订单库两个，别一上来就搭特征平台。技术选型的原则还是那句：先跑通，再跑快。推荐服务真挂了，页面回退到热销排序，用户无感知；智能客服挂了直接转人工；触达挂了暂停所有推送，宁可少发不可错发。每条降级路径都要提前演练过。

每个环节，盯一个数

把整篇收成一张检查表，每个环节一个能验收的指标。

先数据后AI的道理，说到底就一句：AI是放大器，不是无中生有。数据地基没打好，直接跳去加客服、上推荐，做出来的全是失真功能，白花钱还伤客户。

落到行动

别一上线就急着堆AI功能。按这个顺序走：先查数据，埋点有没有、订单通没通、分层覆盖率多少，没有就先补；再从规则层开始，高意向客户识别和购物车挽留，两周内能上线；订单量上来了再上算法推荐和流失召回，每个环节先小范围验证指标，达标再扩；顺带配一个A/B测试，让每个触达动作都能验证，而不是靠感觉。

平台上线后的AI不是加个功能，是接一条流水线。每一步都看一个数，达标了往前推一步——这么做，转化率和复购率涨得慢一点，但每一步都涨得稳，不会回头。