这家零售集团同时经营着两套生意：线下的大卖场与标超，线上的主站与到家频道。麻烦在于两套生意各自记账——门店的 POS 单、线上的订单、券核销记录、会员积分分开躺在四个系统里，同一个人在四个地方有四个身份。结果是大促拉来一波新客，第二个月就退掉；高价值人群贡献了近七成销售，却跟大盘领同一张券；活动数字涨了，也没人说得清是模型选得准，还是券给得狠。我们做的事是把这四类数据按会员 ID 合成一份人群资产，用生命周期五段与价值四象限重新分层，跑一个复购预测模型圈出高潜名单，配多波次触达和六组对照做归因；再用 DataAgent 接管日常提数与复盘、用 AI 工具接管素材与投放，让每场活动都能沉淀出可复用的模型包与人群包。
集团的体量不小，人却分散在两套系统里。线上认得账号、线下认得卡号，券核销认得手机号，行为数据只认得设备——四条线索各记各的，谁也没把同一个人拼回来。所有关于“精准”的努力，卡在这一步。
客户画像
线上主站会员在 260 万上下，其中真正活跃的九十万左右；线下大卖场与标超的消费会员还有 600 万，大部分只在门店出现。线上分两个入口，买法完全不同：主站笔均 392 元，到家笔均 84 元。品类以生鲜与食品为基本盘，个护家清、粮油休食连着复购，是典型的“高频刚需 + 大促爆发”结构。
原来的做法
大促按节点办，一波短信加一轮 push，发完就等结果。人群只按“有交易”“没交易”两刀切，贵客和路人领同一张券。活动结束，各渠道后台各导一份数，运营手工拼表，拼出来的口径每次都不一样。复盘会上能说出的只有一句“整体上涨”，说不清是谁涨的、涨的是转化还是客单。
我们的判断
线上线下的账不合，后面所有分层都是假的。合账之后，零售经营的顺序是：先按生命周期把人分成五段，再把价值切成四象限，然后用模型在高潜段里排个序，最后用多波次去接。每一步都要留对照组——没有对照，你永远不知道自己赢在哪一步。
门店认卡号、线上认账号、券认手机号、行为认设备。四张表按会员 ID 才能拼回一个人，而这张表长期没人建。
新买家次月留存 10%–15%，六个月掉到 5%，一年只剩 4%。大促拉来的量在第二个月就退掉，钱花在拉新上，收益留在下个月。
线上高价值人群占买家不到两成，贡献了近七成销售；线下 600 万消费会员里被单独经营过的只是极少数。同一张券发所有人，贵客嫌没诚意，路人嫌不够狠。
短信发一次、push 推一次，一天走完。没人做第二波、第三波，也没有“下单即停止”的规则——同一批人被反复打扰，另一批人一次没被碰到。
活动涨了，是模型名单选得准，还是券给得狠，还是恰好撞上节点？没有对照组，这三个原因永远分不开，下一次只能照抄上一次做法。
一场大促要配十几个资源位、几十条文案、上百张素材，还要按人群改口径。人堆不动的结果是砍渠道——先砍掉最麻烦的那几个。
顺序不能倒。合账之前做分层，是把四个身份当成四个人；合账之后不做对照，是把运气当成能力。三段走完，才轮到日常怎么跑。
把订单、行为、券核销、会员四张表按会员 ID 汇总，能合的先合、合不了的按群体画像处理。然后算两件事：新客与老客的留存曲线差多少，高价值人群的贡献结构是什么形状。
五段生命周期与四象限交叉，先定人；复购预测模型在高潜段里排序，再定名单；三波触达带停止规则，落地执行；六组对照同时开跑，落地验证。
活动跑起来之后，最耗人的不是策略，是提数、拼表、写复盘、出素材。这三件事交给 DataAgent 与 AI 工具，运营回到判断上；每场活动留一份模型包与人群包，下一场直接复用。
全域经营不是把渠道全开，是把数据、人群、决策、触达按顺序摞起来。底下两层不稳，上面两层做得越花，浪费越多。
| 层 | 放什么 | 解决什么 | 谁维护 |
|---|---|---|---|
| 数据层合账 | 订单表、用户信息表、券核销表、行为数据表，按会员 ID 汇总成一份人群资产 | 同一个人在两套系统里的身份问题；口径对不齐的问题 | 数据团队 + 驻场 FDE |
| 人群层定人 | 生命周期五段 × 价值四象限，再叠 RFM 七类细标签 | 贵客与路人被同一套动作对待 | 会员运营 |
| 决策层定名单 | 复购预测模型 + 风控规则剔除 + 白名单圈定 → 模型包与经验包 | 该发给谁、发多少人、留多少做对照 | 模型团队 + 运营 |
| 触达层落地 | 站内：开机屏、弹窗、首页与腰部 banner、push、消息中心、支付完成页；站外：短信、企微社群、公众号、小红书、微博；线下：卖场吊挂、标超立牌、台卡、自助收银屏 | 线上热闹回不到门店，门店客流进不了线上 | 渠道运营 + 门店 |
波次决定“接几次”，对照决定“算不算数”。两件事必须在开跑前定好，开跑之后只执行、不解释。
| 波次 | 什么时候 | 走什么渠道、发什么 | 什么时候停 |
|---|---|---|---|
| 第一波开场 | D1 上午 8:30 | 站内弹窗 + push + 企微与公众号同步；内容是一张折扣券加一句“打开 APP 领”，短信只做补触 | 当日下单即停止后续全部触达 |
| 第二波补位 | 隔日 20:30 | 短信换角度：不重复优惠，讲“券明天到期”与具体爆款商品；站内换成腰部 banner | 已领券或已下单的移出名单 |
| 第三波兜底 | D3–D4 | 智能外呼先跑一轮，只打高意向未响应的人；人工外呼只接智能外呼标记出来的意向 | 同一渠道对同一人整场不超过 4 次 |
| 线下第二入口 | 全程 | 卖场吊挂、标超立牌与台卡、自助收银屏、POS 提示；扫码进互动页，扫码人群回灌到站内人群包 | 按门店与时段统计到店核销 |
| 组别 | 谁来圈人 | 做什么 | 回答什么问题 |
|---|---|---|---|
| A1 模型活动组模型 + 活动 | 模型评分排序的前 20% | 发券、发触达，全套照跑 | 模型挑出来的人，配上活动能转化多少 |
| A2 模型对照组只模型不活动 | 同批次评分排序的后段 | 不推活动，只做自然观察 | 模型名单本身准不准 |
| B1 经验活动组规则 + 活动 | 运营按既有规则圈出，规模同 A1 | 发券、发触达，与 A1 同力度 | 老规则圈人，配上活动能转化多少 |
| B2 经验对照组只规则不活动 | 同规则圈出的另一批 | 不推活动 | 老规则圈人本身准不准 |
| C1 随机活动组随机 + 活动 | 从全量里随机抽，不筛 | 发同样的券与触达 | 不看模型、不看规则，光发活动能涨多少 |
| C2 随机对照组什么都不做 | 随机抽的另一批 | 全程不动，是整场的基线 | 什么都不做，本来会自然转化多少 |
分层定人，模型排序，DataAgent 管日常问数，AI 工具管产能。前两个决定做什么，后两个决定能跑多快、跑多少场。
新手是下载未注册或注册未购；成长是首购 90 天内；成熟是前后两个季度都在买；衰减是只有一个季度在买；沉睡是 180 天没动。五段之间靠规则跃迁，不靠感觉，每一段配自己的动作和预算。
目标是预测“近十一个月内有过 1–2 笔生鲜食品线上交易的人，下个月会不会再买一次”。四张表按会员 ID 汇成训练集，做特征工程，跑一个二分类模型；用第 12 个月验证前 11 个月，输出活动包与经验包两套名单。
它跑在合账后的人群资产上，问的是业务问题不是表名：“上周到家渠道 25–34 岁新客的首购转化是多少”“这波涨的是模型效应还是券效应”。答案带口径、带图，日报周报先出初稿，人只改判断。
素材按资源位尺寸与人群口径批量出图，文案按人群改写——贵客写关怀、路人写力度、沉睡写唤醒；选品按双期销量对比与库存打分；外呼话术按分层出，先让智能外呼筛一轮意向，人工只接高意向。
| 日常动作 | 过去怎么做 | 现在谁做 | 省下什么 |
|---|---|---|---|
| 拉一份人群包最常被卡 | 提需求、排期、等数据团队，三到五天起步 | DataAgent 直接取数出包，分钟级 | 省掉排队，也省掉来回改口径 |
| 活动复盘最容易糊 | 各渠道后台各导一份，Excel 手工拼，拼完互相打架 | DataAgent 自动按人群、渠道、券型拆归因并出图 | 省掉拼表，也省掉复盘会上的争吵 |
| 触达文案最耗人 | 运营手写几十条，改到发不动，最后几个资源位共用一条 | AI 按人群与资源位批量生成，人只做终审 | 产能从几十条到几百条 |
| 商品选品最靠经验 | 看榜单、凭手感挑，说不清为什么挑它 | AI 按去年同期与今年前期的销量对比、库存与毛利打分 | 选品从“我觉得”变成可解释 |
| 外呼与短信话术最容易重复 | 一套话术打全网，同一句话发给所有人 | AI 按分层出话术，智能外呼先筛一轮意向 | 人工坐席只接高意向，成本降下来 |
| 素材出图最赶时间 | 设计排期，一周一批，改一次等三天 | AI 出图 + 人改，按各资源位尺寸批量适配 | 迭代从周级到天级 |
这张表的顺序不是随意的：越靠前的动作越接近数据底层，替掉之后的收益越大。先接提数，再接复盘，最后才是文案与素材——反过来先做素材，只是把好看的图发给了错的人。
前六周不做任何投放。合账没做完就开跑，跑出来的数据既不能归因也不能复用，等于把预算换成了一次性热闹。
| 阶段 | 周期 | 产出什么 | 谁必须到场 |
|---|---|---|---|
| 一 · 数据合账打地基 | 2–3 周 | 四张表按会员 ID 汇总的人群资产、能合与不能合的清册、留存曲线与价值结构 | 数据团队、会员运营、驻场 FDE |
| 二 · 分层与建模定人 | 3–4 周 | 生命周期五段与四象限交叉表、RFM 七类定义、复购预测模型包与人群包 | 模型团队、运营 |
| 三 · 首场试跑验证 | 4 周 | 三波触达执行、六组对照落地、第一份带归因的活动复盘 | 渠道运营、设计、外呼坐席、门店 |
| 四 · 常态化接手 | 每场活动一次 | 模型包与人群包入库复用、DataAgent 看板与模板交接、AI 工具使用规范落地 | 客户侧团队独立跑，FDE 退到陪跑位 |
第三周是最容易崩的一周。合账会撞上一堆脏数据：一个手机号绑了三个账号、券核销时间和订单时间差三天、门店 POS 的会员字段一半是空的。这些不是障碍，是这项工作真正的内容——处理完之后，后面所有分层才有意义。
不是一本方案书。每一份都对应一个每周要发生的动作：运营今天圈谁、渠道今天发什么、复盘会上看哪张表。
| 交付物 | 形式 | 谁在用 |
|---|---|---|
| 全域人群资产表与 ID 规则底座 | 数据表 + 规则文档 | 数据团队与运营，一份表看清一个人在两套系统里的样子 |
| 生命周期五段与 RFM 定义表定人 | 文档 + 打标规则 | 会员运营，谁在哪一段、该配什么动作，一页说清 |
| 复购预测模型包与人群包核心 | 模型 + 名单文件 | 运营与模型团队，每场活动直接调取，不用每次重建 |
| 多波次模板与频控规则执行 | 排期表 + 规则清单 | 渠道运营，三波怎么排、什么时候停，照表执行 |
| AB 六组设计与效应拆解表验证 | 设计表 + 计算模板 | 复盘会，六个差值一摆，责任归到具体动作 |
| DataAgent 看板与 AI 工具规范常态化 | 看板 + 使用手册 | 客户侧团队，提数、复盘、出素材不用再排队 |
这一页不给一个笼统的达成率，给的是这套体系必须看的六个数——每个都对应一个能当场回答的问题，也对应一个容易骗人的假指标。
| 口径 | 怎么算 | 回答什么问题 |
|---|---|---|
| 留存与跃迁人在哪一段 | 次月、六个月、年度留存；五段之间的月度跃迁率与回流率 | 人是留住了，还是只是这个月恰好买了 |
| 人群覆盖该碰的碰没碰 | 模型包覆盖率、名单触达率、有效触达率（去重后） | 被圈出来的人，实际有没有收到 |
| 触达效率漏在哪一段 | 曝光 → 点击 → 落地页访问 → 领券 → 成交 的五段漏斗 | 是没人点，还是点了没领，还是领了没买 |
| 券与权益买到了什么 | 用券率、券付款金额、溢价客单价、单买家营销成本 | 这张券换来的是一单成交，还是一次复购 |
| 业务产出有没有真活 | 活跃客户数（滚动口径）、复购频次、GMV 与成交人次 | 场次热闹之后，人还在不在 |
| 归因涨的部分归谁 | 模型效应（A2 − C2）、offer 效应（C1 − C2）、交互效应（A1 − B1） | 是名单选得准，还是券给得狠 |
四条口径红线：GMV 涨不等于经营有效，先看是不是靠券堆出来的；用券率高不等于策略对，门槛为零的券本来就九成人会用；活跃客户数按滚动口径算，不看累计；渠道数据不做简单相加，同一个人被多渠道触达会重复计数。
| 券的用法 | 用券率 | 说明什么 |
|---|---|---|
| 无门槛 60 元券 | 93.1% | 几乎全用。买到的是一单成交，代价是成本；适合打爆款声量，不适合当复购工具 |
| 无门槛 12 元券 · 首周 | 64% | 新鲜感还在，人群对“有券”这件事仍有反应 |
| 无门槛 12 元券 · 次周 | 40.7% | 同一力度重复发，边际衰减明显；第二周靠加码而不是加密才有效 |
| 满 24 减 12 | 15.2% | 加了门槛，用券率腰斩；但客单价被拉起来，溢价明显 |
四个数摆在一起，结论很清楚：券的力度不是越高越好，要看你买的是转化还是客单。真正的判断标准只有一条——这张券发完之后，第二个月他还来不来。只算当场的用券率，等于用一次成交的价格，买了一次成交。
模型、资源位、玩法都能复制。这四条判断复制不了，它们决定同样的预算，是做成一条能复算的线，还是做成一次好看的活动。
两套系统里的同一个人没合上之前，所有分层都是在给四个身份分类。合账不是技术活，是经营的前提条件——没有它，“全域”只是一个说法。
五段生命周期、四象限价值，切完必须落到不同的券、不同的渠道、不同的波次上。切完人群还是发同一张券，分层就退化成了一张报表。
模型只能告诉你“谁更可能回来”，说不出“他为什么现在回来”。理由要靠券、靠商品、靠节点。两件事分开想，才不会指望一个模型包治百病。
大促期间所有曲线都在涨，这是季节，不是能力。留下一组什么都不做的对照，是这套体系里最便宜、也最容易被省掉的一步。
还有一条不在卡片里：工具替掉的是体力活，不是判断。DataAgent 能把提数从三天压到三分钟，但它不知道该不该发这张券；AI 能出三百条文案，但它不知道哪一条会伤到老客。判断权必须留在人手里，否则效率提升得越快，错得越快。
六个条件：两套渠道都在做、会员基数够大、四类数据能归集、有稳定节点、愿意建模、能接受留对照。缺哪条先补哪条，别直接从投放开始。
反过来判断也成立：只有一条渠道的，先做单渠道分层，别硬套全域；会员基数在十万以下的，样本撑不起六组对照，做四组就够，甚至先做两段分层；订单里一半挂不上会员 ID 的，先补钩子——扫码、绑卡、积分入口，合账做完再谈；没有稳定节点的，先靠日常复购跑，大促那套节奏搬不过来；不允许留对照组的，这套方案的价值会掉一半，剩下的只能当执行清单用。
数花提供 40 分钟免费诊断：先看你的会员、订单、行为、券核销能不能按一个 ID 合回来，新老客的留存曲线差几倍，高价值人群贡献了多少销售，再判断该先合账、先分层，还是先拿一场活动把对照跑起来。诊断不收费，也不用先准备完整材料。
先合“能合的部分”，不合“合不了的部分”。能合的是：已登录的线上账号、绑过手机号的会员卡、扫过码的券核销记录，这三类通常能拼回一个人。合不了的是纯现金交易、没留手机号的到店客流——这部分先按门店与时段做群体画像，不进个体层。合账的目标不是 100% 覆盖，是把可识别的那部分人从“四个身份”收敛成一个，通常就能把重复触达降下来一大截。
不需要“大数据”，需要“够用的历史”。一年以上的订单与行为数据、每张单能挂到会员 ID、有一批人真的复购过——这三条满足，二分类模型就能跑。样本少的时候不要追求模型精度，先把“谁被排进 TOP20%”这件事做出来，用对照组验证它比随机好，再谈迭代。模型的第一次价值不在准，在能把人群切开。
不必。六组是完整版：模型活动、模型对照、经验活动、经验对照、随机活动、随机对照，能同时拆出模型效应、offer 效应与交互效应。多数客户第一场做四组就够——模型活动、模型对照、随机活动、随机对照，先把“模型有没有用”和“活动有没有用”分开。关键是别在开跑前没定口径，事后补对照组是没有意义的。
会有这个问题，所以波次必须带停止规则。可用的三条：下单即停止后续触达；同一渠道对同一人整场不超过 4 次；未响应的人降频而不是加频。波次的目的是“接住还没动的人”，不是“多打几遍”，第二波的内容要换角度而不是换力度。
替掉三件最耗时的事：提数、拼表、写复盘。过去要一份人群包要走需求排期，现在是自然语言问一句、当场出包；过去复盘要各渠道后台各导一份再手工对齐，现在是自动归因、直接出图；过去要解释“这波为什么涨”，现在是按人群、渠道、券型拆开看。它不替运营做决策，是把决策前的那段体力活接走。
替不掉岗位，替掉的是产能瓶颈。素材、文案、话术这类“一次要几十上百条”的活，AI 能从几十条做到几百条，人只做筛选和终审；选品、投放排期、外呼这类“要看数据”的活，AI 先出一版建议，人做确认。结果是同样的团队能跑的活动场次变多，而不是同样的事人变少。