ai-native-marketing-growth

---
name: ai-native-marketing-growth
version: 1.0.0
description: AI Native 营销与增长策略 Skill。基于《AI Native 营销与增长》方法论， 帮助用户构建以 AI 为第一性原理的增长系统：从工具思维升级为系统思维，
  建立 AI Native 增长飞轮，实现数据-模型-反馈的复利增长。
author: max
tags: p7, 营销增长, 数据飞轮
- book-skill
- marketing
- growth
- data-flywheel
- ai-native
requires: []
homepage: https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7-marketing-growth
stage: p7
source_book: AI Native 营销与增长
source_chapter: 第01章 营销与增长总论

---


# 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）

```yaml
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）

## 核心概念

### 概念 1：AI Native 增长飞轮

以 AI 为第一性原理设计的增长系统，不是在传统增长模型上"加装 AI"，而是从数据、模型、反馈回路出发重新构建增长逻辑。

飞轮由四个互相咬合的齿轮构成——**数据→模型→触达→反馈**，形成自增强闭环：数据越多，模型越精准；模型越精准，触达越高效；触达越高效，反馈越丰富；反馈越丰富，数据越多。每一轮循环都让系统整体变得更强，这就是**系统复利**。

与传统增长模型（AARRR、增长黑客）的关键差异：传统模型假设"渠道"是固定的，追求单点最优化；AI Native 增长飞轮假设"渠道可以被重构"，追求系统复利。

| 维度 | 传统增长 | AI Native 增长飞轮 |
|------|----------|-------------------|
| 核心逻辑 | 渠道优化 | 系统复利 |
| 数据角色 | 分析历史 | 实时驱动 |
| 内容生产 | 人工创作 | AI 原生 + 人工审校 |
| 实验速度 | 周/月级 | 分钟/小时级 |
| 组织要求 | 专业化分工 | 人机协作 |

**飞轮效率三指标**：转速（一圈循环的平均时间）、增速（每一圈带来的增量效果）、稳定性（飞轮是否容易被打断）。

### 概念 2：数据飞轮

产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好的产品吸引更多用户 → 更多数据的自增强闭环。数据飞轮是 AI 时代最强大的增长壁垒，其差距会随时间指数级放大。

**关键要素**：
1. **数据收集广度**：能收集多少维度的数据
2. **数据质量**：噪音比例超过 20% 模型性能显著退化
3. **反馈闭环速度**：从数据到模型更新的周期
4. **产品化能力**：将模型输出转化为产品功能的能力

**模型资产 = 数据 × 处理能力 × 迭代速度**——三个乘数缺一不可。

### 概念 3：意图预测营销

从"人群定向"升级为"个体预见"——通过 AI 模型预测用户意图和需求，在用户明确表达之前就提供相关内容和产品。核心区别：用户画像是静态标签，意图理解是动态信号——告诉你用户**现在想做什么**。

**1:1 规模化 = 实时意图理解 × 自动生成内容 × 动态策略优化**

### 概念 4：预测性留存

通过 AI 模型预测用户流失风险，在流失之前进行主动干预。关键洞察：用户流失最强烈的信号不是负面行为，而是**沉默**——行为频率衰减、互动深度下降、功能使用路径变窄。

AI 模型能以 70%-90% 准确率预测未来 30 天内的流失概率，但**预测越准，干预越要克制**。

### 概念 5：营销产品化

将营销活动设计为产品功能，让用户在使用中自然完成"被营销"。关键特征：自然涌现、数据闭环、去中心化传播。

典型范例：Notion 模板市场、Figma 社区、Duolingo 打卡机制。营销产品化是 PLG 在 AI 时代的进化：产品体验本身就是营销内容。

### 概念 6：客户闭环

设计从早期客户筛选 → 共创边界 → 反馈收集 → 产品改进 → 客户扩张 → 方法论回流的完整闭环，确保从早期用户到规模化增长的客户循环畅通。

## 分步执行

### Step 1：增长现状诊断

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？** 获客、转化、留存数据是否在同一个系统里？
2. **实验速度多快？** 从假设到验证需要多久？
3. **内容是否个性化？** 所有用户看一样的内容还是每个人不同？
4. **增长是否可累积？** 每次 Campaign 后是否留下可复用资产？

**增长成熟度评分（0-100）**：
- 0-20：工具化初期（买了工具但未打通）
- 21-40：数据孤岛期（有数据但不闭环）
- 41-60：飞轮起步期（部分闭环但转速慢）
- 61-80：飞轮加速期（闭环运转且持续优化）
- 81-100：系统复利期（飞轮自转，指数增长）

### Step 2：增长飞轮设计

根据产品特性设计专属的 AI Native 增长飞轮。

**执行要点**：
1. **环节识别**：数据收集、意图理解、内容生成、行为优化、反馈学习
2. **增强回路设计**：对每两个相邻环节，设计双向增强回路
3. **瓶颈环节识别**：找到效率最低的环节优先投入
4. **飞轮效率评估**：转速、增速、稳定性

### Step 3：数据飞轮构建

建设从数据到模型到产品到用户的自增强闭环。

**执行要点**：
1. 数据源识别 → 2. 数据收集设计 → 3. 数据处理管道 → 4. 模型训练与部署 → 5. 产品化闭环 → 6. 飞轮效率监控

**关键检查**：数据是否"越用越多"？模型是否"越用越准"？闭环周期是否在缩短？

### Step 4：意图预测与转化路径设计

设计从"识别用户意图"到"促成用户行为"的完整转化路径。

**执行要点**：意图识别 → 意图到内容映射 → 个性化触达 → 行为促成机制 → 反馈闭环

### Step 5：预测性留存与干预设计

从"流失后挽回"升级为"流失前阻止"。

**执行要点**：流失信号识别 → 流失预测模型 → 干预策略分层 → 干预时机与力度 → 效果评估与迭代

**关键原则**：预测得越准，干预越要克制；AI 预测风险，人决定是否干预。

### Step 6：营销产品化设计

将营销融入产品，让产品本身就是获客渠道。

**执行要点**：识别产品化机会 → 设计自然涌现机制 → 建立数据闭环 → 去中心化传播 → PLG 进化

### Step 7：客户闭环与增长策略简报

设计完整的客户循环并输出增长策略简报。

**客户闭环六步**：早期客户筛选 → 共创边界设定 → 反馈收集机制 → 产品改进循环 → 客户扩张策略 → 方法论回流

### 示例

### 示例 1：B2B SaaS 产品的增长飞轮设计

**场景描述**：一家 B2B SaaS 公司提供企业协作工具，目前通过销售团队 + 内容营销获客，CAC ¥3000+，试用转化率 8%，月流失率 5%。获客-产品-客服数据断裂，无法构建闭环。

**用户输入**：

> 我们是 B2B SaaS 做企业协作工具。获客靠销售团队和内容营销，CAC 很高。试用到付费转化率只有 8%，月流失率 5%。想设计 AI Native 的增长飞轮。

**执行流程**：

1. **诊断**：数据不闭环（CRM / Mixpanel / Zendesk 三个系统断裂）；实验速度慢（A/B 测试需 2-3 周）；内容不个性化。增长成熟度 25 分。
2. **飞轮设计**：围绕"产品使用数据"构建飞轮核心——打通三个数据源，建立统一用户行为画像
3. **数据飞轮**：Mixpanel+CRM+Zendesk → 统一数据湖 → 特征工程 → 模型训练。日级闭环。
4. **意图预测**：试用期行为序列 → 付费概率预测（XGBoost）→ 高概率用户优先分配 CSM
5. **预测性留存**：流失预警模型 → 高风险客户主动关怀（周活跃天数下降、核心功能使用频率衰减）
6. **营销产品化**：团队邀请（邀请越多免费额度越高）+ 模板市场（用户创建→他人复用→自然转化）+ 协作分享链接

**输出结果**：

```yaml
growth_strategy_brief:
  diagnosis:
    maturity_score: 25
    biggest_bottleneck: "获客-产品-客服数据断裂，无法构建闭环"
    priority_action: "打通数据孤岛，建立统一用户行为画像"
  flywheel_design:
    data_sources: ["产品使用行为", "CRM销售数据", "客服工单", "内容互动"]
    intent_model: "试用期行为序列→付费概率预测（XGBoost）"
    content_generation: "基于使用深度的个性化引导流程+邮件序列"
    optimization: "多臂老虎机实时优化引导路径"
    feedback_loop: "在线学习，每日模型更新"
  data_flywheel:
    data_pipeline: "Mixpanel+CRM+Zendesk→统一数据湖→特征工程→模型训练"
    model_assets: ["付费转化预测模型", "流失预警模型", "功能推荐模型"]
    flywheel_speed: "日级闭环"
  predictive_retention:
    churn_signals: ["周活跃天数下降", "核心功能使用频率衰减", "协作人数减少"]
    intervention_strategies:
      low_risk: "个性化功能推荐邮件"
      medium_risk: "CSM 主动关怀+使用培训"
      high_risk: "客户成功经理 1v1 回访+定制方案"
  marketing_productization:
    product_features: ["团队邀请", "模板市场", "协作分享链接"]
    viral_mechanisms: ["邀请返利", "模板创作者激励", "公开看板分享"]
  90_day_plan:
    - "Week 1-2: 数据湖搭建，三个数据源打通"
    - "Week 3-4: 付费转化预测模型上线"
    - "Week 5-8: 个性化引导流程 A/B 测试"
    - "Week 9-12: 团队邀请+模板分享机制上线"
```

### 示例 2：AI 写作助手的增长飞轮修复

**场景描述**：一款 AI 写作助手，日活 5 万，D30 留存仅 8%，AI 生成质量与竞品无明显差异。只收集了"生成数据"，未收集"编辑反馈数据"，飞轮缺关键燃料。

**用户输入**：

> AI 写作助手日活 5 万。留存很差 D30 才 8%，生成质量和竞品差不多，没有壁垒。怎么构建增长飞轮？

**执行流程**：

1. **诊断**：增长成熟度 20 分。最大瓶颈——只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料。
2. **核心洞察**：用户的编辑行为（修改、删除、重写、最终选择）比生成行为更有价值——这是隐式反馈信号。
3. **飞轮设计**：
   - 数据层：记录完整编辑轨迹（不只是最终输出）
   - 模型层：用编辑轨迹训练偏好模型（DPO）
   - 产品层：基于偏好模型优化生成质量
   - 增长层：质量提升→留存提升→更多用户→更多编辑数据
4. **营销产品化**：作品分享（带产品水印）、模板市场（用户创作→他人使用→自然获客）、协作写作邀请
5. **关键指标**：编辑率（用户修改 AI 输出的比例）——越低说明质量越高

**输出结果**：

```yaml
growth_strategy_brief:
  diagnosis:
    maturity_score: 20
    biggest_bottleneck: "只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料"
    priority_action: "建立完整的用户编辑行为采集系统"
  flywheel_design:
    data_sources: ["用户输入指令", "AI生成输出", "用户编辑轨迹", "最终使用场景"]
    intent_model: "用户编辑模式→偏好学习→生成质量优化"
    optimization: "RLHF/DPO 偏好学习"
    feedback_loop: "每次编辑行为即时反馈到模型"
  data_flywheel:
    data_pipeline: "编辑行为→偏好标注→DPO 训练→生成策略更新→质量提升→更多使用"
    model_assets: ["用户偏好模型（DPO）", "写作风格迁移模型", "质量评估模型"]
    flywheel_speed: "次日闭环"
  marketing_productization:
    product_features: ["作品分享（带产品水印）", "模板市场", "协作写作邀请"]
    viral_mechanisms: ["分享返额度", "模板创作者排行榜", "写作成就展示"]
  90_day_plan:
    - "Week 1-2: 编辑行为采集系统上线"
    - "Week 3-4: 第一版 DPO 偏好模型训练完成"
    - "Week 5-8: 生成质量 A/B 测试，编辑率目标下降 30%"
    - "Week 9-12: 模板市场+分享机制上线"
```

## 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
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。但壁垒不在于转了多少圈，而在于每一圈转得有多快
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
5. **预测越准，干预越克制**：AI 预测风险，人决定是否干预
6. **数据质量 > 数据数量**：噪音数据不仅让模型犯错，还会让模型在犯错的路上越走越远

## 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
- **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" → 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
- **陷阱 5**：只关注数据量忽视数据质量 → 垃圾数据"教坏"模型
- **陷阱 6**：预测性留存干预过度 → 用户感到被监控，反而加速流失

## 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`（增长策略上线后的运营）
- **并行参考**：`ai-native-experiment-engine`（验证增长假设）
- **子 Skill**：`p7a` 数据飞轮、`p7b` 意图预测、`p7c` 预测性留存、`p7d` 营销产品化