// 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，
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | ai-native-marketing-growth |
| 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， |
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。
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。
| 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 |
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：
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
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
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
评估当前增长方式的问题和升级空间。
诊断四问：
输出：增长成熟度评分（0-100）+ 最大瓶颈识别
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
用 AI 重构营销全链路的四个关键环节：
输出：营销链路重构方案
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：
输出：团队重组建议 + 技能升级路径
把增长从"活动"升级为"资产积累"。
两大资产类型：
数据资产
模型资产
评估标准：
输出：数据/模型资产建设计划
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"
ai-native-business-model（商业模式，决定增长策略的约束条件）ai-native-production-ops（生产运行，增长策略上线后的运营）ai-native-experiment-engine（试验展开，验证增长假设）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）。
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：
模型资产 = 数据 × 处理能力 × 迭代速度——三个乘数缺一不可。
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
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。
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。
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。
评估当前增长方式的问题和升级空间。
诊断四问：
增长成熟度评分（0-100）：
根据产品特性设计专属的 AI Native 增长飞轮。
执行要点：
建设从数据到模型到产品到用户的自增强闭环。
执行要点：
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？
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
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。
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
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
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：
输出结果：
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"
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：
输出结果：
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"
ai-native-business-model（商业模式，决定增长策略的约束条件）ai-native-production-ops（增长策略上线后的运营）ai-native-experiment-engine（验证增长假设）p7a 数据飞轮、p7b 意图预测、p7c 预测性留存、p7d 营销产品化