你以为是个性化,其实是「猜心」——聊聊 AI 怎么把这件事做对的

前段时间,一个朋友跟我抱怨。

他在某个购物 App 上看了一眼跑步鞋,没下单。然后接下来的三天,他的手机里铺天盖地全是跑步鞋的广告——电商、短视频、社交、连新闻 App 都不放过。第三天晚上他终于受不了,卸载了两个 App。

「个性化推荐,推荐个屁。」他说。

我没接话。

因为我心里很清楚:**他遇到的根本不是个性化,是骚扰。**真正的 AI 个性化,和他抱怨的那种「重定向追杀」,完全是两件事。

先把一件事说清楚:什么叫 AI 个性化?

很多人把个性化想得很简单——不就是「给用户贴标签,然后按标签发东西」嘛。

二十五岁到三十四岁、女性、一线城市、购物车里有未结算商品。

OK,发 VIP 邮件,送她一张满减券。

听起来挺合理。但这是十年前的玩法。规则是人写的,标签是死的,发什么内容是提前定好的。规则一旦上线,就停留在那儿了——直到下个季度有人想起来要改。

真正的 AI 个性化,本质上是另一个问题。

它不是在问「这个用户属于哪一类」,而是在问一个完全不同的问题——

此刻、此景、这个人,我接下来该给他看什么?

注意三个词:此刻、此景、这个人。

这不是一个标签能回答的。它得把这个人过去做了什么、现在在哪儿、用什么设备、几点几分、上一秒刚看了什么、最近一次买什么东西、过去一个月打开 App 的频率……全部装进一个模型里,算出一个概率。

然后再决定:该推送商品?还是发优惠券?还是干脆什么都不做,等他自己来?

这种能力,是怎么从「不可能」变成「家常便饭」的?

答案藏在五样东西里。

第一,数据。

而且是结构化的、统一的、能互相说话的数据。CRM 里的客户档案、App 里的点击行为、线下门店的购买记录、客服对话的关键词、广告曝光的来源——这些东西过去散在五六个系统里,谁也不理谁。现在被一个叫 CDP(客户数据平台)的东西拢到了一起,变成了一个人的完整画像。

第二,模型。

数据有了,接下来是预测。这个用户接下来七天会不会买?会不会流失?更吃折扣还是更吃内容?模型给的不是一个绝对答案,是一个概率分数。但分数一旦有了,你就有了一把尺子。

第三,决策引擎。

光预测不够,还得有人拍板。**展示社交证明?发免邮券?推高档套餐?还是按住不动,放进对照组?**决策引擎在毫秒级别里做出选择,然后推给前端。

第四,内容组装。

决定了「该干什么」之后,得真的把内容拼出来。标题用哪句、图片用哪张、CTA 怎么写、布局怎么排——动态创意优化工具把这些模块拆开,按人和场景重新组合。

第五,也是最容易被忽视的——反馈闭环。

模型推了一个推荐,用户点了,这条信号回去告诉模型「你这次猜对了」。用户没点、关掉了、卸载了——这同样是信号。模型不停地在「决策—反馈—修正」里打转,越转越准。

这五个东西连起来,就是一台活的机器。

不是规则表,不是 Excel,不是某个运营同学半夜爬起来改的 if-then。

那,这件事真的能赚钱吗?

能。而且不是一点点。

我给你算几笔账。

波士顿咨询公司做过一项研究:零售商里把高级个性化做透的那批,营收增长能跑到 6% 到 10%,是同行的两到三倍。Twilio Segment 的数据更夸张——接近 80% 的企业决策者说,客户在个性化体验下花钱更多,平均能多花 34%。

Deloitte 的发现更直白:80% 的消费者更愿意在给过他们个性化体验的品牌那儿花钱,而且花的金额比普通品牌高出 50%。

这不是某一家咨询机构的数据。是好几家不同机构、不同样本量、不同年份、不约而同指向同一个方向——

个性化做得好的公司,赚得更多。客户也更愿意留下来。

但最让我震撼的,是 2025 年 Cyber Week 的一个数字。

Salesforce 的数据显示,那几天里线上订单里大约 17% 是 AI 智能体促成的,折算下来差不多 135 亿美元的销售额。Adobe Analytics 那边还补了一刀:用过 AI 聊天服务的用户,下单的概率比没用过的高 38%。

137 亿美元啊。

这不是营销人在办公室里加班加出来的,是机器在那几天里,一刻不停地、一个个用户地、一笔笔生意地,把对的商品推给对的人。

不止电商在玩

很多人以为个性化就是电商那套「猜你喜欢」。其实早就溢出了。

我给你看几个让我没想到的地方。

电信运营商。 过去运营商最头疼的是用户流失——你签了两年合约,到期不续约怎么办?McKinsey 的研究发现,用 AI 做智能挽留,运营商能把整体流失率降 15%,新用户早期的流失甚至能降 30%。怎么做的?就是模型提前嗅到这个用户可能要走,然后在合适的时机,推一个他真正会心动的挽留方案。

银行。 Capital One 有个叫 Eno 的虚拟助手,会主动提醒你「这张卡刚被刷了两笔一样的金额,可能是重复扣款」「这个月的账单比往常高了」。JPMorgan Chase 也类似,把现代数据基础设施和个性化绑在一起,不只用来做风控,更用来懂客户。

医疗。 这是让我最没想到的。McKinsey 对数字疗法做过大规模研究——把数据驱动的个性化嵌进慢病管理流程,严重心血管事件能降低 45%,心梗后 30 天再入院率降一半。这不是营销了,这是在救人。

流媒体。 Netflix 的推荐系统扛起了平台 80% 的观看时长,据估计每年为公司省下超过 10 亿美元的退订损失。一句话——它知道你接下来想看什么,所以你舍不得走。

但是,这件事没那么好做

到这里你可能觉得:这么好,那赶紧搞啊。

慢着。

个性化的反面,是隐私。是偏见。是「** creepy**」。

先说隐私。 你越懂客户,客户越紧张。GDPR 在欧洲,CCPA 和 CPRA 在加州,都给了用户「知道你拿了什么、删掉、不再被追踪」的权利。一个做个性化的团队,如果不在第一天就把「用户同意、数据最小化、可解释」这三件事想清楚,后面一定会出事。

再说数据质量。 这是最隐形也最致命的坑。同一个人被拆成三个 ID、关键事件丢了一半、各个渠道数据对不上、所谓「实时」其实是昨天的——这种数据喂给再贵的模型,出来的也是垃圾。数据治理不是 IT 部门的事,是营销负责人的事。

还有偏见。 模型是吃历史数据长大的。如果你的历史投放就低估了某些人群,模型会忠实地把这种偏见学下去,然后「优化」得更彻底。这不只是伦理问题,在某些场景下还是法律问题——信贷、招聘、保险、医疗这些领域,AI 的「公平性审计」和「人类最终把关」是不能省的。

最后是 creepy。

Gartner 警告过一件事:将近一半的个性化沟通,在用户眼里其实是无关或者冒犯的。

个性化做得越多,不代表越好。

如果广告像在说「我知道你最近在查什么药」——客户不会感动,客户会毛骨悚然。频次要有上限、敏感推断要藏在心里、能展示给客户看的应该是「帮助」的姿态,而不是「监视」的事实。

所以,该怎么动手?

如果你是营销负责人,正在想 2026 年的个性化该怎么搞,我给你四条建议。不讲虚的。

一,先把数据地基打牢。

不要急着上模型。先把 CDP 搭起来,把零散的数据源连进来,定义清楚什么是「一个客户」,把身份识别和同意管理先理顺。地基歪了,楼再漂亮也是塌的命。

二,定义好 KPI 的层次。

你只优化点击,得到的会是标题党。你只优化短期转化,会牺牲品牌。所以 KPI 要分层:业务结果(营收、流失、LTV)在前,先导指标(加购、激活、留存)居中,体验指标(NPS、客诉)兜底。让模型知道,你想要的是「长期值得」,不是「这一单成交」。

三,永远留一个对照组。

模型再聪明,也要给它一个「如果你什么都不做,会怎样」的基准。没有对照组,你就没法说清楚——到底是 AI 起的作用,还是大环境、季节、活动本身的功劳。保留 holdout,是对自己最诚实的要求。

四,人,不能离场。

AI 提议,人来拍板。预算怎么分、目标客户是谁、品牌安全的红线画在哪儿、哪些场景绝对不让模型碰——这些是人该做的事。自动化不是放手,是把人从执行里解放出来,去做判断。

写在最后

回到开头我那个朋友。

如果那几天他看到的不是无脑刷屏的跑步鞋,而是模型基于他整个行为模式算出来的——「他可能是在比价,不是急着买;他喜欢的不是这个品牌,是另一个牌子的同款」——他大概不会卸载那两个 App。

个性化的本质,从来不是「猜心」,而是「懂得克制」。

知道什么时候推。

知道什么时候退。

知道什么时候——什么都别做。

这件事,做到的人不多。但做到了的,都活得不错。

祝你,也能做到。