案例一：瓴羊超信 × 大闸蟹商家——从「已知客户」到「潜在人群」，AI 人群打分排序把第一波触达新客占比做到 80%+
1. 案例标题 瓴羊超信（AI 营销全托管）助力大闸蟹品牌重构「找人」逻辑：跨品类关联圈人 + AI 算法对人群打分排序，三家重点品牌首波触达新客占比均超 80%、醉卧阳澄新客支付人数占比达 75%，全行业商家均值进店率超 10%。
2. 发布时间 + 来源 2026-09-18 · 腾讯新闻（天下网商）
3. 背景与痛点
- 生意窗口极短：大闸蟹一年只卖两个月，中秋前后是最关键的转化窗口，错过即无，商家没有试错时间。
- 「找人」能力被锁死：过去品牌发营销短信只能触达自己店铺的历史购买用户和注册会员，「年年买蟹的老客户那么多，要往上走只能扩圈」，靠老客池子无法增长。
- 只能守株待兔：线上等客户主动上门，缺乏主动触达潜在人群、并把预算精准压到最可能成交人群上的能力。
4. 执行策略（含具体平台 / 工具 / 方法）
- 人群逻辑升级（核心变化）：借平台数据能力，把触达范围从「自己店铺的历史购买用户和注册会员」扩展到整个淘系内对大闸蟹品类有相关兴趣的人群——经常喝黄酒的人可能也对大闸蟹感兴趣（好蟹配好酒），中秋季有送礼偏好、常送茶叶月饼的人同样是自然客群。人群逻辑由此从「已知客户」走向「潜在人群」。
- 超信帮商家做三件事：
- 找老客：根据过去购买行为，把店铺老客、团购客、品类老客重新圈选出来；
- 找新客：从茶、酒、送礼等关联消费行为里寻找潜在人群；
- 找最可能成交的人（AI 增强算法模型）：基于消费群体的消费行为、消费习惯、店铺偏好、品类偏好等行为特征对人群打分并排序。举例：圈出 200 万送礼人群后，若商家预算只够发 10 万条，算法会把最可能转化的 10 万人从第一名排到第十万名依次投放。
- 「千人千面」自动赛马：过去商家要针对每个商品分别圈人（买 A 推 A、买 B 推 B）；现在模型可自动赛马——圈 10 万店铺潜客、配 5 款不同价格带和场景的素材，由算法按每个人的行为画像自动匹配；每款素材的进店率数据会沉淀下来（A 素材 10%、B 素材只有 5%），下一阶段该推哪个一目了然。
- 线上线下双线并行：线上靠瓴羊超信找人，线下靠瓴羊天攻智投把广告素材投放在 10 个核心城市的大屏和上千个中高端社区的门禁、电梯里，抢占「手机第一屏」之外的物理注意力。
5. 量化成果（含具体数字）
- 今年瓴羊超信在整个大闸蟹商家中的均值进店率已超过 10%。
- 三家重点品牌第一波超信触达，新客占比均超过 80%；新客支付人数占比超过 45%；其中醉卧阳澄新客支付人数占比甚至达到 75%。
- 线下侧，天攻智投「手机第一屏」的引导进店率高达 19%。
- 素材赛马沉淀：A 素材进店率 10%、B 素材 5%，形成可用于下一阶段预算分配的对比数据。
6. 创新价值（对行业的启示）
- 把人群运营的起点从「我的客户」改成「品类的相关人群」，用关联消费行为（酒、茶、送礼）做跨品类圈人，是短期爆发型品类最实用的增长杠杆。
- AI 在本案例里不是「写文案的工具」，而是决定预算怎么分的分配器——200 万人群里挑 10 万，这个动作的 ROI 远高于素材优化。
- 「线上精准找人 + 线下高频占位」的双线组合，为节令型、高客单品类提供了一套可在 2 个月窗口内跑完的完整打法。
7. 原文链接 https://news.qq.com/rain/a/20260918A03VUD00
8. 分析师短评 大闸蟹这门生意最残酷的地方在于：一年只有两个月，你甚至没机会做 A/B 测试。瓴羊超信这次真正的贡献，是把「扩圈」从一个口号变成了一道可计算的排序题——200 万送礼人群里，谁排第一谁排第十万，直接决定了那 10 万条短信的产出。值得注意的是新客占比 80% 这个数字，它说明过去所谓的「老客运营」在短期爆发品类里根本不是瓶颈，真正的增量一直在池子外面。
案例二：快手电商 Data Agent——评测准确率从 40%–50% 拉到 90%+，把「提需求等排期」改造成业务自助消费
1. 案例标题 快手电商 Data Agent 规模化落地：通过指标口径治理 + 知识沉淀 + Text2SQL 增强取数，把评测准确率从初期的 40%–50% 提升至 90% 以上，周活 2000+、对话失败率仅 0.7%，单任务提效超 13 倍。
2. 发布时间 + 来源 2026-09-22 · 中国日报网
3. 背景与痛点
- 被动供给模式：业务想要一个数据，要么提给数据分析师、数据研发，要么提给后端技术，响应方式依赖人力排队，取数链路长、时效差。
- 口径不统一是最大拦路虎：以 GMV 为例，同名不同义的指标大量存在，模型如果直接「自由发挥」，不同用户就会得到不同答案，AI 问数结果不被业务信任。
- 落地并非一步到位：电商场景中的 Data Agent 是在真实业务压力下持续迭代出来的——从早期答非所问到逐步实现精确答疑，从承接临时取数到支持复杂报告生成，再从消费侧分析能力延伸到生产侧提效。
4. 执行策略（含具体平台 / 工具 / 方法）
- 口径与知识治理先行：先完成指标维度规范化与准入筛选，再围绕业务术语、指标说明、数据集职责等沉淀知识资产，解决「同名不同义」问题。
- 两层增强取数：通过「数据集增强取数 + Text2SQL 增强取数」，把「全局找表或指标」收敛为「专题内找对表或指标」，显著降低模型在大范围检索中找错对象的概率。
- 生产侧全链路前移与后扩：把重点从「让 Agent 写代码」前移到需求理解与口径自动对齐，后扩到代码质量 / 数据质量 / 流程质量三重保障，并以「通用框架 + 业务研发包」实现端到端交付，覆盖埋点方案、Hive 表、数据集、AB 模板、看板等多类交付物。同时完成 1000+ 公共词根与字段命名规范化。
- A/B 实验分析重构：在实验平台侧从「指标看板分析 → 实验洞察分析」迈向 Data Agent 驱动的智能化分析，通过 Agent 对话与 Copilot 两种方式服务实验设计、实验归因、实验报告等场景，解决「能不能更快理解结果、形成下一步动作」的问题。
- 五条落地经验：标准规范的数据基建、业务术语知识维护、业务场景增强规则、标准流程 Skill 化、边界问题处理方案；核心逻辑是「该代码化的必须代码化，该让 Agent 发挥的让它发挥」。
5. 量化成果（含具体数字）
- 评测准确率从初期 40%–50% 提升至 90% 以上；单任务提效超 13 倍。
- 周活已达 2000+，周人均对话 40 多次，对话失败率仅 0.7%。
- A/B 实验平台：同时在线实验数超 1.3 万，每天新建实验数超 150，周活用户超 5000。
- 生产侧完成 1000+ 公共词根与字段命名规范化。
6. 创新价值（对行业的启示）
- 明确了 Data Agent 成败的第一性问题是口径治理而不是模型能力：先统一「GMV 是什么」，再谈自然语言问数，否则准确率永远上不去。这条对所有做 ChatBI 的企业都适用。
- 「数据集增强 + Text2SQL 增强」把开放检索收敛为专题检索，是用工程手段给模型划边界，比单纯换更大的模型性价比更高。
- 把「提需求等排期」改造成业务自助消费数据，本质是数据团队从交付报表转向交付能力，这对数据组织的定位调整有直接参考价值。
7. 原文链接 https://cn.chinadaily.com.cn/a/202609/22/WS6ab1fd39e4b09a165c78bc9e.html
8. 分析师短评 很多公司做 ChatBI 都栽在同一件事上：模型很聪明，但业务问「GMV 多少」时，它不知道公司内部 GMV 到底怎么算。快手这案例最值钱的一句话是「先完成指标维度规范化与准入筛选」——把 40%–50% 拉到 90%+ 的，大概率不是模型升级，而是口径治理。对做数据中台的团队来说，这是一个很朴素的提醒：数据治理的债，最后都会在 AI 环节连本带息地还回来。
今日行业趋势总结（数据赋能）
- 数据项目的瓶颈正从「技术能力」转向「口径治理」：快手 Data Agent 把准确率从 40%–50% 拉到 90%+，靠的是指标规范化与专题内收敛检索，而非堆模型参数——统一口径是所有 AI 问数项目的前置条件。
- AI 在精准营销中的角色，从「优化素材」上移到「分配预算」：瓴羊超信在 200 万送礼人群里排出最可能成交的 10 万人，说明算法的高价值落点在于资源配置决策，而非内容生成。
- 人群逻辑从「我的客户」扩展到「品类的相关人群」：跨品类关联圈人（酒 / 茶 / 送礼 → 大闸蟹）成为短期爆发型品类破圈的主流方法，老客池子不再是增长天花板。
- 节令型品类的数据打法趋向「线上精准找人 + 线下高频占位」双线并行：天攻智投 19% 的引导进店率说明，在决策窗口极短时，物理场景的重复曝光依然是有效补充。
- 数据组织的交付物正在从「报表」变为「能力」：Data Agent 把「提需求、等排期」改造成业务自助消费，数据团队的价值衡量标准也随之从交付量转向业务侧的自主率与准确率。