最近接手的一个家居品牌挽回项目用 AI Agent 定向触达了一批高潜流失顾客7 天下单率提升了 104%。这数字一出来不少人第一反应是“是不是把自然成交都算进去了”这也是我今天想花篇幅讲清楚的原因。家居行业的特殊性在于客单价高、决策周期长、用户会反复比较流失用户和快消品语境下的流失完全是两码事。这篇文章我会从人群筛选、Agent 搭建、话术与权益设计、效果归因四个环节展开把整个实操链路和踩坑记录完整放出来适合正在做会员运营、私域运营或者想尝试用生成式 AI 提效的团队参考。1. 先搞清楚谁才是真正值得挽回的高潜流失顾客1.1 家居行业的“流失”慢决策、高客单、强对比家居行业里“流失”这个词很容易被误读。食品饮料用户一周不买基本就流失了但家居用户可能看中一款床垫后在多个平台之间反复比较两三周才做决定。表象上是流失实际上还在决策周期里。如果在这个阶段用粗暴的方式去触达很容易把真正想买的用户惹烦如果完全不管又容易被竞品截胡。我当时的判断标准很朴素用户最近 30 天内浏览过商品详情页多次、加过购物车、领过券或者咨询过客服但最终没有支付。这类人不是不想要而是在犹豫、在比价、在等一个更合适的时机。对运营来说他们就是“高潜流失顾客”——意向已经很明显只差临门一脚。传统做法是等大促再统一推送但问题在于大促周期长、竞争激烈用户不一定记得你这个品牌。更好的思路是在用户犹豫期内用一对一、有温度的方式重新建立连接把购买理由送到对方面前。这也是我们决定做 AI Agent 挽回的起点把“等用户回来”变成“在恰当的时机主动接住用户”。1.2 高潜流失人群的筛选逻辑把“意向分”算明白想清楚目标人群后第一步不是写话术而是把“谁值得挽回”变成一套可计算的规则。我用的方法是给用户行为打“意向分”分数越高挽回优先级越高。初版权重表可以长这样行为特征权重近 7 天浏览商品详情页 3 次及以上20 分加购或收藏商品30 分领取优惠券但未使用15 分发起售前咨询但最终未下单25 分过去 30 天内完成过订单10 分总分 60 分以上的用户划入高潜流失池。这套规则的关键不在于分数本身而在于它把“意向”这个模糊概念变成了可排序的指标。比如一个用户咨询过客服、也加购了但没领券、没下单分数是 55 分离及格线一步之遥说明成交阻力可能卡在物流、安装、尺寸这类细节上。这时候 Agent 的介入重点就不是发优惠券而是答疑。这里有两个落地时容易忽略的细节。第一分数阈值不是拍脑袋定的而是根据每天能触达的量倒推如果高潜池一天只有几十个人Agent 跑不起来阈值就得适当放宽反之如果一天好几千人就得收紧优先保最可能成交的头部。第二规则要定期回看。我们上线两周后重新复盘了历史流失用户数据发现领券未使用这个行为的权重明显偏高而单纯浏览详情页的误伤率高于是把浏览权重从 20 降到 10整体精度立刻上来了。提示意向分不需要一开始就上机器学习模型先用规则跑通积累一段时间的特征和标签后再考虑用模型替代。规则模型的最大价值是解释性强出了问题能快速定位。2. 为什么挽回这件事要交给 AI Agent 而不是老一套2.1 传统挽回手段的三重困境短信、发券、人工外呼做挽回的团队通常先试短信再试无差别发券最后被迫上人工外呼三个手段各有各的疼。短信的问题是打开率太低家居行业平均能到 5% 就算不错而且短信只能单向触达用户就算想回也不知道回给谁。无差别发券短期内能拉动转化但把利润让出去了还很容易养成“你不发券我就不买”的习惯长期看对品牌是透支。人工外呼表面效果最好但家居品类的对话复杂度在这里成了硬伤。一个外呼坐席要同时掌握床垫材质、沙发尺寸、物流政策、安装服务、退换货规则培训成本非常高而且客服状态受情绪影响大同一套话术不同人说出来效果完全不一样。更现实的问题是成本外呼一个人次几块钱一天触达一千人都要掂量预算根本没法和几万人的流失池匹配。所以传统手段的本质问题是无法做到“大规模的一对一”。短信便宜但没有对话能力人工有对话能力但没法规模化发券能促单但把握不好价格底线。AI Agent 恰好补上了这个空档——它能以近乎零边际成本的方式和每一个高潜用户展开个性化对话。2.2 AI Agent 改变了什么从群发通知到多轮对话顾问AI Agent 和传统自动化营销的核心区别在于它具备“阅读-理解-决策-表达-行动”的闭环能力。传统自动化只能做到“用户触发了某个事件系统发一条固定文案”比如加购后 30 分钟自动推送“您有一笔订单待支付”。但如果用户回复“这款床垫和另一款有什么区别”规则就断了没有任何系统能接住这句话。Agent 可以把对话延续下去。它能读取用户看过的商品参数知道用户在问什么它能调用商品库和权益系统决定要不要给优惠、给多少它还能根据用户的情绪和意图切换话术方向。比如用户说“有点超预算”Agent 不会机械地回复优惠信息而是先判断对方的预算区间再推荐更合适的款式或者给出有门槛的满减券。这已经不是营销推送而是导购行为。我在项目里最直观的感受是Agent 把一个好的家居导购的“耐心”复制到了线上。导购的专业能力很难复制但话术逻辑、答疑路径、商品知识库这些东西是可以结构化沉淀的。一旦沉淀下来回报是持续性的而且不会因为人员离职而流失。2.3 整体链路设计数据、策略、执行三层各管什么一个可落地的挽回 Agent 至少要有三层结构缺一层都会在后续跑流程时卡壳。数据层负责回答“用户是谁、做了什么”。包括用户浏览日志、加购记录、订单记录、客服咨询文本、商品标签库等。这些数据不用一次性全部接好但至少要保证能实时拿到“最近一次加购时间”“加购商品 ID”“历史客单价”这三个字段因为后续所有决策都依赖它们。策略层负责回答“该不该触达、用什么方式触达、给什么权益”。它就是意向分和权益预算的运算中枢决定哪些人进入当日挽回队列、优先级排序、以及最大可让利空间。策略层的设计要尽量独立方便随时调参而不是把逻辑写死在 Agent 的提示词里。执行层负责“把话说出去、把对话接住”。包括自然语言生成、多轮对话管理、意图识别、商品查询工具调用、下单链接生成等。这一层的体验直接影响用户感受需要格外打磨开场白和兜底逻辑。三层的关系是策略层给执行层下发用户特征和权益边界执行层把对话结果回传给数据层数据层再更新用户画像形成一个闭环。3. 关键实操Agent 怎么开口才能让用户愿意聊下去3.1 第一句话的设计别张口就是优惠券Agent 挽回的第一条消息决定了后续所有对话的走向。最容易犯的错误是一上来就推“限时优惠券”。在私域场景里用户对这种信息早已脱敏很多人看一眼就不会再打开。我们第一版也犯过这个错开场就写“您有一张 300 元优惠券待领取”结果回复率低得可怜。后来把开场改成了顾问式提问效果明显改善。举例来说如果用户加购了一款原木软包床Agent 会这样开口“您好看到您前两天在看我们那款原木软包床想问一下您对尺寸和材质有什么特别的要求吗我可以帮您参谋参谋。”这句话有三个隐含用意第一表明我记得你看过什么但不是监控式的“我注意到你停留了多久”而是自然的购物关注第二把话题从“买不买”转向“怎么选才适合你”降低用户防御第三给用户一个回应抓手哪怕只回“我想看下 1.8 米的”对话就能继续下去。实测下来这类顾问式开场比促销式开场的回复率高出 40% 以上。如果你准备在自己的项目里复用我建议开场白至少准备 3 到 5 个不同模板按用户行为来源动态匹配加购未付款的用户问“是否遇到下单问题”领券未用的用户问“是否在考虑适用范围”咨询过客服的用户则直接延续上次咨询主题。这样每条消息看起来都像“有人真的在关注我”而不是群发。注意开场白里不要写“系统发现您”“系统注意到您”这类措辞。用户看到这种表达第一反应不是贴心而是隐私被监控反感度会直线上升。3.2 多轮对话与意图识别用户可能问尺寸、物流、安装开场白发出的只是开始真正的考验是用户回复之后的“接话能力”。家居用户问的问题高度集中集中在几个固定方向商品参数、价格优惠、物流安装、退换保障、对比选择。我们整理了一个意图分类表Agent 按类型走不同处理路径用户意图典型提问Agent 处理方式参数咨询“这个床垫是几厘米厚的”从商品库读取真实参数直接回答价格敏感“能不能再便宜点”调用权益策略判断是否给出满减券物流安装“包安装吗多久能到”读取物流模板告知时效和安装服务范围对比选择“这款和另一款哪个更适合我”基于用户户型/偏好信息推荐必要时转人工客服退换保障“不适合能退吗”读取售后政策明确退货周期和条件意图识别不需要一上来就上复杂模型基于关键词规则加轻量分类模型就能覆盖大部分场景。真正容易翻车的是 Agent 说了超出知识库范围的话比如用户问“床架是不是橡胶木”而商品库里没有这个字段。这时候 Agent 宁可承认“这个信息我去确认一下”也不能胡编乱造否则一旦承诺了不存在的服务后续所有沟通都会失去信任。我们当时在 Agent 的提示词里加了一条硬约束只回答你能从知识库和工具里确认的内容拿不准的问题一律标记为“待确认”并引导用户留下联系方式或直接转人工。这条约束救了我们很多次至少没有出现过关于库存、时效的虚假承诺。3.3 权益动态决策发不发券、发多大面额要算清楚对话进行到价格环节权益就成了最关键的手段。但权益不是发得越多越好发得太多会吃掉毛利发得太少又起不到推动作用。我们的做法是让权益决策由策略层自动完成不靠对话现场临场判断。核心逻辑用伪代码来表达大概是这个样子if intent_score 70 and cart_price 5000: coupon 满5000减300 elif 50 intent_score 70: coupon 免运费 else: coupon 无优惠侧重种草推荐这套规则背后是两条经验。第一高意向用户发大额满减券是为了推动下单决策但满减门槛一定要高于购物车均价避免用户把客单价拉低第二中等意向用户用免运费这类轻权益来清除下单障碍而不是直接用价格刺激因为价格刺激容易让用户形成“等券再买”的预期。权益预算也要提前算清假设一个床垫客单价是 8000 元毛利率 40%单客毛利约 3200 元那么为挽回付出的优惠成本理论上不能超过这个数否则前面所有转化都白做。实际操作中我们会给每日挽回触达总预算设上限比如当天高潜池预估能挽回 50 单那权益总预算就控制在 50 单毛利的一定比例内比如不超过 25%。一旦 AI Agent 当天派发权益累计达到上限后面的对话就只做商品推荐不再触发发券动作。这个“预算安全阀”是我们上线前最重要的一道防亏钱机制。3.4 从聊得好到买下来下单衔接与转人工兜底对话聊得再热最终还是要落到下单页。这里最忌讳的是让用户自己去翻购物车。用户聊到“那就买吧”的关键时刻Agent 应该立刻给出一条最短路径一个包含待结算商品的专属链接最好能唤起小程序或 App让用户一眼看到购物车里的商品和优惠后的价格直接点支付。我们测试下来从对话页面跳转下单的转化率比让用户自己回购物车支付高出不少原因是对话语境中用户已经完成了心理决策这个窗口期非常短任何多余步骤都会带来流失。因此 Agent 在确认购买意向后要主动推送下单链接同时附带一句“我把这个商品的优惠价格给您算好了点进去直接确认就行”。还有一类用户需要转人工。当用户的问题超出 Agent 能力范围或者对话中明显表现出犹豫反复、需要真人安抚情绪时Agent 应该及时把对话交接给人工客服并附上完整的对话摘要避免用户重复描述问题。我们会在 Agent 的提示词里设置转移条件连续两轮无法回答、用户明确提到“想找人工”“不放心”等关键词以及用户情绪评估为负面时自动触发转人工。这件事做好既能保住前面对话积累的好感又能避免把用户困在机器对话的死胡同里。4. 效果归因下单率提升 104% 是怎么算出来的4.1 先统一口径谁算“被挽回的下单”效果评估的第一件事不是看数字而是定口径。如果不把“挽回下单”定义清楚很容易被各种数据误导。我们当时定的口径是实验组用户从首次被 Agent 触达时刻算起7 天内完成支付的订单算作一次挽回成绩。分母是被触达的高潜流失用户总数不是全站流失用户总数也不是实际回复的用户数。为什么要强调这一点因为有不少团队喜欢用“回复用户里的下单率”做宣传分母一缩小数字自然好看但这对业务判断没有任何参考价值。我们对外讲 104% 的提升用的就是严格口径实验组里有 X 人被触达Y 人在 7 天内下单转化率是 3.7%对照组同等规模下不吃任何主动挽回7 天自然下单率是 1.8%。相对提升约 104%。这个口径可复算、可审计团队内部讨论时也不会扯皮。同时还要排除两类干扰订单一是大促活动期间的下单因为活动本身就会带动转化不能记到 Agent 头上二是用户接受 Agent 服务后又通过其他渠道主动下单的情况这种订单虽然成交了但归因上要谨慎一般计入实验组但要单独打标签观察。我自己习惯的做法是同时记录“归因订单”和“关联订单”两个数前者严格保守后者包含所有间接影响避免对效果过于乐观。4.2 AB 测试分流避免把自然回归算到自己头上高潜流失用户本身就是最可能回归的人群不做对照就评估 Agent 效果结果大概率是虚高的。我们当时做了完整的 AB 测试设计把高潜流失池随机分成实验组和对照组实验组走 Agent 挽回对照组不做主动触达两组共用同一套用户特征池保证基础转化率一致。这里有两个技术细节值得注意。第一分流要在用户粒度上做不能按门店或渠道粗分否则用户特征分布不均结果没法解释。第二实验期间要对所有用户屏蔽其他自动化营销活动比如短信、推送、邮件召回对照组尤其不能偷偷用传统方式挽回否则对照就不成立。我们在实验前单独写了段黑名单逻辑确保对照组用户在实验窗口内不会收到任何来自其他渠道的主动营销信息。样本量方面按我们当时的转化率量级来看每组至少要跑到千级才有统计意义。家居品类客单价高、用户量不如快消大所以跑两周左右基本能攒够。过程中要每天都看实验组和对照组的转化率曲线如果连续几天都出现异常波动先检查是不是有外部的渠道投放或竞品活动干扰而不是急着下结论。经验之谈AB 测试最大的敌人不是样本量而是实验过程中偷偷混进来的“非实验因素”。宁可少看一版数据也要保证实验环境的干净可控否则后面所有结论都会失去说服力。4.3 日常监控不止看转化率还要看回复率和投诉率转化率不是唯一需要关心的指标甚至不是最先应该关心的指标。Agent 系统的健康度要看一组互相制约的指标。回复率反映的是开场触达是否有效多轮对话率反映的是 Agent 有没有能力留住用户权益核销率反映的是优惠是否真的促成了单投诉率则直接关系到这个项目能不能长期做下去。如果只盯转化率等出问题时往往已经晚了。分享一张我们日常复盘时会看的监控表指标含义健康参考触达成功率消息是否送达95% 以上回复率用户是否回应开场30% 左右多轮对话占比对话是否超过 2 轮20% 以上转人工率是否需要人工兜底10% 以内下单转化率回访人群中的成交占比以对照组为基准投诉率用户表达反感或要求退订1% 以下这些指标之间是有联动关系的。如果回复率高、多轮对话率低通常说明话术打动人了但后续接话能力不足重点要去补知识库和意图识别的短板如果转化率高但投诉率也在涨就要小心是不是话术和触达频次过于激进这种短期“有效”很可能透支用户对品牌的好感。我建议每次复盘都以周为单位。每周固定时间把 Agent 的对话日志拉出来人工抽看 100 条左右重点检查三类内容有没有错误承诺、有没有答非所问、有没有让用户明显感到不悦的措辞。这部分人工质检不需要太多人一周花两三个小时就够但对系统的持续优化价值远大于堆算力。5. 实操中踩过的坑与排查技巧5.1 用户完全不回复先查触达时机与渠道而不是换话术第一版上线后有整整三天回复率低得让人怀疑人生。我们当时第一反应是话术不行连夜改了好几版都没用。后来一查数据才发现问题出在触达渠道上——我们用短信发送打开率本身就只有个位数用户连消息都没怎么看话术再好也白搭。后来把主渠道换成品牌官方小程序的消息通知同时配合企业微信连接器能力回复率几乎翻了两倍。触达时机同样关键。家居用户活跃高峰普遍在晚上 8 点到 11 点这个时间段用户有空闲浏览和比价也有耐心回消息。我们后来把 Agent 的首轮触达集中安排在晚上 8 点左右白天的触达量压到最低效果稳定了很多。如果你的项目也遇到回复率低排查顺序建议是渠道送达率、触达时段、人群包质量最后才是话术本身。5.2 用户回复“算了”往往是价格敏感别急着沉默很多 Agent 因为对负面词过于敏感一检测到用户说“算了”“不要了”“太贵了”就不敢再说话自动把对话收尾。这个设计在体验层面很礼貌但在转化层面是浪费。用户嘴上说“算了”很多时候不是真的不要而是希望你能给一个留下来的理由。我们的解决思路是给“算了”这个词做意图细分检测到否定词后不直接结束对话而是追加一句“理解您再考虑一下方便的话告诉我是价格方面还是款式方面的问题我可以帮您再想想办法”。如果用户回复跟价格相关Agent 就有机会引入权益方案如果用户不再回复说明确实暂时没有需求也不用强求。这个小小的分支逻辑实际贡献了约 15% 的挽回订单增量。5.3 用户表示反感或投诉情绪识别、频次管控和退订机制做挽回项目最怕的就是被用户当成骚扰。有一次测试里我们给一个高潜池用户一天内发了三条提醒被用户直接投诉到官方渠道后面团队差点把这个项目叫停。从那以后我们就把频次管控和情绪识别做成硬性规则同一个用户一周最多被触达两次一旦用户回复“不要再发”“烦不烦”“拉黑”等负面表达系统立即停止触达该用户并打上“禁言”标签后续任何营销活动都自动跳过。情绪识别不一定要用很重的模型先做一个负面词表就能覆盖大部分场景。重要的是这个规则优先级要最高不能被其他流程覆盖。哪怕这个用户的高潜分数再高、权益再诱人只要表达过不满就绝不能再次触达。用户关系管理里信任永远是最大的前提一次骚扰带来的负面记忆需要十次正常服务才能抵消。注意合规视角下AI Agent 触达用户必须有明确的退订渠道且退订操作要即时生效。我见过一些系统嘴上说可以退订实际要走完几个页面才能成功这种体验一旦被用户察觉项目信誉会大打折扣。5.4 与大促活动撞车权益重叠与预算错配的处理项目做到第三周正好撞上一轮平台大促。我们的 Agent 还在按常规逻辑给高潜用户发满减券结果出现了尴尬局面用户既拿到了 Agent 发的满减券又看到了平台同期的大促满减两边权益叠在一起单均优惠成本飙升利润直接被压没。复盘时才发现问题出在权益预算池没有和平台活动做统一规划。后来我们做了两件事。第一大促前把 Agent 的权益策略切换成“保守模式”只做商品答疑和需求确认不主动发任何优惠权益把价格刺激让位给平台大促避免双重营销。第二把所有营销活动的权益领取和使用情况接入同一个数据表Agent 在决定发券前先查询用户近期是否已领过其他渠道的优惠券如果已有就不再重复发放。这个改动看起来简单实际上避免了大量预算浪费和用户“拿券不买”的低效交互。最后再分享一点个人体会做完这个项目我最深的感受是AI Agent 在挽回流失用户这件事上的价值不在于它比你多发了多少条消息而在于它能把一个懂货、懂人、能接住话的导购能力复制到每一个流失节点上。104% 这个数字不是靠某一句神奇话术砸出来的是人群圈得准、触达时机对、权益算得清、链路走得顺四个环节缺一不可。如果你也想在盘子里落地这件事我建议不要一上来就追求大而全。先选出 1 到 2 个典型流失场景用轻量级 Agent 跑一周把“圈人-触达-对话-成交-归因”这条链路走通再逐步扩大场景和权益预算。跑通之后你会发现很多所谓的流失用户并不是不想要只是暂时没有人在对的时间、用对的方式接住他们。