{"id":"8440b444-7752-4a81-b035-4774a4eb73ce","shortId":"Fn4MDS","kind":"skill","title":"ai-native-marketing-growth","tagline":"AI Native 营销与增长策略 Skill。基于《AI Native 营销与增长》方法论，\n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，\n建立 AI Native 增长飞轮，实现数据-模型-反馈的复利增长。","description":"# AI Native 营销与增长策略 — SKILL.md\n\n## 一句话定位\n\n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。\n\n## 何时触发\n\n- 需要为 AI 产品设计增长策略\n- 现有营销/增长方式遇到瓶颈（获客成本高、留存差、不可持续）\n- 需要建立数据驱动的增长系统\n- 想从\"Campaign 思维\"升级为\"Product 思维\"做增长\n\n## 核心概念\n\n### 概念 1：AI Native 增长飞轮\n\n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。\n\n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**。\n\n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。\n\n| 维度 | 传统增长 | AI Native 增长飞轮 |\n|------|----------|------------------|\n| 核心逻辑 | 渠道优化 | 系统复利 |\n| 数据角色 | 分析历史 | 实时驱动 |\n| 内容生产 | 人工创作 | AI 原生 + 人工审校 |\n| 实验速度 | 周/月级 | 分钟/小时级 |\n| 组织要求 | 专业化分工 | 人机协作 |\n\n**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）。\n\n### 概念 2：数据飞轮\n\n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。\n\n**关键要素**：\n1. **数据收集广度**：能收集多少维度的数据（行为、交易、反馈、上下文）\n2. **数据质量**：数据的准确性、及时性、标注质量（噪音比例超过 20% 模型性能显著退化）\n3. **反馈闭环速度**：从数据到模型更新的周期（抖音：秒级；传统：天/周级）\n4. **产品化能力**：将模型输出转化为产品功能的能力\n\n**模型资产 = 数据 × 处理能力 × 迭代速度**。三个乘数缺一不可——数据量再大，处理能力跟不上就是沉睡数据；处理能力再强，数据质量不行就是拟合噪音；迭代速度慢就会被追上。\n\n### 概念 3：意图预测营销\n\n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，实现从\"人找信息\"到\"信息找人\"的转变。\n\n| 维度 | 传统触达 | 意图预测 |\n|------|----------|----------|\n| 定向方式 | 人群包 | 个体意图 |\n| 触达时机 | 用户行动后 | 用户行动前 |\n| 规模化方式 | 广告投放 | 内容生成 |\n| 个性化级别 | 人群级 | 1:1 级 |\n\n**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。\n\n**核心区别**：用户画像是静态标签（25 岁、女性、北京），意图理解是动态信号（这个用户在下午 3 点打开 APP，在第 3 个商品上停留了 30 秒但没有下单，可能在比价）。静态画像告诉你用户是谁，动态意图告诉你用户**现在想做什么**。\n\n### 概念 4：预测性留存\n\n通过 AI 模型预测用户流失风险，在用户流失之前进行主动干预，从\"流失后挽回\"转变为\"流失前阻止\"。\n\n| 维度 | 传统留存 | 预测性留存 |\n|------|----------|------------|\n| 时机 | 流失后 | 流失前 |\n| 方式 | 促销/折扣 | 主动干预 |\n| 个性化 | 统一活动 | 个体化方案 |\n| 成本 | 高（挽回成本） | 低（预防成本） |\n\n**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 模型能检测这些早期信号，以 70%-90% 准确率预测未来 30 天内的流失概率。\n\n**预测技术栈**：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。\n\n### 概念 5：营销产品化\n\n将营销活动设计为产品功能，让用户在使用产品的过程中自然完成被\"营销\"的动作，而非通过单独的广告或推广触达用户。\n\n**关键特征**：\n1. **自然涌现**：营销效果是产品使用的副产品，而非单独投放\n2. **数据闭环**：用户使用数据直接优化营销策略\n3. **去中心化**：用户自发传播，而非品牌单方推广\n\n**典型范例**：Notion 模板市场（用户创建模板 → 其他用户复用 → 自然转化）、Figma 社区（设计师分享作品 → 其他设计师发现 → 自然采购）、英语流利说打卡机制（学习行为本身就是获客活动）。\n\n营销产品化是 PLG（Product-Led Growth）在 AI 时代的进化：PLG 是产品功能驱动获客，营销产品化是**产品体验本身就是营销内容**。\n\n### 概念 6：客户闭环\n\n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 AI 产品从早期用户到规模化增长的客户循环畅通。\n\n**闭环六步**：\n1. **早期客户筛选**：找到愿意共创的种子用户（而非只追求用户数量）\n2. **共创边界设定**：明确哪些功能由客户定义、哪些由产品团队决定\n3. **反馈收集机制**：建立系统化的用户反馈收集和分析流程\n4. **产品改进循环**：将反馈快速转化为产品迭代\n5. **客户扩张策略**：从种子用户扩展到主流市场\n6. **方法论回流**：将客户成功经验提炼为可复制的方法论\n\n## 分步执行\n\n### Step 1：增长现状诊断（Growth Diagnosis）\n\n评估当前增长方式的问题和升级空间。\n\n**诊断四问**：\n1. **数据是否闭环？** 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？\n2. **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）\n3. **内容是否个性化？** 给所有用户看一样的内容，还是每个人看到的内容都不同？\n4. **增长是否可累积？** 每次 Campaign 结束后，是否留下了可复用的资产（数据、模型、洞察）？\n\n**增长成熟度评分（0-100）**：\n- 0-20：工具化初期（买了工具但未打通）\n- 21-40：数据孤岛期（有数据但不闭环）\n- 41-60：飞轮起步期（部分闭环但转速慢）\n- 61-80：飞轮加速期（闭环运转且持续优化）\n- 81-100：系统复利期（飞轮自转，指数增长）\n\n**输出**：增长成熟度评分 + 最大瓶颈识别 + 优先改进方向\n\n### Step 2：增长飞轮设计（Flywheel Design）\n\n根据产品特性设计专属的 AI Native 增长飞轮。\n\n**执行要点**：\n1. **环节识别**：识别业务中可被 AI 化的五个环节——数据收集、意图理解、内容生成、行为优化、反馈学习\n2. **增强回路设计**：对每两个相邻环节，设计双向增强回路（A→B 的效率如何提升？B 的输出如何增强 A？）\n3. **瓶颈环节识别**：找到飞轮中效率最低、输出质量最差、增强回路最弱的环节，优先投入资源\n4. **飞轮效率评估**：评估转速、增速、稳定性三个指标\n\n**飞轮设计模板**：\n\n```\n[你的产品] 增长飞轮：\n\n1. 数据收集\n   - 触点：___（App/网站/客服/社交/邮件...）\n   - 类型：___（行为/交易/反馈/上下文...）\n   - 频率：___（实时/小时/天）\n\n2. 意图理解\n   - 模型：___（行为序列模型/意图分类器/LLM/...）\n   - 输出：___（用户意图标签/预测分数/...）\n\n3. 内容/交互生成\n   - 生成类型：___（文案/图片/推荐/定价/...）\n   - 个性化维度：___（个体/分群/场景/...）\n\n4. 行为优化\n   - 实验框架：___（A/B/n 测试/多臂老虎机/...）\n   - 优化目标：___（CTR/转化率/留存率/LTV...）\n\n5. 反馈学习\n   - 反馈信号：___（点击/购买/留存/流失/...）\n   - 模型更新：___（在线学习/批量重训/...）\n   - 闭环周期：___（秒级/分钟级/小时级）\n```\n\n**输出**：定制化增长飞轮设计图 + 环节效率评估 + 优化路线图\n\n### Step 3：数据飞轮构建（Data Flywheel Building）\n\n建设从数据到模型到产品到用户的自增强闭环。\n\n**执行要点**：\n1. **数据源识别**：梳理所有可产生数据的触点——用户行为数据（浏览、点击、购买、分享）、产品使用数据（功能使用、时长、频率）、外部数据（市场、竞争、社交）\n2. **数据收集设计**：确保完整性（不遗漏关键数据）、及时性（实时或近实时）、用户友好性（不打扰体验）\n3. **数据处理管道**：建立从原始数据到可用资产的管道——清洗、标注、分类、存储\n4. **模型训练与部署**：将数据转化为模型能力——选型、训练、部署、监控、更新\n5. **产品化闭环**：将模型输出转化为产品功能，优化体验 → 吸引用户 → 产生更多数据\n6. **飞轮效率监控**：持续监控数据增长速率、模型性能提升、产品体验改进、用户增长加速\n\n**关键检查**：\n- 数据是否\"越用越多\"？\n- 模型是否\"越用越准\"？\n- 闭环周期是否在缩短？\n- 壁垒是否\"竞争对手难以复制\"？\n\n**输出**：数据飞轮设计图 + 数据管道架构 + 飞轮效率监控指标\n\n### Step 4：意图预测与转化路径设计（Intent Prediction & Conversion Path）\n\n设计从\"识别用户意图\"到\"促成用户行为\"的完整转化路径。\n\n**执行要点**：\n1. **意图识别**：识别用户的显性意图（搜索、咨询、评论）和隐性意图（浏览路径、停留时间、交互模式），按紧急度、价值、可行性分层\n2. **意图到内容的映射**：每种意图类型对应什么内容类型？内容的语气、长度、格式如何匹配意图？多种意图并存时如何排序？\n3. **个性化触达**：根据用户偏好选择渠道，根据意图紧急度调整时机，根据历史响应优化内容\n4. **行为促成机制**：清晰的 CTA、降低行动障碍、增强行动动机\n5. **反馈闭环**：每次行为数据如何反哺意图识别、内容生成、触达策略\n\n**关键指标**：意图识别准确率、内容匹配度、触达响应率、转化率提升幅度\n\n**输出**：转化路径图 + 个性化触达策略 + 意图预测模型方案\n\n### Step 5：预测性留存与干预设计（Predictive Retention）\n\n从\"流失后挽回\"升级为\"流失前阻止\"。\n\n**执行要点**：\n1. **流失信号识别**：建立多层信号体系——行为频率衰减、互动深度下降、功能路径变窄、外部信号（竞品搜索）\n2. **流失预测模型**：基于历史行为数据训练预测模型，输出用户 30 天流失概率\n3. **干预策略分层**：按流失风险等级设计差异化干预——低风险（内容推荐优化）、中风险（个性化激励）、高风险（人工关怀 + 专属方案）\n4. **干预时机与力度**：找到最佳干预窗口（太早无效、太晚来不及），控制干预力度（过度干预反而加速流失）\n5. **效果评估与迭代**：追踪干预成功率，优化模型和策略\n\n**关键原则**：预测得越准，干预越要克制；AI 预测风险，人决定是否干预以及干预方式。\n\n**输出**：流失预测模型方案 + 干预策略矩阵 + 留存率提升计划\n\n### Step 6：营销产品化设计（Marketing-as-a-Product）\n\n将营销融入产品，让产品本身就是获客渠道。\n\n**执行要点**：\n1. **识别产品化机会**：哪些产品功能天然具有传播性？哪些用户行为可以产生营销价值？\n2. **设计自然涌现机制**：让营销效果成为产品使用的副产品——模板分享、社区展示、打卡传播、协作邀请\n3. **建立数据闭环**：用户使用数据直接优化营销策略，而非通过第三方分析工具间接获取\n4. **去中心化传播**：设计用户自发传播的激励机制，而非品牌单方推广\n5. **PLG 进化**：从\"产品功能驱动获客\"升级为\"产品体验本身就是营销内容\"\n\n**输出**：营销产品化方案 + 传播机制设计 + 数据闭环架构\n\n### Step 7：客户闭环与增长策略简报（Customer Loop & Growth Brief）\n\n设计完整的客户循环，并输出增长策略简报。\n\n**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\n\n**增长策略简报模板**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 0-100\n    biggest_bottleneck: \"瓶颈描述\"\n    priority_action: \"优先改进方向\"\n  flywheel_design:\n    data_sources: [\"触点1\", \"触点2\", \"触点3\"]\n    intent_model: \"模型类型\"\n    content_generation: \"生成策略\"\n    optimization: \"优化框架\"\n    feedback_loop: \"反馈机制与闭环周期\"\n  data_flywheel:\n    data_pipeline: \"数据管道架构\"\n    model_assets: [\"模型1\", \"模型2\"]\n    flywheel_speed: \"闭环周期\"\n    quality_controls: [\"质量控制措施\"]\n  intent_prediction:\n    intent_layers: [\"显性意图\", \"隐性意图\"]\n    conversion_path: \"转化路径\"\n    personalization: \"个性化策略\"\n  predictive_retention:\n    churn_signals: [\"信号1\", \"信号2\", \"信号3\"]\n    intervention_strategies:\n      low_risk: \"低风险干预\"\n      medium_risk: \"中风险干预\"\n      high_risk: \"高风险干预\"\n  marketing_productization:\n    product_features: [\"可产品化的功能\"]\n    viral_mechanisms: [\"传播机制\"]\n  customer_loop:\n    seed_users: \"种子用户筛选标准\"\n    feedback_mechanism: \"反馈收集机制\"\n    expansion_plan: \"扩张策略\"\n  team_structure:\n    new_roles: [\"新增角色\"]\n    skill_upgrades: [\"技能升级方向\"]\n  90_day_plan:\n    - \"Week 1-2: 诊断与飞轮设计\"\n    - \"Week 3-4: 数据管道搭建\"\n    - \"Week 5-8: 意图预测与转化优化\"\n    - \"Week 9-12: 飞轮全链路跑通\"\n```\n\n**输出**：完整增长策略简报 + 90 天执行计划\n\n## 示例\n\n### 示例 1：B2B SaaS 产品的增长飞轮设计\n\n**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，月获客成本高（CAC ¥3000+），试用转化率 8%，月流失率 5%。希望用 AI Native 方法论重构增长系统。\n\n**用户输入**：\n\n> 我们是一家 B2B SaaS 公司，做企业协作工具。目前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%。想设计一个 AI Native 的增长飞轮。\n\n**执行流程**：\n\n1. **诊断**：数据不闭环（获客数据在 CRM、产品数据在 Mixpanel、客服数据在 Zendesk）；实验速度慢（一次 A/B 测试需 2-3 周）；内容不个性化（所有试用用户看相同引导流程）\n2. **飞轮设计**：围绕\"产品使用数据\"构建飞轮核心\n3. **数据飞轮**：将三个数据源打通，建立统一用户行为画像\n4. **意图预测**：基于试用期行为预测付费转化概率，高概率用户优先分配 CSM\n5. **预测性留存**：建立流失预警模型，对高风险客户主动关怀\n6. **营销产品化**：设计\"团队邀请\"和\"模板分享\"机制，让老用户自然带来新用户\n\n**输出结果**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 25\n    biggest_bottleneck: \"获客-产品-客服数据断裂，无法构建闭环\"\n    priority_action: \"打通数据孤岛，建立统一用户行为画像\"\n  flywheel_design:\n    data_sources: [\"产品使用行为\", \"CRM销售数据\", \"客服工单\", \"内容互动\"]\n    intent_model: \"试用期行为序列→付费概率预测（XGBoost）\"\n    content_generation: \"基于使用深度的个性化引导流程+邮件序列\"\n    optimization: \"多臂老虎机实时优化引导路径\"\n    feedback_loop: \"在线学习，每日模型更新\"\n  data_flywheel:\n    data_pipeline: \"Mixpanel+CRM+Zendesk→统一数据湖→特征工程→模型训练\"\n    model_assets: [\"付费转化预测模型\", \"流失预警模型\", \"功能推荐模型\"]\n    flywheel_speed: \"日级闭环（行为数据→次日模型更新→实时推荐）\"\n    quality_controls: [\"数据去重\", \"行为归因\", \"异常流量过滤\"]\n  predictive_retention:\n    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\", \"工单频率突增\"]\n    intervention_strategies:\n      low_risk: \"个性化功能推荐邮件\"\n      medium_risk: \"CSM主动关怀+使用培训\"\n      high_risk: \"客户成功经理1v1回访+定制方案\"\n  marketing_productization:\n    product_features: [\"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（使用即曝光）\"]\n    viral_mechanisms: [\"邀请返利\", \"模板创作者激励\", \"公开看板分享\"]\n  customer_loop:\n    seed_users: \"10-50人规模的科技团队，有协作痛点\"\n    feedback_mechanism: \"产品内反馈+月度用户访谈+NPS追踪\"\n    expansion_plan: \"种子团队→同行业推荐→跨行业扩展\"\n  90_day_plan:\n    - \"Week 1-2: 数据湖搭建，三个数据源打通\"\n    - \"Week 3-4: 付费转化预测模型上线，高价值试用用户优先分配CSM\"\n    - \"Week 5-8: 个性化引导流程上线，A/B测试优化\"\n    - \"Week 9-12: 团队邀请+模板分享机制上线，飞轮全链路跑通\"\n```\n\n### 示例 2：AI 产品的数据飞轮构建策略\n\n**场景描述**：一款 AI 写作助手产品，日活 5 万，但用户留存率随时间下降（D1: 60%, D7: 25%, D30: 8%），AI 生成质量与竞品无明显差异。需要构建数据飞轮形成竞争壁垒。\n\n**用户输入**：\n\n> 我们做了一个 AI 写作助手，日活 5 万。问题是留存很差，D30 才 8%，而且生成质量和竞品差不多，没有壁垒。怎么构建数据飞轮？\n\n**执行流程**：\n\n1. **诊断**：数据收集只记录了\"用户生成了什么\"，没有记录\"用户修改了什么\"和\"用户最终用了什么\"——这是飞轮断裂的根源\n2. **飞轮设计**：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\n3. **数据飞轮构建**：\n   - 收集层：记录完整的用户编辑轨迹（不只是最终输出）\n   - 模型层：用编辑轨迹训练偏好模型（RLHF/DPO）\n   - 产品层：基于偏好模型优化生成质量\n   - 增长层：质量提升→留存提升→更多用户→更多编辑数据\n4. **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）\n\n**输出结果**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 20\n    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\"\n    priority_action: \"建立完整的用户编辑行为采集系统\"\n  flywheel_design:\n    data_sources: [\"用户输入指令\", \"AI生成输出\", \"用户编辑轨迹（修改/删除/重写/接受）\", \"最终使用场景\"]\n    intent_model: \"用户编辑模式→偏好学习→生成质量优化\"\n    content_generation: \"基于用户历史偏好的个性化写作风格\"\n    optimization: \"RLHF/DPO偏好学习，持续优化生成质量\"\n    feedback_loop: \"在线学习，每次编辑行为即时反馈到模型\"\n  data_flywheel:\n    data_pipeline: \"编辑行为→偏好标注→偏好模型训练→生成策略更新→质量提升→更多使用→更多编辑数据\"\n    model_assets: [\"用户偏好模型（DPO）\", \"写作风格迁移模型\", \"质量评估模型\"]\n    flywheel_speed: \"次日闭环（当日编辑数据→次日模型更新）\"\n    quality_controls: [\"编辑行为去噪（过滤误操作）\", \"偏好标注质量审核\", \"A/B测试验证模型改进\"]\n  predictive_retention:\n    churn_signals: [\"生成频率下降\", \"编辑率上升（说明质量不满意）\", \"导出后未返回\", \"功能使用路径变窄\"]\n    intervention_strategies:\n      low_risk: \"推送新功能/模板推荐\"\n      medium_risk: \"个性化写作建议+优质模板\"\n      high_risk: \"1v1使用指导+高级功能免费体验\"\n  marketing_productization:\n    product_features: [\"作品分享（带产品水印/署名）\", \"模板市场（用户创作→他人使用→自然获客）\", \"协作写作邀请\"]\n    viral_mechanisms: [\"分享返额度\", \"模板创作者排行榜\", \"写作成就展示\"]\n  customer_loop:\n    seed_users: \"内容创作者（自媒体/营销人员/学术写作者）\"\n    feedback_mechanism: \"产品内编辑行为（隐式反馈）+ 主动评价（显式反馈）\"\n    expansion_plan: \"创作者→团队用户→企业用户\"\n  90_day_plan:\n    - \"Week 1-2: 编辑行为采集系统上线，补全数据飞轮缺失环节\"\n    - \"Week 3-4: 第一版偏好模型（DPO）训练完成并上线\"\n    - \"Week 5-8: 生成质量A/B测试，编辑率目标下降30%\"\n    - \"Week 9-12: 模板市场+分享机制上线，飞轮全链路验证\"\n```\n\n### 示例 3：营销产品化案例——教育产品的 PLG 增长\n\n**场景描述**：一款 AI 英语学习产品，目前通过广告投放获客，CAC ¥150，付费转化率 3%。希望从\"广告驱动\"转型为\"产品驱动增长\"，通过营销产品化降低获客成本。\n\n**用户输入**：\n\n> 我们做了一个 AI 英语学习 App，口语评分是核心功能。现在靠投广告获客，CAC 150 块，付费转化率只有 3%。想做营销产品化，把获客成本降下来。\n\n**执行流程**：\n\n1. **诊断**：产品有很好的 AI 口语评分能力，但这个能力只在\"用户付费后\"才能体验——这是最大的产品化机会\n2. **营销产品化设计**：\n   - 核心洞察：让\"AI 评分\"本身成为免费的获客入口\n   - 设计\"AI 口语测评\"免费功能——用户输入一段语音，AI 给出专业评分报告\n   - 评分报告天然具有分享性（展示自己的水平、与朋友比较）\n3. **数据飞轮**：免费测评用户的语音数据 → 训练评分模型 → 评分更准 → 更多人使用 → 更多数据\n4. **增长飞轮**：免费测评 → 分享报告 → 新用户看到 → 使用测评 → 付费转化\n\n**输出结果**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 30\n    biggest_bottleneck: \"核心AI能力（口语评分）被锁在付费墙后，产品化机会未利用\"\n    priority_action: \"将AI评分能力产品化为免费获客入口\"\n  flywheel_design:\n    data_sources: [\"免费测评语音数据\", \"学习行为数据\", \"社交分享数据\", \"付费转化路径数据\"]\n    intent_model: \"测评行为→学习需求预测→课程推荐\"\n    content_generation: \"基于测评结果的个性化学习方案+课程推荐\"\n    optimization: \"A/B测试优化测评→付费转化路径\"\n    feedback_loop: \"在线学习，每日更新推荐模型\"\n  data_flywheel:\n    data_pipeline: \"免费测评语音→评分模型训练→评分准确性提升→测评口碑提升→更多用户→更多语音数据\"\n    model_assets: [\"口语评分模型\", \"学习路径推荐模型\", \"流失预测模型\"]\n    flywheel_speed: \"周级闭环（测评数据→周级模型更新）\"\n    quality_controls: [\"语音质量过滤\", \"评分一致性校验\", \"作弊检测\"]\n  predictive_retention:\n    churn_signals: [\"学习天数连续下降\", \"练习时长缩短\", \"测评频率下降\", \"课程完成率下降\"]\n    intervention_strategies:\n      low_risk: \"个性化学习提醒+新内容推荐\"\n      medium_risk: \"学习成就展示+社群激励\"\n      high_risk: \"1v1学习顾问+定制学习计划\"\n  marketing_productization:\n    product_features:\n      - \"免费AI口语测评（输入语音→专业评分报告→天然可分享）\"\n      - \"测评报告社交分享（带产品入口，分享即获客）\"\n      - \"学习打卡日历（朋友圈分享，展示学习坚持）\"\n      - \"口语水平排行榜（社交比较驱动传播）\"\n    viral_mechanisms:\n      - \"分享测评报告返学习额度\"\n      - \"邀请好友一起测评PK\"\n      - \"连续打卡解锁高级功能\"\n  customer_loop:\n    seed_users: \"英语备考人群（四六级/雅思/托福）\"\n    feedback_mechanism: \"测评评分准确性反馈+学习效果追踪\"\n    expansion_plan: \"备考人群→职场英语→少儿英语→企业培训\"\n  90_day_plan:\n    - \"Week 1-2: 免费AI口语测评功能上线，开放核心评分能力\"\n    - \"Week 3-4: 测评报告分享机制上线，社交裂变启动\"\n    - \"Week 5-8: 测评→付费转化路径优化，A/B测试转化策略\"\n    - \"Week 9-12: 打卡+排行榜+邀请机制全面上线，PLG飞轮验证\"\n  expected_outcomes:\n    cac_reduction: \"CAC从¥150降至¥30-50（自然流量占比提升）\"\n    conversion_improvement: \"付费转化率从3%提升至8-12%\"\n    retention_improvement: \"D30留存从15%提升至25%（数据飞轮效应）\"\n```\n\n## 合并子 Skill 摘要\n\n以下五个子 Skill 已归档至 `.archive/`，核心内容已合并入本节：\n\n### p7a: 数据飞轮构建器\n评估产品是否具备自增强数据飞轮（使用→数据→模型→产品→更多用户→更多数据），并设计加速飞轮旋转的策略，构建长期竞争壁垒。\n\n### p7b: 意图预测营销设计器\n从\"人群定向\"升级为\"个体预见\"——通过行为序列建模和多模态意图识别，在用户明确表达之前预测需求并主动触达，实现 1:1 精准营销。\n\n### p7c: 预测性留存设计器\n从\"流失后挽回\"升级为\"流失前阻止\"——利用流失预测模型和 LTV 预测，在用户流失风险升高时主动干预，用个性化挽留策略替代统一优惠券。\n\n### p7d: 营销产品化设计器\n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\"而非被打断，从 Campaign 制升级为 PLG 驱动的持续增长。\n\n### p7e: 客户循环\n设计早期客户筛选→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 AI 产品从早期用户到规模化增长的客户循环畅通。\n\n## 关键原则\n\n1. **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。\n2. **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。\n3. **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。但飞轮壁垒不在于转了多少圈，而在于每一圈转得有多快。\n4. **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。\n5. **预测越准，干预越克制**：AI 预测风险，人决定是否干预。过度干预比不干预更有害。\n6. **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。\n\n## 常见陷阱\n\n- **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\n- **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\n- **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\n- **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\n- **陷阱 5**：只关注数据量忽视数据质量 → 垃圾数据\"教坏\"模型，飞轮越转越慢\n- **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\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`ai-native-business-model`（商业模式，决定增长策略的约束条件）\n- **下游输出**：`ai-native-production-ops`（生产运行，增长策略上线后的运营）\n- **并行参考**：`ai-native-experiment-engine`（试验展开，验证增长假设）","tags":["native","marketing","growth","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-marketing-growth","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-marketing-growth","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (13,898 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:24.278Z","embedding":null,"createdAt":"2026-05-01T01:02:50.013Z","updatedAt":"2026-05-18T18:57:24.278Z","lastSeenAt":"2026-05-18T18:57:24.278Z","tsv":"'-100':424,442,811 '-12':924,1162,1399,1629,1647 '-2':912,1146,1381,1612 '-20':426 '-3':986 '-4':916,1151,1386,1617 '-40':430 '-50':1128,1641 '-60':434 '-8':920,1156,1392,1622 '-80':438 '-90':294 '/b':1394 '/llm':516 '/ltv':542 '0':423,425,810 '1':73,160,226,227,315,365,387,393,460,494,569,645,700,756,911,932,972,1145,1202,1380,1438,1611,1681,1682,1718,1756 '10':1127 '150':1415,1431 '150降至':1639 '1v1使用指导':1338 '1v1学习顾问':1566 '2':148,167,319,369,399,451,470,511,585,658,708,760,985,990,1167,1211,1447,1725,1764 '20':173,1251 '21':429 '25':236,1024,1181 '3':175,197,242,246,322,373,409,480,520,562,593,665,714,767,915,995,1150,1221,1385,1404,1417,1434,1464,1616,1730,1773 '30':248,296,712,1486,1640 '3000':945 '4':183,255,376,413,486,532,600,633,670,724,771,999,1236,1471,1736,1783 '41':433 '5':307,379,543,608,676,691,731,775,919,949,966,1004,1155,1175,1192,1391,1621,1742,1788 '6':353,382,614,746,1008,1749,1795 '60':1179 '61':437 '7':787 '70':293 '8':947,964,1183,1197 '81':441 '9':923,1161,1398,1628 '90':907,928,1141,1376,1607 'a/b':983,1158,1315,1514,1625 'a/b/n':535 'aarrr':104 'action':816,1033,1258,1494 'ai':2,6,11,16,20,27,33,47,51,56,74,78,82,111,118,129,156,204,258,290,346,362,405,456,463,738,951,968,1168,1172,1184,1189,1240,1411,1425,1441,1451,1455,1459,1715,1722,1738,1745,1758,1775,1779,1804,1812,1820 'ai-native-business-model':1803 'ai-native-experiment-engin':1819 'ai-native-marketing-growth':1 'ai-native-production-op':1811 'ai生成输出':1265 'app':244,497,1427 'archiv':1659 'asset':842,1070,1300,1532 'b':475,477 'b2b':933,938,956 'biggest':812,1025,1252,1487 'bottleneck':813,1026,1253,1488 'brief':792,806,1020,1247,1482 'build':566 'busi':1806 'cac':944,961,1414,1430,1636 'cac从':1638 'campaign':65,416,1702,1769 'churn':300,864,1087,1319,1548 'content':828,1049,1277,1509 'control':849,1081,1311,1542 'convers':637,857,1643 'crm':976,1064 'crm销售数据':1041 'csm':1003 'csm主动关怀':1100 'cta':673 'ctr':539 'custom':789,888,1123,1357,1589 'd1':1178 'd30':1182,1195 'd30留存从15':1650 'd7':1180 'data':564,820,836,838,1038,1059,1061,1262,1288,1290,1498,1521,1523 'day':908,1142,1377,1608 'design':454,819,1037,1261,1497 'diagnosi':390,807,1021,1248,1483 'dpo':1302,1388 'engin':1823 'expans':896,1136,1371,1601 'expect':1634 'experi':1822 'featur':883,1109,1343,1571 'feedback':833,893,1055,1131,1284,1365,1517,1597 'figma':332 'flywheel':453,565,818,837,845,1036,1060,1074,1260,1289,1305,1496,1522,1536 'generat':829,1050,1278,1510 'growth':5,344,389,791,804,1018,1245,1480 'high':877,1102,1336,1564 'improv':1644,1649 'intent':635,825,851,853,1044,1272,1504 'intervent':869,1093,1326,1554 'jasper':37 'layer':854 'led':343 'loop':790,834,889,1056,1124,1285,1358,1518,1590 'low':871,1095,1328,1556 'ltv':303,1691 'market':4,749,880,1106,1340,1568 'marketing-as-a-product':748 'matur':808,1022,1249,1484 'mechan':886,894,1119,1132,1353,1366,1585,1598 'medium':874,1098,1332,1560 'midjourney':40 'mixpanel':978,1063 'model':826,841,1045,1069,1273,1299,1505,1531,1807 'nativ':3,7,12,21,28,75,112,119,406,457,952,969,1739,1805,1813,1821 'new':901 'notion':327 'nps追踪':1135 'op':1815 'optim':831,1053,1280,1513 'outcom':1635 'p7a':1661 'p7b':1672 'p7c':1684 'p7d':1695 'p7e':1706 'path':638,858 'person':860 'pipelin':839,1062,1291,1524 'plan':897,909,1137,1143,1372,1378,1602,1609 'plg':340,348,776,1407,1704 'plg飞轮验证':1633 'predict':301,636,693,852,862,1085,1317,1546 'prioriti':815,1032,1257,1493 'product':68,342,752,881,882,1107,1108,1341,1342,1569,1570,1814 'product-l':341 'qualiti':848,1080,1310,1541 'reduct':1637 'retent':694,863,1086,1318,1547,1648 'risk':872,875,878,1096,1099,1103,1329,1333,1337,1557,1561,1565 'rlhf/dpo':1228,1281 'roi':1766 'role':902 'saa':934,939,957 'score':809,1023,1250,1485 'seed':890,1125,1359,1591 'signal':865,1088,1320,1549 'skill':9,44,904,1654,1657,1800 'skill-ai-native-marketing-growth' 'skill.md':30 'sourc':821,1039,1263,1499 'source-gmaxxxie' 'speed':846,1075,1306,1537 'step':386,450,561,632,690,745,786 'strategi':805,870,1019,1094,1246,1327,1481,1555 'structur':900 'team':899 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'upgrad':905 'user':891,1126,1360,1592 'viral':885,1118,1352,1584 'week':910,914,918,922,1144,1149,1154,1160,1379,1384,1390,1397,1610,1615,1620,1627 'xgboost':1048 'yaml':803,1017,1244,1479 'zendesk':980,1065 '一句话定位':31 '一圈循环的平均时间':142 '一家':937 '一次':982 '一款':1171,1410 '万':1176,1193 '三个乘数缺一不可':190 '三个数据源打通':1148 '上下文':166,506 '上下文理解':231 '上游输入':1802 '下游输出':1810 '不区分适合和不适合的场景':1781 '不只是最终输出':1225 '不可持续':62 '不打扰体验':592 '不是在传统增长模型上':80 '不留数据资产':1771 '不遗漏关键数据':588 '与传统增长模型':103 '与其他':1799 '与朋友比较':1463 '专业化分工':138 '专业评分报告':1574 '专属方案':723 '个体':529 '个体化方案':277 '个体意图':217 '个体预见':202,1677 '个商品上停留了':247 '个性化':275 '个性化写作建议':1334 '个性化功能推荐邮件':1097 '个性化学习提醒':1558 '个性化引导流程上线':1157 '个性化激励':720 '个性化策略':861 '个性化级别':224 '个性化维度':528 '个性化触达':666 '个性化触达策略':688 '中风险':719 '中风险干预':876 '为第一性原理的增长系统':17 '为第一性原理设计的增长系统':79 '主动干预':274 '主动干预策略推荐':305 '主动评价':1369 '买了':36,39 '买了工具但未打通':428 '买了工具就以为完成了':1757 '互动深度下降':288,704 '交互模式':654 '交互生成':522 '交易':164,504 '产品':1029,1667 '产品从早期用户到规模化增长的客户循环畅通':363,1716 '产品体验改进':618 '产品体验本身就是营销内容':351,781 '产品使用产生数据':150 '产品使用数据':577,993 '产品使用行为':1040 '产品内反馈':1133 '产品内编辑行为':1367 '产品功能驱动获客':779 '产品化机会未利用':1492 '产品化能力':184 '产品化闭环':609 '产品层':1229 '产品改进':358,1711 '产品改进循环':377,799 '产品数据在':977 '产品有很好的':1440 '产品的增长飞轮设计':935 '产品的数据飞轮构建策略':1169 '产品设计增长策略':57 '产品驱动增长':1421 '产生更多数据':613 '人决定是否干预':1747 '人决定是否干预以及干预方式':740 '人工关怀':722 '人工创作':128 '人工审校':131 '人找信息':208 '人机协作':139 '人群包':216 '人群定向':200,1675 '人群级':225 '人规模的科技团队':1129 '从':199,261,695,778,1674,1686,1701 '从人找信息到信息找人':1737 '从工具思维升级为系统思维':18 '从提出假设到验证结果需要多久':401 '从数据到模型更新的周期':177 '从种子用户扩展到主流市场':381 '从零开始':1770 '他人使用':1349 '他人复用':1114 '付费概率预测':1047 '付费转化':1477 '付费转化率':1416 '付费转化率从3':1645 '付费转化率只有':1433 '付费转化路径':1516 '付费转化路径优化':1624 '付费转化路径数据':1503 '付费转化预测模型':1071 '付费转化预测模型上线':1152 '以':77,292 '以下五个子':1656 '价值':656 '企业培训':1606 '企业用户':1375 '优先投入资源':485 '优先改进方向':449,817 '优化体验':611 '优化框架':832 '优化模型和策略':734 '优化目标':538 '优化路线图':560 '优质模板':1335 '传播机制':887 '传播机制设计':784 '传统':180,402 '传统增长':117 '传统模型假设':107 '传统留存':266 '传统触达':213 '但工具之间是断裂的':42 '但用户留存率随时间下降':1177 '但这个能力只在':1443 '但飞轮壁垒不在于转了多少圈':1734 '低':281 '低风险':717 '低风险干预':873 '何时触发':54 '作品分享':1344 '作弊检测':1545 '你的产品':492 '使用':1664 '使用即曝光':1117 '使用培训':1101 '使用测评':1476 '促成用户行为':642 '促销':272 '信号1':866 '信号2':867 '信号3':868 '信息找人':210 '修改':1215,1267 '偏好学习':1275,1282 '偏好标注':1293 '偏好标注质量审核':1314 '偏好模型训练':1294 '做企业协作工具':959 '做图':41 '做增长':70 '做营销':48 '停留时间':653 '免费ai口语测评':1572 '免费ai口语测评功能上线':1613 '免费功能':1457 '免费测评':1473 '免费测评用户的语音数据':1466 '免费测评语音':1525 '免费测评语音数据':1500 '公司':958 '公司提供企业协作工具':940 '公开看板分享':1122 '共创边界':356,1709 '共创边界设定':370,797 '关键原则':735,1717 '关键技术':229 '关键指标':681,1237 '关键检查':620 '关键洞察':283 '关键特征':314 '关键要素':159 '其他用户复用':330 '其他设计师发现':335 '其差距会随时间指数级放大':158 '典型范例':326 '内容':521 '内容不个性化':988 '内容互动':1043 '内容创作者':1361 '内容匹配度':683 '内容推荐优化':718 '内容是否个性化':410 '内容生产':127 '内容生成':223,467,679 '内容的语气':661 '内容营销获客':942 '写作助手':1190 '写作助手产品':1173 '写作成就展示':1356 '写作风格迁移模型':1303 '写文案':38 '决定增长策略的约束条件':1809 '准确率预测未来':295 '分享':576 '分享即获客':1578 '分享报告':1474 '分享机制上线':1401 '分享测评报告返学习额度':1586 '分享返额度':1354 '分析历史':125 '分步执行':385 '分类':598 '分群':530 '分钟':135,407 '分钟级':555 '创作者':1373 '删除':1216,1268 '利用流失预测模型和':1690 '到':209,641 '制升级为':1703 '功能使用':578 '功能使用路径变窄':289,1325 '功能推荐模型':1073 '功能路径变窄':705 '加装':81 '动态意图告诉你用户':252 '化的五个环节':464 '北京':239 '升级':1759 '升级为':67,201,697,780,1676,1688 '协作人数减少':1091 '协作写作邀请':1351 '协作分享链接':1116 '协作邀请':766 '单点':1721 '原生':130 '去中心化':323 '去中心化传播':772 '及时性':170,589 '反而加速流失':1798 '反馈':90,165,505 '反馈信号':545 '反馈回路出发重新构建增长逻辑':85 '反馈学习':469,544 '反馈收集':357,1710 '反馈收集机制':374,798,895 '反馈机制与闭环周期':835 '反馈的复利增长':26 '反馈越丰富':97,98 '反馈闭环':677 '反馈闭环速度':176 '口语水平排行榜':1582 '口语测评':1456 '口语评分':1490 '口语评分是核心功能':1428 '口语评分模型':1533 '口语评分能力':1442 '只关注数据量忽视数据质量':1789 '只收集生成数据':1254 '可产品化的功能':884 '可能在比价':250 '可行性分层':657 '合并子':1653 '同行业推荐':1139 '吸引用户':612 '周':133,403,987 '周活跃天数下降':1089 '周级':182 '周级模型更新':1540 '周级闭环':1538 '和':1012,1208 '和隐性意图':651 '咨询':649 '哪些产品功能天然具有传播性':758 '哪些用户行为可以产生营销价值':759 '哪些由产品团队决定':372 '商业模式':1808 '噪音数据不仅让模型犯错':1752 '噪音比例超过':172 '四六级':1594 '团队用户':1374 '团队结构和技能不升级':1785 '团队邀请':1011,1110,1163 '围绕':992 '图片':525 '在':345 '在用户明确表达之前就提供相关内容和产品':206 '在用户明确表达之前预测需求并主动触达':1679 '在用户流失之前进行主动干预':260 '在用户流失风险升高时主动干预':1693 '在用户表达之前主动触达':1741 '在第':245 '在线学习':551,1057,1286,1519 '场景':531 '场景描述':936,1170,1409 '块':1432 '垃圾数据':1790 '基于':10 '基于使用深度的个性化引导流程':1051 '基于偏好模型优化生成质量':1230 '基于历史行为数据训练预测模型':710 '基于测评结果的个性化学习方案':1511 '基于用户历史偏好的个性化写作风格':1279 '基于试用期行为预测付费转化概率':1001 '增强回路最弱的环节':484 '增强回路设计':471 '增强行动动机':675 '增速':143,489 '增长':1408 '增长不是营销部门的事':1727 '增长即产品':1726 '增长层':1231 '增长成熟度评分':422,447 '增长方式遇到瓶颈':59 '增长是否可累积':414 '增长现状诊断':388 '增长策略上线后的运营':1817 '增长策略简报模板':802 '增长飞轮':22,76,120,458,493,1472 '增长飞轮假设':113 '增长飞轮设计':452 '增长黑客':105 '壁垒是否':626 '处理能力':188 '处理能力再强':193 '处理能力跟不上就是沉睡数据':192 '备考人群':1603 '外部信号':706 '外部数据':581 '多模态意图识别':232 '多种意图并存时如何排序':664 '多臂老虎机':537 '多臂老虎机实时优化引导路径':1054 '大多数企业的':32 '天':181,510 '天内的流失概率':297 '天执行计划':929 '天流失概率':713 '天然可分享':1575 '太早无效':727 '太晚来不及':728 '女性':238 '好的增长系统是产品自带的能力':1729 '存储':599 '学习天数连续下降':1550 '学习成就展示':1562 '学习打卡日历':1579 '学习效果追踪':1600 '学习行为数据':1501 '学习行为本身就是获客活动':338 '学习路径推荐模型':1534 '学习需求预测':1507 '学术写作者':1364 '完整增长策略简报':927 '定价':527 '定制化增长飞轮设计图':558 '定制学习计划':1567 '定制方案':1105 '定向方式':215 '实时':508 '实时或近实时':590 '实时推荐':1079 '实时驱动':126 '实现':1680 '实现从':207 '实现数据':24 '实现数据-模型-反馈的复利增长':23 '实验框架':534 '实验速度':132 '实验速度多快':400 '实验速度慢':981 '客户循环':1707 '客户成功经理1v1回访':1104 '客户扩张':359,1712 '客户扩张策略':380,800 '客户闭环':354 '客户闭环与增长策略简报':788 '客户闭环六步':795 '客服':499 '客服工单':1042 '客服数据在':979 '客服数据断裂':1030 '对每两个相邻环节':472 '对高风险客户主动关怀':1007 '导出后未返回':1324 '将ai评分能力产品化为免费获客入口':1495 '将三个数据源打通':997 '将反馈快速转化为产品迭代':378 '将客户成功经验提炼为可复制的方法论':384 '将数据转化为模型能力':602 '将模型输出转化为产品功能':610 '将模型输出转化为产品功能的能力':185 '将营销活动设计为产品功能':309,1697 '将营销融入产品':753 '小时':509 '小时级':136,408,556 '少儿英语':1605 '展示学习坚持':1581 '展示自己的水平':1462 '岁':237 '工具不是问题':1719 '工具之间不打通':1760 '工具化':35 '工具化初期':427 '工具效率提升有限':1723 '工单频率突增':1092 '已归档至':1658 '市场':582 '希望从':1418 '希望用':950 '带产品入口':1577 '带产品水印':1345 '帮助用户构建以':15 '常见陷阱':1754 '干预时机与力度':725 '干预策略分层':715 '干预策略矩阵':743 '干预越克制':1744 '干预越要克制':737 '并行参考':1818 '并设计加速飞轮旋转的策略':1670 '并输出增长策略简报':794 '广告投放':222 '广告驱动':1419 '建立':19 '建立从原始数据到可用资产的管道':595 '建立多层信号体系':702 '建立完整的用户编辑行为采集系统':1259 '建立数据闭环':768 '建立流失预警模型':1006 '建立系统化的用户反馈收集和分析流程':375 '建立系统级的增长飞轮':53 '建立统一用户行为画像':998,1035 '建设从数据到模型到产品到用户的自增强闭环':567 '开放核心评分能力':1614 '异常流量过滤':1084 '当成':1776 '当日编辑数据':1308 '形成自增强闭环':91 '很高':962 '忽视组织升级':1784 '忽视长期飞轮':1767 '怎么构建数据飞轮':1200 '思维':66,69 '想从':64 '想做营销产品化':1435 '想设计一个':967 '意图分类器':515 '意图到内容的映射':659 '意图理解':466,512 '意图理解是动态信号':240 '意图识别':646 '意图识别准确率':682 '意图预测':214,1000 '意图预测与转化优化':921 '意图预测与转化路径设计':634 '意图预测模型方案':689 '意图预测营销':198 '意图预测营销设计器':1673 '成本':278 '我们做了一个':1188,1424 '我们是一家':955 '所有试用用户看相同引导流程':989 '所有问题都用':1778 '才':1196 '才能体验':1445 '打卡':1630 '打卡传播':765 '打通数据孤岛':1034 '托福':1596 '执行流程':971,1201,1437 '执行要点':459,568,644,699,755 '扩张策略':898 '批量重训':552 '找到愿意共创的种子用户':367 '找到最佳干预窗口':726 '找到飞轮中效率最低':482 '技能升级方向':906 '把':1774 '把获客成本降下来':1436 '抖音':178 '折扣':273 '持续优化生成质量':1283 '持续监控数据增长速率':616 '指数增长':445 '按流失风险等级设计差异化干预':716 '按紧急度':655 '挽回成本':280 '排行榜':1631 '接受':1270 '控制干预力度':729 '推荐':526 '推送新功能':1330 '提升至25':1651 '提升至8':1646 '搜索':648 '摘要':1655 '收集层':1223 '效果评估与迭代':732 '教你从':45 '教坏':1791 '教育产品的':1406 '数据':87,187,419,1665 '数据不流通':1761 '数据不闭环':974 '数据去重':1082 '数据处理管道':594 '数据孤岛期':431 '数据收集':465,495 '数据收集只记录了':1204 '数据收集广度':161 '数据收集设计':586 '数据数量':1751 '数据是否':621 '数据是否闭环':394 '数据湖搭建':1147 '数据源识别':570 '数据的准确性':169 '数据管道搭建':917 '数据管道架构':630,840 '数据角色':124 '数据训练模型':151 '数据质量':168,1750 '数据质量不行就是拟合噪音':194 '数据越多':92,99 '数据量再大':191 '数据闭环':320 '数据闭环架构':785 '数据飞轮':149,996,1465 '数据飞轮效应':1652 '数据飞轮是':155 '数据飞轮是终极壁垒':1731 '数据飞轮构建':563,1222 '数据飞轮构建器':1662 '数据飞轮设计图':629 '文案':524 '新内容推荐':1559 '新增角色':903 '新用户看到':1475 '方式':271 '方法论':14 '方法论回流':383,801 '方法论回流的完整闭环':360,1713 '方法论重构增长系统':953 '无法构建闭环':1031 '日活':1174,1191 '日级闭环':1076 '早期客户筛选':366,796 '时代最强大的增长壁垒':157 '时代的进化':347 '时机':268 '时长':579 '明确哪些功能由客户定义':371 '是产品功能驱动获客':349 '是否留下了可复用的资产':418 '是固定的':109 '显式反馈':1370 '显性意图':855 '更多人使用':1469 '更多使用':1297 '更多数据':1470,1669 '更多数据的自增强闭环':154 '更多用户':1234,1529,1668 '更多编辑数据':1235,1298 '更多语音数据':1530 '更好的产品吸引更多用户':153 '更新':607 '最大瓶颈识别':448 '最终使用场景':1271 '最终选择':1218 '月度用户访谈':1134 '月流失率':948,965 '月级':134,404 '月获客成本高':943 '有协作痛点':1130 '有数据但不闭环':432 '朋友圈分享':1580 '未收集编辑反馈数据':1255 '本':43 '本身成为免费的获客入口':1453 '机制':1014 '构建长期竞争壁垒':1671 '构建飞轮核心':994 '标注':597 '标注质量':171 '核心ai能力':1489 '核心内容已合并入本节':1660 '核心功能使用频率衰减':1090 '核心区别':234 '核心概念':71 '核心洞察':1213,1449 '核心逻辑':121 '根据产品特性设计专属的':455 '根据历史响应优化内容':669 '根据意图紧急度调整时机':668 '根据用户偏好选择渠道':667 '格式如何匹配意图':663 '梳理所有可产生数据的触点':571 '概念':72,147,196,254,306,352 '模型':25,84,88,420,513,1666,1792 '模型1':843 '模型2':844 '模型优化产品':152 '模型层':1226 '模型性能提升':617 '模型性能显著退化':174 '模型是否':623 '模型更新':550 '模型类型':827 '模型能检测这些早期信号':291 '模型训练':1068 '模型训练与部署':601 '模型资产':186 '模型越精准':93,94 '模型预测用户意图和需求':205 '模型预测用户流失风险':259 '模板分享':763,1013 '模板分享机制上线':1164 '模板创作者排行榜':1355 '模板创作者激励':1121 '模板市场':328,1112,1347,1400 '模板推荐':1331 '次日模型更新':1078,1309 '次日闭环':1307 '每一圈带来的增量效果':144 '每一轮循环都让系统整体变得更强':100 '每日更新推荐模型':1520 '每日模型更新':1058 '每次':415,1768 '每次编辑行为即时反馈到模型':1287 '每次行为数据如何反哺意图识别':678 '每种意图类型对应什么内容类型':660 '比生成行为更有价值':1219 '沉默':286 '没有壁垒':1199 '没有记录':1206 '洞察':421 '流失':549 '流失信号识别':701 '流失前':270 '流失前阻止':264,698,1689 '流失后':269 '流失后挽回':262,696,1687 '流失预测模型':299,709,1535 '流失预测模型方案':742 '流失预警模型':1072 '测评':1623 '测评口碑提升':1528 '测评报告分享机制上线':1618 '测评报告社交分享':1576 '测评数据':1539 '测评行为':1506 '测评评分准确性反馈':1599 '测评频率下降':1552 '测试':536,1395 '测试优化':1159 '测试优化测评':1515 '测试转化策略':1626 '测试需':984 '测试验证模型改进':1316 '浏览':573 '浏览路径':652 '清晰的':672 '清洗':596 '渠道':108 '渠道优化':122 '渠道可以被重构':114 '点击':546,574 '点打开':243 '特征工程':1067 '环节效率评估':559 '环节识别':461 '现在想做什么':253 '现在靠投广告获客':1429 '现有营销':58 '瓶颈描述':814 '瓶颈环节识别':481 '生产运行':1816 '生成策略':830 '生成策略更新':1295 '生成类型':523 '生成质量a':1393 '生成质量与竞品无明显差异':1185 '生成质量优化':1276 '生成频率下降':1321 '用':46,50 '用个性化挽留策略替代统一优惠券':1694 '用户付费后':1444 '用户使用数据直接优化营销策略':321,769 '用户修改':1239 '用户修改了什么':1207 '用户偏好模型':1301 '用户创作':1348 '用户创建':1113 '用户创建模板':329 '用户友好性':591 '用户增长加速':619 '用户意图标签':518 '用户感到被监控':1797 '用户最终用了什么':1209 '用户流失最强烈的信号不是负面行为':284 '用户生成了什么':1205 '用户画像是静态标签':235 '用户的编辑行为':1214 '用户编辑模式':1274 '用户编辑轨迹':1266 '用户自发传播':324 '用户行为数据':572 '用户行动前':220 '用户行动后':219 '用户输入':954,1187,1423 '用户输入一段语音':1458 '用户输入指令':1264 '用编辑轨迹训练偏好模型':1227 '留存':548 '留存差':61 '留存提升':1233 '留存数据是否在同一个系统里':397 '留存率':541 '留存率提升计划':744 '的关系':1801 '的关键差异':106 '的动作':312 '的增长飞轮':970 '的完整转化路径':643 '的效率如何提升':476 '的转变':211 '的输出如何增强':478 '监控':606 '目前获客靠销售团队和内容营销':960 '目前通过广告投放获客':1413 '目前通过销售团队':941 '砸':1780 '确保':361,1714 '确保完整性':587 '示例':930,931,1166,1403 '社交':500,584 '社交分享数据':1502 '社交比较驱动传播':1583 '社交裂变启动':1619 '社区':333 '社区展示':764 '社群激励':1563 '种子团队':1138 '种子用户筛选标准':892 '秒但没有下单':249 '秒级':179,554 '稳定性':145 '稳定性三个指标':490 '竞争':583 '竞争对手难以复制':627 '竞品搜索':707 '第一版偏好模型':1387 '类型':502 '精准营销':1683 '系统复利':102,123 '系统复利期':443 '系统思维落不了地':1786 '系统才是':1720 '系统重构才能产生质变':1724 '级':228 '练习时长缩短':1551 '组织要求':137 '结束后':417 '给出专业评分报告':1460 '给所有用户看一样的内容':411 '统一数据湖':1066 '统一活动':276 '维度':116,212,265 '编辑率':1238 '编辑率上升':1322 '编辑率目标下降30':1396 '编辑行为':1292 '编辑行为去噪':1312 '编辑行为采集系统上线':1382 '网站':498 '署名':1346 '而且生成质量和竞品差不多':1198 '而在于每一圈转得有多快':1735 '而是':285 '而是产品的一部分':1728 '而是从数据':83 '而非单独投放':318 '而非只追求用户数量':368 '而非品牌单方推广':325,774 '而非被打断':1700 '而非通过单独的广告或推广触达用户':313 '而非通过第三方分析工具间接获取':770 '职场英语':1604 '能否从结果回溯到原因':398 '能收集多少维度的数据':162 '自动化的锤子':1777 '自媒体':1362 '自然流量占比提升':1642 '自然涌现':316 '自然获客':1350 '自然转化':331,1115 '自然采购':336 '英语备考人群':1593 '英语学习':1426 '英语学习产品':1412 '英语流利说打卡机制':337 '获客':395,1028 '获客-产品-客服数据断裂':1027 '获客成本高':60 '获客数据在':975 '营销':311 '营销与增长':13 '营销与增长策略':8,29 '营销产品化':308,1009 '营销产品化方案':783 '营销产品化是':339,350 '营销产品化案例':1405 '营销产品化设计':747,1448 '营销产品化设计器':1696 '营销人员':1363 '营销实践用一个词概括':34 '营销效果是产品使用的副产品':317 '营销的核心是预测用户意图':1740 '行为':163,503 '行为优化':468,533 '行为促成机制':671 '行为序列建模':230 '行为序列模型':514 '行为异常检测':302 '行为归因':1083 '行为数据':1077 '行为频率衰减':287,703 '补全数据飞轮缺失环节':1383 '被营销':1699 '被锁在付费墙后':1491 '规模化方式':221 '触点':496 '触点1':822 '触点2':823 '触点3':824 '触达':89 '触达响应率':684 '触达时机':218 '触达策略':680 '触达越高效':95,96 '让':1450 '让产品本身就是获客渠道':754 '让用户在使用中自然完成':1698 '让用户在使用产品的过程中自然完成被':310 '让老用户自然带来新用户':1015 '让营销效果成为产品使用的副产品':762 '训练':604 '训练完成并上线':1389 '训练评分模型':1467 '记录完整的用户编辑轨迹':1224 '设计':1010,1454 '设计从':639 '设计从早期客户筛选':355 '设计双向增强回路':473 '设计完整的客户循环':793 '设计师分享作品':334 '设计早期客户筛选':1708 '设计用户自发传播的激励机制':773 '设计自然涌现机制':761 '评估产品是否具备自增强数据飞轮':1663 '评估当前增长方式的问题和升级空间':391 '评估转速':488 '评分':1452 '评分一致性校验':1544 '评分准确性提升':1527 '评分报告天然具有分享性':1461 '评分更准':1468 '评分模型训练':1526 '评论':650 '识别业务中可被':462 '识别产品化机会':757 '识别用户意图':640 '识别用户的显性意图':647 '诊断':973,1203,1439 '诊断与飞轮设计':913 '诊断四问':392 '试用到付费转化率只有':963 '试用期行为序列':1046 '试用转化率':946 '试验展开':1824 '语音质量过滤':1543 '说明质量不满意':1323 '课程完成率下降':1553 '课程推荐':1508,1512 '谁就能赢者通吃':1733 '谁的数据飞轮转得快':1732 '质量控制措施':850 '质量提升':1232,1296 '质量评估模型':1304 '购买':547,575 '越低说明质量越高':1242 '越用越准':624 '越用越多':622 '跨行业扩展':1140 '转化':396 '转化率':540 '转化率提升幅度':685 '转化路径':859 '转化路径图':687 '转变为':263 '转型为':1420 '转速':141 '输入语音':1573 '输出':446,517,557,628,686,741,782,926 '输出用户':711 '输出的比例':1241 '输出结果':1016,1243,1478 '输出质量最差':483 '过度干预反而加速流失':730 '过度干预比不干预更有害':1748 '过滤误操作':1313 '还会让模型在犯错的路上越走越远':1753 '还是每个人看到的内容都不同':412 '这个用户在下午':241 '这就是':101 '这是最大的产品化机会':1446 '这是隐式反馈信号':1220 '这是飞轮断裂的根源':1210 '进化':777 '进化到':49 '连续打卡解锁高级功能':1588 '迭代速度':189 '迭代速度慢就会被追上':195 '追求单点最优化':110 '追求短期':1765 '追求系统复利':115 '追踪干预成功率':733 '选型':603 '通过':203,257 '通过营销产品化降低获客成本':1422 '通过行为序列建模和多模态意图识别':1678 '邀请好友一起测评pk':1587 '邀请机制全面上线':1632 '邀请越多免费额度越高':1111 '邀请返利':1120 '邮件':501 '邮件序列':1052 '部分闭环但转速慢':436 '部署':605 '重写':1217,1269 '重构营销':52 '长度':662 '闭环六步':364 '闭环周期':553,847 '闭环周期是否在缩短':625 '闭环运转且持续优化':440 '问题是留存很差':1194 '降低行动障碍':674 '陷阱':1755,1763,1772,1782,1787,1794 '隐式反馈':1368 '隐性意图':856 '雅思':1595 '需要为':55 '需要建立数据驱动的增长系统':63 '需要构建数据飞轮形成竞争壁垒':1186 '静态画像告诉你用户是谁':251 '预测':304,1692 '预测分数':519 '预测得越准':736 '预测性推荐':233 '预测性留存':256,267,1005 '预测性留存与干预设计':692 '预测性留存干预过度':1796 '预测性留存设计器':1685 '预测技术栈':298 '预测越准':1743 '预测风险':739,1746 '预防成本':282 '频率':507,580 '飞轮全链路跑通':925,1165 '飞轮全链路验证':1402 '飞轮加速期':439 '飞轮效率三指标':140 '飞轮效率监控':615 '飞轮效率监控指标':631 '飞轮效率评估':487 '飞轮是否容易被打断':146 '飞轮由四个互相咬合的齿轮构成':86 '飞轮缺关键燃料':1256 '飞轮自转':444 '飞轮设计':991,1212 '飞轮设计模板':491 '飞轮起步期':435 '飞轮越转越慢':1793 '飞轮转不起来':1762 '驱动的持续增长':1705 '验证增长假设':1825 '高':279 '高价值试用用户优先分配csm':1153 '高概率用户优先分配':1002 '高级功能免费体验':1339 '高风险':721 '高风险干预':879","prices":[{"id":"33921360-6b85-4ab5-9a6e-832add16274b","listingId":"8440b444-7752-4a81-b035-4774a4eb73ce","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:50.013Z"}],"sources":[{"listingId":"8440b444-7752-4a81-b035-4774a4eb73ce","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-marketing-growth","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-marketing-growth","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:50.013Z","lastSeenAt":"2026-05-18T18:57:24.278Z"}],"details":{"listingId":"8440b444-7752-4a81-b035-4774a4eb73ce","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-marketing-growth","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"fb7182bfeebcc6b390fde452ac9f44d957c16f39","skill_md_path":"skills/ai-native-marketing-growth/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-marketing-growth"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"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，\n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，\n建立 AI Native 增长飞轮，实现数据-模型-反馈的复利增长。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-marketing-growth"},"updatedAt":"2026-05-18T18:57:24.278Z"}}