电商crm系统方案设计：自动营销场景的数据复盘怎么做

自动营销活动发出去了，点击率不低，活动期间订单也涨了，但团队仍然答不出一个关键问题：这些订单有多少是营销真正带来的？在电商 CRM 系统方案设计中，复盘的重点不是把触达量、点击率和成交额放进同一张看板，而是把目标、人群、触达、转化、成本和后续经营串成可验证的因果链。本文用一组明确标注为情景模拟的数据，拆解复盘口径、增量判断、异常定位与下一轮策略调整。

一、先讲结论：自动营销复盘不是“看活动结果”，而是“做下一轮决策”

1. 先回答四个问题，再讨论活动好不好

我设计自动营销复盘时，会先要求团队回答四个问题：活动原本要解决什么问题？哪些用户符合触发条件？用户经过了哪些关键步骤？观察到的变化能否归因于这次营销？这四个问题没有答案，数据再多也容易变成报表展示，而不是经营判断。

例如，“沉睡会员召回”活动不能只写“发送优惠券，目标是提升销售”。至少要说清楚沉睡的定义、优惠券适用范围、触发时间、订单观察窗口，以及主要目标究竟是唤回首单、提升复购，还是清理临期库存。目标不同，主指标和成本算法也不同。

我的判断原则是：先定决策，再选指标。如果复盘结论不会改变人群、内容、时机、渠道、频控或预算，那么这次复盘大概率只是统计，不是闭环。

2. 用一条链路替代一张“总成绩单”

自动营销的分析链路可以概括为：业务目标与假设 → 人群入组 → 触达执行 → 用户响应 → 目标转化 → 增量与成本判断 → 策略调整。每个节点都要能解释“发生了什么”，并指出下一步该检查什么。

这条链路的价值，在于避免团队只盯着终点。例如成交人数少，原因可能是入组人群太窄，也可能是消息送达失败、权益不匹配、落地页跳失，或商品缺货。只看最终订单数，无法区分这些情况，更无法知道该改哪一个环节。

对于 CRM 系统方案，以上链路应转化为数据和流程要求：用户标识要能关联，触发和发送记录要可追溯，订单状态要有一致定义，活动与实验标记要能落到数据里，复盘结论还要能回到下一次规则配置。不能把“有自动化模块”误当成“自动化效果可被验证”。

二、背景和真实场景：为什么订单涨了，团队仍然说不清活动效果

1. 自动营销常见于生命周期节点，不等于天然有增量

电商 CRM 中常见的自动营销包括新客首购提醒、加购未购召回、会员生日关怀、沉睡用户唤醒、复购周期提醒、优惠券到期通知等。这些场景的共同点是：系统按照行为、标签或时间条件触发，而不是运营人员每次手动筛选名单。

自动触发提升了执行稳定性，却没有自动解决归因问题。系统能够记录“谁收到了消息”和“谁后来下了单”，不代表它能证明“这笔订单若没有消息就不会发生”。尤其是高活跃会员、品牌忠诚用户和大促期间的购买人群，本来就可能自然下单。

所以，自动营销的复盘至少要区分三件事：流程是否执行正确、用户是否响应、营销是否带来了额外经营价值。三者相关，但不能互相替代。流程成功率高，可能转化一般；转化看起来不错，也可能主要来自自然购买。

2. 一次典型复盘里，最容易被忽略的是对照逻辑

设想一家主营家居用品的电商企业，对过去 60 天没有购买的会员自动发送满减券。活动后统计发现，触达用户中有不少人下单，团队据此认为“召回成功”。但如果这批人本来就比其他沉睡会员更活跃，或者活动期间全站正在做大促，单看触达组的订单无法说明优惠券带来了多少新增购买。

我会先追问：触达组与未触达组是否处于相似生命周期？用户是否还同时进入了短信、站内信或广告重定向？订单是否剔除了取消和退款？观察窗口是否覆盖了该类商品的通常决策周期？这些问题没有统一答案时，活动结果只能叫“触达后表现”，不宜写成“活动带来的提升”。

3. 方案设计阶段就要考虑复盘，不要等活动结束才补数据

很多复盘做不下去，并非分析人员不会做图，而是活动上线前没有留下必要的记录：人群规则被临时修改、发送批次没有统一编号、不同渠道各自统计，订单表又没有活动标识。等到结案时再拼数据，往往只能得到近似结果。

因此，CRM 方案设计应把“可复盘”当作上线条件。至少在触发前保存规则版本、活动编号、用户入组时间、渠道、发送状态、权益信息和实验分组；订单侧记录支付、取消、退款及商品毛利等必要字段。记录不必无边界扩张，但要覆盖业务判断所需的关键环节。

三、常见误区：这些看似合理的结论，最容易把团队带偏

1. 把活动期订单增长直接当成营销贡献

某次活动后订单变多，只能说明活动与订单变化同时发生。要判断活动是否造成了增量，还需要处理季节性、平台大促、价格调整、库存变化、其他渠道曝光以及用户本来就会购买等影响因素。

如果没有对照组，建议使用更谨慎的表述，例如“活动触达用户在观察期内的支付率为某值”，而不是“活动让支付率提升某个百分点”。前者描述观测结果，后者暗示因果关系，证据要求并不相同。

2. 只看点击率，忽略用户后续是否获得价值

点击率适合用来诊断消息内容、入口和触达方式，但它不是活动的经营目标。用户可能因为标题好奇而点击，随后发现商品不适合、价格不匹配或页面加载缓慢；也可能没有点击，但通过搜索或其他入口完成购买。

因此，点击率应当与目标转化和护栏指标一起看。对于首购活动，至少要关注新客支付、退款和新客获取成本；对于复购活动，则要看复购用户数、毛利、优惠成本及后续留存。不同目标不能套用同一套“高点击就是成功”的标准。

3. 用一个转化窗口套所有品类和场景

高频消耗品可能在较短时间内完成补货，家电、家具等商品则可能经历多轮比较。若对所有活动统一采用极短观察窗口，长决策周期商品会被低估；若把窗口拉得过长，又会把自然复购和其他营销活动纳入同一结果。

窗口应由商品决策周期、活动目标和触达方式共同决定，并在上线前固定。若需要比较不同活动，尽可能统一窗口；确实不能统一时，应分层呈现，不要把口径不同的转化率直接排在一起做高低结论。

4. 把优惠带来的收入当成利润改善

订单额增加不代表利润增加。优惠券、满减、赠品、平台佣金、履约成本和退款都可能改变活动的净收益。若活动组的成交额较高，但折扣更深、退款更多，最终毛利可能反而更差。

复盘时要把收入指标与成本口径分开列示。数据不足以计算利润时，就明确说“当前仅比较支付金额，尚未纳入优惠成本和履约成本”，不要把有限的收入表现包装成盈利结论。

5. 用总体均值掩盖人群差异

活动整体转化率看起来正常，不代表每个用户群都有效。新会员、老会员、高客单会员、低频会员的价格敏感度和购买周期可能不同。若整体均值被一小群高活跃用户拉高，运营就可能误把策略复制给低意向人群。

分群不能无限切碎。切分维度应与业务假设有关，例如生命周期阶段、历史购买频次、商品偏好或渠道许可状态。每增加一个分群，都应能回答一个决策问题；否则只会产生更多波动和偶然发现。

四、专业判断逻辑：从口径到增量，逐层建立可解释的复盘

1. 先把目标写成可以被证伪的假设

“提升复购”太宽泛，不能直接指导活动设计。更可执行的假设是：“对最近一次购买距今 30 至 45 天、且购买过指定耗材的会员，在预计补货窗口触发提醒，相比随机留出组，能提高 14 天内的有效复购率，同时不使优惠成本超过预设上限。”

这个假设包含了人群、触发、目标行为、对照方式、观察窗口和约束条件。活动结果即便不理想，也能判断是周期估计不准、商品推荐不匹配，还是权益没有改善购买意愿，而不是笼统地说“活动没效果”。

2. 固定人群边界、事件定义和去重逻辑

人群规则要说明入组条件和排除条件。例如“沉睡会员”是否要求过去 60 天无支付订单？取消订单算不算购买？多个账号是否按会员 ID、手机号还是设备合并？同一用户在活动期重复满足条件时，是重新触发还是只触发一次？这些规则会直接改变分母。

事件定义也要固定。建议至少区分消息生成、发送成功、渠道送达、点击、页面访问、领取权益、创建订单、支付、取消、退款。不要把“创建订单”当成支付，也不要把部分退款订单简单算作完整成交。每个团队都可以有自己的业务口径，但口径必须被记录且可复现。

去重规则则应明确到指标。触达人数通常按用户去重，发送次数则按消息条数计；支付订单数按订单去重，购买人数按用户去重。把这些分母混在一起，会让“转化率”变成一个含义不明的数字。

3. 先建核心指标，再配置诊断和护栏指标

每场自动营销应有一个主要结果指标，最多再配少量诊断指标和护栏指标。主指标对应活动目标；诊断指标帮助找到过程瓶颈；护栏指标用于防止短期转化以伤害长期关系为代价，例如退订率、投诉率、退款率、优惠成本或触达频次。

主指标不一定是收入。有些自动化的阶段目标是验证规则是否能准确识别补货时机，早期更适合看触发准确性与用户体验；如果只用短期 GMV 衡量，团队可能过早叠加优惠，掩盖自动化逻辑本身的问题。

4. 能做实验时，用留出组衡量增量

条件允许时，我优先采用随机留出组。对符合条件的用户先完成资格筛选，再随机分成触达组和留出组。两组除营销处理外尽量保持一致，并对同一用户的跨活动触达进行控制，减少组间污染。

最基本的增量计算可以写成：增量转化率 = 触达组转化率 − 留出组转化率。若两组有效人数不同，还应报告各自分母和置信区间或不确定性范围；不能只展示差值而隐藏样本规模。经营判断则应结合增量订单、增量毛利和活动成本。

留出组比例没有适用于所有企业的固定答案。比例越高，实验比较通常越稳定，但短期可触达用户减少；比例太低，测量误差可能过大。实际方案要结合可用人群规模、预期效果、业务风险和决策重要性，必要时由数据团队估算样本需求。

5. 没有实验条件时，降低结论强度

有些活动不能随机留出，例如合规通知、履约提醒或必须覆盖的服务信息。这种情况下可以使用历史同期、相似人群匹配、前后变化或渠道归因等方法作为参考，但它们无法天然排除所有混杂因素。

历史同期会受到年份差异和活动节奏影响；相似人群匹配会受到未观测特征影响；前后对比容易被大促、价格与库存改变干扰。报告中要写清方法、关键假设和限制，结论用“观察到”“相关”“可能贡献”等措辞，不要把估算写成实验因果。

归因窗口也不是万能答案。比如“点击后 7 天内支付”是一条归因规则，不是因果证明。对同一订单可能存在多个渠道触达，应确定优先级或采用多触点分析，并明确这类结果是分配口径，而非每个渠道独立创造了全部订单。

6. 从增量结果走向经济性判断

如果活动目标是经营收益，应把增量收益与增量成本放在一起。成本可按企业业务边界纳入优惠让利、渠道费用、额外履约支出和运营成本；收益侧至少要确认退款、取消、毛利和订单是否为新增，而不是只看支付金额。

当成本数据不完整时，不必假装精确。可以先分层报告：第一层是触达与行为，第二层是支付与退款，第三层是优惠和毛利，第四层再谈净收益。明确“目前能判断到哪一层”，比给出一个看似完整但口径不实的 ROI 更可靠。

7. CRM、数据仓库与分析看板各自承担不同职责

CRM 侧通常负责业务对象、标签、分群、触发规则、渠道编排和发送记录；订单与商品系统负责交易、退款、库存和成本等事实数据；数据仓库或分析平台负责跨系统关联、口径沉淀、实验分析和长期监测。系统边界因企业架构不同而变化，但“哪个系统是哪个字段的权威来源”应事先约定。

看板的作用是让团队快速发现变化，并不是自动产生正确解释。比如，分析平台可以帮助把人群、触达和订单数据按共同标识关联，减少人工拼表；但如果用户 ID 映射不完整、订单退款口径错误，图表只会更快地展示错误结论。

方案选型可以把九数云作为数据分析工具的考察对象之一，官网为九数云。实际评估时不应仅看是否有可视化页面，而要验证数据接入范围、字段更新频率、权限管理、历史数据追溯、计算口径维护以及是否能承载企业自己的实验和指标定义。

五、案例拆解：沉睡会员自动召回，如何从“发券有效”走到可执行结论

1. 先说明案例性质和业务假设

以下是为展示复盘方法构造的情景模拟，不代表真实客户项目，也不是行业效果承诺。假设一家线上家居用品商家有稳定的会员订单数据，拟对最近 60 天无支付、过去一年至少购买过一次、且仍具备营销触达资格的会员做自动召回。

团队提出的业务假设是：“相较于不触达，发送商品相关提醒和适度权益，可以提高 14 天内的有效复购，同时控制优惠成本和退订风险。”这比“沉睡用户发券促成交”更可检验，因为它预先定义了人群、观察窗口、结果与约束。

2. 上线前把规则和数据记录完整

方案先固定入组规则：过去 60 天无支付订单，过去一年有有效支付，排除已退订、联系方式无效、订单纠纷处理中以及当前已处于其他强促销旅程的会员。同一会员在活动周期内只入组一次，避免重复收到多个相似召回消息。

然后按会员随机分成两组，触达组接收自动化消息，留出组不接收本次活动内容，但仍按原有服务规则正常运营。活动编号、分组标记、规则版本、入组时间、渠道、消息模板、权益、送达结果和用户后续订单都需要关联保存。

如果用户同时进入其他活动，不一定必须全部排除，但要有明确记录和处理策略。简单的做法是先排除高冲突旅程，避免难以解释；规模较大时，可以把并行触达作为独立维度分析，但需要足够样本和相对成熟的数据治理。

3. 用一组模拟数字演示结果怎么读

假设触达组有 50,000 人，14 天内 3,100 人完成有效支付，转化率为 6.2%；留出组有 10,000 人，480 人完成有效支付，转化率为 4.8%。两组的绝对差异为 1.4 个百分点，触达组相对于留出组的转化率高约 29.2%。

这些数值只演示计算方式，不表示统计显著，也不表示真实项目必然能得到相同效果。正式报告还应检查随机分组是否平衡、支付订单是否剔除取消和退款、样本量是否足够，以及是否有一组受到额外广告或促销影响。

如果优惠核销金额为 18 万元，触达组退款金额为 12 万元，额外渠道与履约成本为 5 万元，就不能仅凭 186 万元支付金额宣布活动盈利。还需要知道商品毛利、留出组对应的自然销售额、成本归集方式和增量订单的实际贡献，才能评估净收益。

4. 从链路定位异常，而不是立即增加优惠力度

假设触达组送达率达到预期，但点击率偏低。此时优先检查渠道可见性、消息内容、发送时段、标题承诺和用户近期触达频次，而不是直接提高优惠金额。因为如果用户根本没有看到或理解价值，增加折扣可能只会提高成本。

如果点击率正常，但商品访问后的加购率低，就应检查推荐商品与历史购买的相关性、库存、价格竞争力和页面加载体验。若加购率不错而支付率低，再检查运费、支付流程、券使用门槛和结算页规则。

如果支付转化上升但毛利恶化，问题可能在权益结构或商品组合；若转化与毛利都可接受，但退订率显著上升，应考虑触达频次、活动重复和用户预期。任何单点异常都只是诊断线索，仍需用分群或实验验证原因。

5. 把结论改写成下一轮可验证的操作

复盘结论不应止于“内容优化”“精准运营”这类抽象表述。更有用的写法是：“对过去 60 天无购买、但有指定品类历史购买的会员，下一轮将推荐其最近购买品类的补充商品；优惠方案保持不变，随机留出 10% 用户，继续观察 14 天有效支付、毛利和退订变化。”

如果本轮点击低但页面访问后的支付表现正常，可以先测试发送时段或标题；如果点击正常但转化低，可以测试权益门槛、商品组合或落地页。一次实验最好只改一个主要因素，或使用设计清楚的多因素实验，否则改动太多，最终无法确定哪项变化产生了效果。

六、异常出现时怎么行动：按问题所在层级选择动作

1. 触达不足：先查资格与送达，不急着改内容

如果实际送达人数远低于符合条件人数，优先核对入组规则、用户联系方式、渠道授权、发送时段限制和平台返回状态。还要确认统计分母是“进入流程的人”还是“被尝试发送的人”，否则送达率可能看起来异常偏低或偏高。

当问题来自联系方式缺失或用户许可不足时，应修复数据采集与许可管理，而不是把更多营销压力加在现有人群上。若是单一渠道送达能力受限，可以评估备选渠道，但需要检查触达成本、用户偏好和频次累积，不能仅以覆盖率作为唯一决策标准。

2. 触达正常、互动偏弱：验证内容和用户时机

如果送达稳定但打开或点击偏低，先按渠道拆分指标，因为不同渠道的打开定义和可见性并不完全相同。再按用户生命周期、最近互动、历史购买品类和发送时间检查差异，判断是内容价值不足，还是用户并不处于合适时机。

小样本测试可以比较标题、主诉求、商品推荐、发送时段或权益呈现，但不要一次更改所有元素。测试前明确一个主指标和一个护栏，例如点击率作为诊断、支付转化作为结果、退订率作为护栏，避免优化点击却损害经营结果。

3. 有互动、无转化：从消息之后的体验找断点

用户点击后没有购买，不一定代表营销文案失效。落地页是否展示了消息承诺的权益、商品是否可售、券是否能用、运费与到手价是否清楚、登录或结算是否复杂，都可能阻断转化。

建议把点击后的路径拆成商品访问、加购、创建订单、支付成功，并按设备、商品、权益和渠道检查异常。若某个商品页面访问量充足但库存不足，增加触达只会放大失望；若用户集中在券使用步骤流失，就应优先修复规则展示和核销体验。

4. 成交增长、收益变差：降低对折扣的依赖

当支付转化上升而增量毛利下降，先看优惠是否覆盖了原本会自然购买的人群，再看券门槛是否诱导低毛利商品或过度折扣。可以比较不同权益下的增量毛利，而不是只比较领取率或使用率。

可选动作包括缩小优惠适用范围、推荐毛利更合适的组合、调整触发时机、为高自然购买倾向人群减少补贴，或改用商品信息和服务提醒替代折扣。每种动作都需要检查对转化、毛利、退订和用户体验的综合影响。

5. 效果差异很大：先判断是真差异还是随机波动

如果某个细分人群的转化率突然很高，不要立即大规模复制。先检查样本量、分群规则、渠道构成和偶然波动；多个维度反复切分后，出现一组“看起来特别好”的概率会增加。

对潜在有效分群做下一轮独立验证，并预先登记人群条件和主指标。只有结果在新一轮中方向一致，且收益、成本与用户体验都过关，才值得把它固化为自动化规则。

七、不同场景下的取舍：不是每次活动都值得做复杂实验

1. 高频、可重复的营销旅程，优先建立稳定实验机制

加购未购提醒、补货提醒、会员复购提醒等场景通常会反复运行，适合长期保留留出组或按周期开展随机实验。一次实验带来的学习可以应用于后续批次，长期来看，稳定测量往往比每次临时做复杂分析更省成本。

要注意留出组的用户体验和业务边界。服务通知、交易确认和必要的履约信息不能简单按营销实验处理；对可能造成明显用户损失的场景，也应先从小范围试验开始，并由业务和合规团队共同确认。

2. 大促或一次性活动，重视归因限制和成本完整性

大型促销期间，用户可能同时接触站内活动、直播、广告、短信和会员权益。要将某个 CRM 触达的贡献单独剥离出来，比日常旅程困难得多。此时可以通过分层实验、渠道冲突控制和活动标记提高解释力，但必须接受仍有残余混杂因素。

如果活动不可随机化，报告重点应放在执行质量、触达响应、订单结构和成本拆解上，并将因果结论降级为观察性判断。与其给出虚假的精确归因比例，不如诚实说明数据能支持什么、不能支持什么。

3. 小规模人群，先积累信号，不要追求过细切分

高价值会员、特殊商品用户或新上线品类可能样本有限。小样本下的转化率会更容易波动，几位用户的行为就可能明显改变比例。此时可延长观察周期、合并合理相近的人群，或用行为路径和定性反馈辅助判断。

但延长周期并非没有代价。观察窗口越长，越容易受到其他活动、季节和生命周期变化影响。应在报告里标出时间范围，并明确这些结果更适合生成假设，而不是直接承诺扩大投放。

4. 有成熟数据能力的团队，增加实验与经济性分析

当用户身份关联稳定、订单和成本数据相对完整、活动标记规范时，可以进一步评估不同权益、发送时机和渠道组合的增量毛利，并监测长期复购或会员留存。多触点或复杂归因不是每个团队的第一步，数据基础不足时，先把简单对照做准更重要。

团队还应考虑维护成本。复杂模型需要稳定的数据输入、持续校验和业务解释能力。如果模型结论无人理解、无法转化成运营规则，复杂度本身不会带来价值。

八、把复盘写进 CRM 方案：一份团队可复用的执行模板

1. 上线前：确认目标、口径、规则和风险

上线评审不应只审阅消息文案和人群规模，还要确认如何判断活动成功。建议把活动目标、核心假设、主指标、诊断指标、护栏指标、观察窗口、归因或实验方式写进同一份方案，并由运营、数据、产品和渠道负责人对关键口径达成一致。

同时检查数据链是否完整：用户主键是否稳定、触达日志能否关联到活动编号、订单是否能识别支付与退款、权益核销是否可追踪、规则版本是否留存。缺少其中某项时，应在上线前说明会影响哪类判断，而不是等复盘时才发现无法计算。

2. 执行中：监控技术故障，不要过早宣布效果

活动运行过程中可以监控规则触发量、发送成功率、渠道异常、频次上限和商品可售状态。对于重复发送、错误人群、权益失效或订单链路故障等问题，应及时暂停或修复；这些属于运行质量，不能等到活动结束后再纳入常规复盘。

但在样本尚未成熟时，不宜因为早期数据波动就频繁调整主策略。若确需中途干预，要记录干预时间和影响范围，并在分析时区分干预前后数据，避免把多个版本混为一个活动结果。

3. 结束后：把结论写成能被复核的记录

一份有效复盘至少要包含活动目标、规则版本、人群规模、触达过程、指标口径、结果、成本、对照方式、数据限制、异常解释和下一轮动作。最好保留原始数据查询条件或指标定义，方便其他成员复算，而不是只存一张截图。

复盘结论应标注证据强度。随机实验支持度较高时，可以报告实验估计及不确定性；观察性分析则说明存在何种潜在混杂；纯流程监控只回答是否按设计执行。不同证据层级不应被压缩成同一种“提升百分比”。

4. 形成一页复盘模板

• 活动信息：活动编号、负责人、运行时间、规则版本和涉及渠道。
• 业务假设：目标人群、触发条件、希望改变的行为及预期机制。
• 人群规则：入组、排除、重复入组、跨活动冲突和资格更新方式。
• 指标定义：分子、分母、去重逻辑、数据源、观察窗口和订单状态口径。
• 实验或归因：分组方法、留出比例、渠道归属规则及其适用限制。
• 结果与成本：过程指标、目标指标、退款、优惠核销、毛利和已知成本。
• 主要发现：哪些环节符合预期，哪些异常值得验证，哪些结论目前证据不足。
• 下一轮动作：修改内容、人群、时机、权益或频次中的哪一项，由谁负责，何时复测。

模板的目的不是增加文档，而是让每次活动的经验可以积累。若每轮都更换人群、口径、时间窗和权益，结果便无法横向比较；若每次只记录最终成交额，团队也无法知道策略是如何变好的。

九、结语：自动营销的价值，不在于触发得更多，而在于每次触发都更有把握

1. 复盘不是给活动打分，而是减少下一次决策的不确定性

电商 CRM 自动营销容易被“自动”两个字误导：自动触发不代表自动正确，自动报表也不代表自动归因。真正有价值的方案，是能够解释目标如何变成规则、规则如何影响用户行为、行为如何形成可验证的经营结果，以及下一轮准备改变什么。

因此，判断一套 CRM 方案是否成熟，我不会先问它有多少个触发器或看板，而会检查三件事：关键数据能否关联，效果口径能否复现，复盘结论能否进入下一次策略。任何一项缺失，自动化规模越大，错误结论可能扩散得越快。

2. 下一步从一场重要旅程开始，先把基础做准

如果团队目前主要靠活动后导表分析，不必马上搭建复杂的归因模型。先挑一条高频、目标清楚、用户规模足够的自动化旅程，统一目标和事件口径，保留一组可比较的样本，记录真实成本，再按漏斗定位问题。

完成首轮之后，把结果写成具体的下一轮假设，并且只改动最值得验证的环节。复盘做得好，不是图表越来越多，而是团队越来越少凭直觉加预算、加折扣和加触达，越来越能用清楚的证据决定下一步。

免费注册

咨询方案

扫码咨询方案