去年 11 月 3 日，距离黑五还有 18 天，我接手了一个做家居收纳品类的独立站诊断。后台数据乍看很漂亮：月访问 42 万，加购率 11.4%，但结算转化率只有 0.92%，同类目同期均值在 1.8%-2.2% 之间。运营团队当时正在同时做两件事：一是每天换三版主图做 A/B 测试，二是准备上一套自动化营销工具，把弃购挽回邮件从 1 封扩到 5 封。

结果很讽刺。主图测试跑了 23 组，只有 2 组达到统计显著；而那套 5 封的弃购挽回流，因为第 3 封和第 4 封的间隔只有 40 分钟、且没有做”已下单排除”，把已经付款的客户又追了两次，投诉率在一周内从 0.3% 涨到 1.1%。转化优化和自动化都没有错，错的是它们各跑各的，中间那条衔接的线没人画。

这篇文章我想把这条线画清楚：跨境电商运营规划里，转化优化和自动化方案到底怎么衔接，衔接点在哪里，什么阶段该先做哪个，什么情况下必须停手。以下所有数据都来自我个人和团队在 2021-2025 年间服务过的四十多个跨境项目，涉及独立站、平台站和 TikTok Shop，部分数据做了脱敏和区间化处理，标注”示意”的地方是经验推演值，不是平台官方口径。

一、先给结论：转化的上限由人决定，自动化的上限由规则质量决定

1. 转化优化决定天花板，自动化决定你多快摸到天花板

我把话说直白一点：转化优化解决的是”这件事值不值得做”，自动化解决的是”这件事能不能规模化地重复做”。这两件事的顺序搞反，就会出现我开头讲的那种场面，用自动化去放大一个还没验证过的假设。

转化优化的本质是做实验：改落地页、改价格锚点、改运费门槛、改支付方式、改评价展示位置。它的产出是”认知”，知道哪个人群、哪个卖点、哪个价格带真正有效。自动化的本质是做执行：把已经验证有效的动作，在正确的时间、正确的人身上，用低成本重复触发。它的产出是”杠杆”，同样的人力覆盖 10 倍的客户量。

所以衔接的第一原则是：自动化的每一条规则，背后都应该对应一次已经跑出显著结果的转化实验。没有实验背书的自动化，只是在批量复制一个未经证实的猜测。

2. 衔接点其实只有三个：人群、触发、回收

我看过太多运营规划文档，把”转化优化”和”自动化”写成两个并列的模块，中间用一句”两者相互促进”糊过去。这句话在方案里毫无约束力。真正可执行的衔接，必须落在三个具体的接口上。

• 人群接口：转化实验产出的”高转化人群画像”（例如”加购后 24 小时内访问过运费页但未下单”），必须能直接成为自动化规则的触发人群。如果实验结果只能输出一份 PPT，而不能变成一段可执行的圈选条件，衔接就是断的。
• 触发接口：实验验证出的”最佳干预时机”（例如”弃购后 4 小时触达的挽回率最高”）必须能写成自动化规则的时间参数，而不是靠运营手动”感觉差不多该发了”。
• 回收接口：自动化触达之后产生的行为数据（打开、点击、回访、下单、退订、投诉），必须回流到转化分析里，成为下一轮实验的输入。没有回收，自动化就变成了一个只进不出的黑箱。

这三个接口，任何一个缺失，两条线就是并行的两条铁轨，看着方向一致，永远不会相交。

3. 一个可复用的判断句式

我在做运营规划时，习惯用一个固定句式来检验衔接是否成立：“因为实验 X 证明了在 Y 条件下做 Z 能提升 W 指标，所以我们把 Z 写成自动化规则，用 W 指标做回收评估。”

比如：”因为实验 17 证明了对’加购后未结算且浏览过运费页’的人群，在 4 小时节点发一封含免运费码的邮件，能把该人群转化率从 1.2% 提到 2.7%，所以我们把这条动作写成自动化规则，用该人群的 7 日转化率和退订率做回收评估。”

如果写不出这个句式，说明你手上的自动化方案还停留在”别人都这么做”的阶段，而不是”我们验证过这么做有用”的阶段。

二、背景与真实场景：运营规划里最容易被忽略的时间差

1. 三种典型的运营规划节奏

过去四年，我大概深度参与过四十多个跨境项目的运营规划，节奏大致可以归成三类。

第一类是”实验驱动型”。这类团队每周固定跑 3-5 个转化实验，每个实验都有明确的假设、样本量预估和最小可检测效应。他们的自动化规则数量增长很慢，通常前三个月只上 6-10 条，但每一条都能说清楚来源。我在深圳见过一个做宠物用品的团队，年 GMV 约 1800 万美元，自动化规则只有 23 条，但覆盖了 71% 的复购收入。

第二类是”工具驱动型”。这类团队先买了自动化工具，再回头找场景。典型症状是：后台有 80 多条规则，一半处于”暂停”状态，剩下的一半连负责人自己都说不清为什么是这个时间点、这个折扣力度。这类团队的转化率通常在前六个月涨得很快，然后进入平台期，怎么加规则都不涨。

第三类是”人肉驱动型”。没有任何自动化，全靠运营手动发邮件、手动调价、手动回复。这类团队在小规模时体验很好，客户感觉被重视；但一旦日均订单超过 300 单，响应时间就会从 2 小时拉长到 20 小时以上，转化率随之掉头向下。

2. 我见过的一次”自动化先行”的翻车现场

2023 年，一个做户外储能电源的独立站找到我。他们的自动化做得非常”完整”：新客欢迎流 5 封、弃购挽回 4 封、浏览未购 3 封、复购提醒 6 封，总共 18 封。上线第一个月，EDM 收入占比从 8% 涨到 19%，团队很兴奋。

第二个月开始出问题。第一，发送量从每周 4 万封涨到 21 万封，域名信誉开始掉，进箱率从 96% 降到了 78%。第二，因为”浏览未购 3 封”和”新客欢迎流 5 封”的人群定义有重叠，一批用户一周内收到 11 封邮件，退订率从 0.4% 飙到 2.3%。第三，也是最致命的：他们把自动化跑出来的”打开率高”当成了成功指标，但没有人回头去看这些邮件带来的订单，客单价是否下降了。

复盘时我们发现，这 18 封邮件里真正贡献正向增量利润的只有 4 封。剩下 14 封要么在重复触达已下单用户，要么在用折扣券挤压原本会原价购买的用户。三个月后，他们的整体毛利率下降了 4.2 个百分点，而 EDM 收入占比确实还在 17% 左右，看起来是增长，实际上是把原价订单换成了折扣订单。

3. 时间差：转化优化比自动化慢，但复利更高

这四十多个项目里，有一个规律非常稳定：转化实验的见效周期通常是 7-21 天，自动化的见效周期通常是 1-3 天，但衰减速度差了 5 倍以上。

一条自动化规则上线，第二天就能看到打开率、点击率；但它可能在第 14 天就开始衰减，因为用户对重复触达产生疲劳。而一个转化实验，比如把结算页的”运费到付”改成”满 49 美元免运费”，可能要跑两周才能确认真实效应，但一旦确认，这个改善会一直存在，而且会同时抬高自动化触达的基准转化率。

这就是为什么我一直坚持”优化在前、自动化在后”。自动化是放大器，放大器不会创造信号，只会放大信号的强度，包括错误的信号。

三、拆解常见误区：四个把两条线拆散的错误动作

1. 误区一：把自动化当成”省人力”的项目

这是最常见、也最致命的误解。很多运营规划的立项书里，自动化的收益写的是”减少 3 名客服人力，年省 40 万元”。这个算法在财务上没错，但在运营上是本末倒置。

自动化的第一收益永远应该是”覆盖人力覆盖不到的场景”。举个具体例子：一个美国站的客户在凌晨 2 点加购后放弃，如果靠人工，这个客户要到第二天上午 10 点才会被联系，此时购买意愿已经衰减了 80% 以上。自动化在这里创造的不是省人力的价值，而是时间窗口的价值。

我做过一个对照观察：同一批弃购人群，4 小时内触达的挽回率是 11.3%，24 小时内触达是 6.8%，48 小时后触达只有 2.9%。这三组之间的差异，靠增加人手是解决不了的，因为问题不在人手，在时间。

2. 误区二：把转化优化当成”换主图、改文案”

转化优化被低估得最厉害的地方，是它其实是一个定价与信任的工程问题，而不是视觉问题。我统计过自己经手的 200 多个转化实验，按贡献度排序大概是这样的：

注意最下面两行。主图和文案占了实验数量的 40%，却只贡献了 5.8% 的转化提升，显著率不到 20%。而定价和支付方式这两类”不好看但很硬”的实验，占了 26% 的数量，贡献了 35.6% 的提升。

为什么？因为主图和文案的优化空间在大多数类目里早就被榨干了，剩下的差异是噪声；而定价结构、运费门槛、本地支付方式，这些是真正影响用户”能不能、愿不愿意付钱”的硬约束。

3. 误区三：先建全流程自动化，再谈优化

有些团队的想法是”先把基础设施搭好，再慢慢优化”。这听起来很工程化，但在运营上是个陷阱。

原因在于：全流程自动化意味着你要为每一个节点定义触发条件和动作。而节点定义本身就是转化认知的产物。如果你还不知道用户在结算页流失是因为运费还是因为缺本地支付，你怎么定义”结算页挽回”这条自动化规则该推什么内容？推免运费码？还是推分期付款说明？

在认知不足的阶段强行建全流程，得到的结果一定是一堆平均主义规则，所有人推一样的内容，所有节点用一样的时间间隔。这类规则的效果通常连手动运营都不如。

4. 误区四：用一个总指标同时考核两条线

我见过太多团队用”整体 GMV”或者”整体转化率”同时考核转化优化和自动化。这会导致一个隐蔽的问题：两条线会互相甩锅，而且都会去做容易出成绩的事。

转化优化团队会倾向于挑那些容易做出显著结果的小实验（比如改个按钮颜色），因为 GMV 是共同指标，做不做得深看不出来。自动化团队会倾向于增加触达频次，因为短期 GMV 会涨，至于域名信誉、退订率、折扣依赖这些长期代价，短期看不出来。

正确的做法是分层考核：转化优化用”单实验显著率 + 单位流量转化提升”，自动化用”规则回收率 + 触达负向指标（退订率、投诉率、进箱率）”。这两组指标分开看，衔接问题才会暴露出来。

四、专业判断逻辑：三步定位衔接点

1. 第一步：用三层漏斗定位瓶颈在哪一层

不要一上来就看整体转化率，把它拆成三层：流量层（曝光→访问）、意图层（访问→加购）、决策层（加购→支付）。每一层的诊断方法和自动化适配度完全不同。

流量层的问题通常不在转化优化和自动化的范畴，而在选品和投放人群，这一层先别急着做自动化。意图层的问题，80% 和商品信息结构、价格锚点、评价数量有关，属于典型的转化优化战场。决策层的问题，才是两条线真正交汇的地方：结算页结构是转化优化问题，而结算页挽留和支付失败挽回，是自动化问题。

我给客户做诊断时，会要求先算三个比值：加购率/行业均值、结算进入率/加购率、支付完成率/结算进入率。哪个比值最低，就先打哪一层，另外两层暂时不动。集中火力的收益远高于全面铺开。

2. 第二步：用四象限定自动化的边界

确定瓶颈层之后，把该层内的所有可干预动作放到一个四象限里，横轴是”自动化适配度”，纵轴是”对转化的影响度”。

• 高影响 + 高适配（立即自动化）：弃购挽回、支付失败挽回、复购提醒、库存到货通知。这些动作触发条件明确、内容可模板化、时间窗口敏感，是自动化的首选。
• 高影响 + 低适配（先手动验证再考虑）：大额订单的定制报价、高价值客户的异议处理、复杂的退换货协商。这些动作需要人的判断，过早自动化会掉转化。
• 低影响 + 高适配（可做但别优先）：生日祝福、节日问候、年度总结。做了没坏处，但不要在资源紧张的阶段占用第一优先级。
• 低影响 + 低适配（直接砍掉）：一些看起来热闹但没人真正响应的互动类触发，比如”浏览 10 秒未滚动”这种噪声触发。

这个四象限的价值在于：它会强制你把”能做”和”值得做”分开。工具能实现的功能有几百个，但真正值得自动化的，在任意一个品类里通常不超过 15 个。

3. 第三步：把衔接点写成可执行的规则

前两步都是判断，第三步是把判断变成规则。我通常要求团队用这样一张表来定义每条规则，缺任何一列都不允许上线：

这张表里我最看重的是“排除条件”和”退出条件”。大多数团队只写前四列，结果就是规则越加越多、效果越来越差。自动化系统最需要设计的不是”什么时候触发”，而是”什么时候不触发”。

4. 一份可复用的判断清单

下面这 8 个问题，是我在每次运营规划评审上都会问的。任何一个答不上来，对应的环节就先别进入开发排期。

1. 这个动作对应的是哪一层漏斗的漏点？
2. 我们有没有至少一次实验证明这个动作用在这个人群上有效？
3. 这个动作的时间窗口有多敏感？超过多久做就没意义了？
4. 如果不自动化，人工能不能做到同样的时效？成本是多少？
5. 这条规则的排除条件有哪些？会不会触达已下单用户？
6. 触达之后我用什么指标判断它有效？这个指标会不会被折扣扭曲？
7. 什么情况下我会停掉这条规则？停掉的标准是什么？
8. 这条规则产生的数据，怎么回流到下一轮转化实验里？

五、案例与数据观察：用数跨境把归因和编排串起来

1. 为什么衔接问题本质上是数据链路问题

前面讲了那么多判断逻辑，实际落地时最难的往往不是”想不想清楚”，而是”看不看得见”。转化优化的输出是一份人群定义，自动化的输入是一段圈选条件，如果这两者之间隔了三个系统、两次导出、一次手工整理，衔接就一定会断。

这就是为什么我在做运营规划时，会把数据链路的连通性放在工具选型的第一位。功能再多的工具，如果数据出不来、回不去，就只是一个更贵的孤岛。

最近两年我在多个项目里用到数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）做这件事。它给我最直接的价值不是某一个单点功能，而是把”流量来源，行为路径，转化节点，复购触发”这条链路放在一个视图里，让我在同一个地方完成转化归因和自动化编排，中间不需要导表。

2. 一个具体的归因过程：GMV 增长到底来自哪里

去年 Q3，一个做厨房小家电的独立站请我做增长诊断。他们的报表显示 Q3 GMV 环比增长 27%，团队认为是 6 月上线的自动化体系立了功。我要求把增长拆开看，结果完全不是那么回事。

拆解之后是这样的：

这个拆解彻底改变了他们的决策。原本他们准备在 Q4 把自动化预算翻倍，因为”自动化贡献了 27% 增长”。拆完之后发现，自动化真实贡献约 19.7%，而且其中近三分之一是把原价订单换成了折扣订单。真正值得加码的是结算页的定价结构优化，而不是继续堆自动化规则。

关键点不在于工具本身的绝对数值，而在于拆分维度是否足够细。如果只看”自动化渠道收入”，那 8.2 万美元就是全部功劳，而实际上其中有 2.5 万美元是从原有订单里”搬”过来的。

3. 自动化编排：把”人群，触发，回收”写在一条规则里

归因清楚之后，编排才有依据。我在数跨境里做自动化编排时，习惯把每条规则写成结构化的配置，而不是在界面上东点一下西点一下。结构化的好处是规则可以被评审、被版本管理、被批量比对。

下面是我在项目里实际使用过的一条弃购挽回规则的结构（做了脱敏，字段名按通用逻辑书写）：

rule:
id: cart_abandon_tier2

source_experiment: EXP-2024-017 # 来源实验，7日转化率 1.2% -> 2.7%

audience:

include:

event: add_to_cart

event: view_shipping_page

not_event: purchase

window_hours: 24

exclude:

purchased_within_days: 7

unsubscribed: true

contacted_within_hours: 48 # 全局频次闸门

ticket_open: true # 有未关闭客诉时不触达

trigger:

delay_hours: 4 # 实验验证的最佳窗口

local_timezone: true # 按收件人本地时间发送

send_window: [09:00, 21:00]

action:

channel: email

template: cart_tier2_free_shipping

incentive:

type: free_shipping_threshold

value_usd: 59

expire_hours: 72

recovery_metrics:

primary: cohort_7d_cvr

secondary: [unsubscribe_rate, incremental_gross_margin]

exit_condition:

if: cohort_7d_cvr action: pause_and_review

这段配置里有三个细节值得单独说：

第一，contacted_within_hours: 48 这个全局频次闸门。它是防止”规则打架”的关键。上面提到的那个储能电源项目，就是因为 18 条规则之间没有统一的频次闸门，导致用户一周收到 11 封邮件。加上这一条之后，他们的退订率在两周内从 2.3% 回落到 0.6%。

第二，incentive.expire_hours: 72。免运费码不设过期时间，等于默认给所有弃购用户永久折扣，这会直接侵蚀原本会原价购买的那部分订单。设成 72 小时，既保留紧迫感，也把折扣范围限制在真正需要推动的人群里。

第三，exit_condition 里的连续 14 天阈值。这个设计的意义是让规则具备”自我淘汰”能力。我见过的团队里，超过一半的规则上线后从来没被下线过，不是因为有效，而是因为没人负责判断它是否还有效。

4. 三个站点的对照观察

为了验证”衔接做得好不好”是否真的能影响结果，我在 2024 年上半年对比了三个合作站点。三个站点的品类接近（家居小件），客单价区间相近（45-70 美元），差别主要在于衔接方式的成熟度。

这张表里最值得琢磨的是 B 站和 C 站的对比。B 站有 74 条规则、6 个月只涨了 0.27 个百分点，毛利还掉了 3.6 个百分点；C 站只有 5 条规则，靠转化优化把结算转化率从 1.08% 拉到 1.62%，但复购率几乎没动。

B 站的问题不是执行力不够，恰恰相反，他们执行得非常努力，但每条规则都建立在猜测上，且没有回收机制，所以越努力越亏。C 站的问题是没有把优化成果沉淀成可复制的自动化动作，导致一次性收益无法转化为长期资产。

A 站的优势很朴素：26 条规则，88% 有实验背书，每条都有退出条件，所有规则共享一个频次闸门。规则数量只有 B 站的三分之一，但两条线是咬合的，一边优化出认知，另一边立刻把它变成可重复的触达。

六、不同阶段的行动建议：按规模分层的落地节奏

1. 月销 5 万美元以下：先做实验，自动化只做一件事

这个阶段的团队通常 1-3 个人，资源极度有限。我的建议非常明确：把 80% 的精力投入到结算页和运费门槛的转化实验上，自动化只做”弃购挽回”这一件。

原因很简单。这个阶段 GMV 小，自动化能撬动的绝对金额有限，但转化率每提升 0.3 个百分点带来的相对增幅很大，而且这部分改善会永久留存。同时，弃购挽回是唯一一条几乎不需要人群细分就能见效的自动化规则，实施成本最低。

具体动作清单：

1. 先测运费门槛。把免运费门槛设成客单价的 1.1-1.3 倍，跑两周 A/B。
2. 再测支付方式。在目标市场补齐最主流的 2-3 种本地支付方式。
3. 然后测信任元素。评价数量、退换货政策展示位置、安全标识。
4. 最后上一条弃购挽回，4 小时触发，含限时免运费码，72 小时过期。
5. 这条规则加上退出条件：连续 14 天该人群 7 日转化率低于 1%，暂停复盘。

2. 月销 5 万-50 万美元：建立”实验→规则”的转化管道

这个阶段的核心矛盾是：人手开始不够用，但还没到需要复杂系统的程度。最容易犯的错是”两头都想抓，两头都做不深”。

我的建议是建立一条固定的转化管道：每周跑 3 个实验（不超过 3 个），每个实验结束后必须输出一份人群定义和一条候选自动化规则。如果实验结果是负向，也要输出，”这个人群不适合这个动作”同样是有价值的信息，可以写进排除条件。

这个阶段应该重点建设的衔接能力有三项：人群圈选条件能被复用、触达频次有全局闸门、每条规则有回收指标。这三项不需要复杂工具，一张共享表格加上工具的基础配置就能跑起来。

3. 月销 50 万美元以上或多站点：先解决数据链路，再谈优化

到这个规模，瓶颈通常不在”想不想得到”，而在”看不看得见”。多站点、多语言、多币种、多支付方式，数据分散在四五个系统里，任何一次归因都要花两天导表。

这个阶段我会建议先做一件事：把”流量来源，行为路径，转化节点，复购触发”这条链路收敛到一个视图里。收敛之后，转化优化和自动化才有可能共享同一套人群定义。

这也是我在多个项目里采用数跨境的原因之一，在同一个视图里完成从归因到编排的闭环，避免每次做联合分析都要跨三个系统手工对表。当然，工具不是决定性因素，链路清晰才是。哪怕用表格加脚本，只要链路是通的，衔接就能成立。

4. 一份 90 天落地节奏表

如果你现在就要启动，按这个节奏走，不要跳步。

七、不同情况下的取舍：什么时候该忍，什么时候该砍

1. 预算有限时，先砍自动化功能，再砍实验预算

这是我最坚持的一条取舍原则。当预算被压缩，团队的直觉往往是”先保自动化，因为自动化能省人力”。但我要说：在没有充分实验认知的阶段，自动化省下的人力成本，远小于它放大错误假设造成的损失。

前面那个储能电源的例子就是代价：18 条规则带来的直接后果是毛利率下降 4.2 个百分点，按他们当时的年 GMV 折算，损失远超过”省下的 1.5 个客服人力成本”。

正确的顺序是：先砍掉那些没有实验背书、纯粹”别人有我也要有”的自动化功能，把钱和时间留在实验上。实验是认知的唯一来源，认知不足时任何自动化都是在赌博。

2. 人少时，宁可做半自动，不要做全自动

三人以下团队，我不建议追求全自动。半自动往往性价比更高：系统负责圈人、定时、推送，人负责内容判断和异常处理。

举个具体做法：把”高价值客户的异议处理”做成半自动，系统识别出客单价超过 200 美元且有过两次浏览未购的用户，自动生成一封包含该用户浏览记录和个性化推荐的草稿，运营修改后发送。这样既保留了人的判断，又把准备时间从 25 分钟压到 5 分钟。

全自动适合的是”标准化程度高、时间窗口敏感、判断成本低”的动作；半自动适合”判断成本高、但信息收集耗时”的动作。两者不是优劣关系，是匹配关系。

3. 平台站和独立站的取舍逻辑完全不同

平台站的自动化空间被平台接口压缩得很厉害，人群圈选精度低、触发渠道有限、数据导出受限。所以平台站的策略应该是：把转化优化做到极致，自动化只做平台允许范围内的广告调价和站内消息提醒。

独立站反过来，数据链路完整、实验自由度高、自动化上限高，所以两条线可以深度咬合。这也解释了为什么我在前面那张雷达图里给独立站的”实验自由度”打了 9.4 分，而平台站只有 3.8 分，这不是执行力差异，是客观权限差异。

4. 什么时候该停：三个明确的止损信号

• 退订率连续三周超过 1%。说明触达频次或人群精度出问题，此时应该先暂停所有新规则上线，回头做频次闸门和人群收缩，而不是继续优化文案。
• 增量毛利率连续两个月为负。说明自动化正在用折扣替换原价订单，此时应立即收紧所有折扣型规则的力度和有效期，并把评估指标从”转化率”换成”增量毛利率”。
• 连续一个月没有任何实验产出显著结果。说明瓶颈可能不在当前层，需要重新做漏斗诊断，而不是继续在当前层加大投入。

八、总结：衔接的本质是”认知先于执行”

回到开头那个黑五前 18 天的案例。后来我们做了两件事：第一，把所有主图实验暂停，集中测试运费门槛和支付方式；第二，把 5 封弃购邮件砍到 1 封，加上排除条件和 48 小时频次闸门。三周后，他们的结算转化率从 0.92% 提到 1.47%，退订率从 1.1% 回落到 0.4%。

这个结果并不惊人，但它说明了一件我越来越确信的事：跨境电商运营规划里，转化优化和自动化从来不是两个模块，而是一条链上的两段，前者生产认知，后者消费认知并把认知变成规模。

链条断开的时候，你会看到两种典型症状：一种是自动化很热闹但利润在缩水，另一种是优化做了很多但收益无法沉淀。两种症状看起来完全不同，根因却是同一个：中间那条衔接的线没人画。

如果只让我给一条建议，我会说：从今天开始，要求每一条自动化规则都能说出它来自第几号实验。说不出来的，先下线。这一条动作看起来很简单，但它会强迫你的团队在”做”之前先”知道”，而这正是衔接能够成立的前提。

下一步，你可以做三件具体的事：

1. 打开自动化后台，给每条规则标注”来源实验编号”，标不出来的先暂停，统计一下比例。
2. 算三个比值，加购率/行业均值、结算进入率/加购率、支付完成率/结算进入率，找出最低的那个，接下来四周只打这一层。
3. 建立”实验，人群，规则，回收指标”四列对应表，每条新规则上线前必须填满四列，缺一列不上线。

这三件事加起来不超过一天的工作量，但它们决定了你接下来半年的运营规划，是在放大认知，还是在放大猜测。

免费注册

咨询方案

扫码咨询方案