编者按:本文由电商操盘手赵岚授权转载,原文发表于知乎专栏「电商参考」。文中数据均为作者自述的单店实验结果、未做跨店校验,量级仅供同行参照,不代表 answermyname 的统计口径。我们把它分享给同样在观望「AI 导购到底值不值得投入」的运营同行。
与其在群里争论 AI 导购有没有用,赵岚选择直接下场。她的原话是:「我不信任何没有对照组的结论,包括我自己的。」于是她用一个月,围绕店铺核心品类里用户最常问 AI 的几个问题做优化,再把 AI 推荐位带来的访客单独打标,和店铺其他来源放在一起比。
她到底测了什么
这不是一次「投了一笔钱看 ROI」的投放实验,而是一次来源对照:同一家店、同一批商品、同一个月,只是把流量按入口拆开,看哪一类访客更容易掏钱。她锁定了三个指标——很朴素,但足够说明问题:
- 流量量级:AI 推荐位带来的 UV,占全店比重有多大;
- 转化率:这批访客里,最终下单的比例,和自然搜索、信息流横向比;
- 客单价 & 退货率:买了之后,他们买得更贵、还是退得更多。
一个月跑下来,有两个结果出乎她意料。先看那组让她「愣了一下」的数字(均为作者自述、单店口径):
用她的话说:「AI 没给我泼来一池子水,它给我引来的是一小撮已经想好要买、只差临门一脚的人。」这件事在转化率的对比上尤其直观——同样 100 个访客,不同入口进来的成交差距,远比她预想的大:
第二个意外:起作用的不是投放,是评价
实验前,赵岚以为撬动 AI 推荐的会是某种「投放技巧」。结果恰恰相反。她复盘 AI 给出推荐时引用的内容,发现被反复抽取的,是真实评价里的高频好评点和第三方测评,而不是她精心写的商详卖点文案。换句话说,AI 在替用户「读评论区」,再把读到的结论讲出来。
下面这张是她复盘时截下的一段 AI 导购答案的形态——注意它推荐的理由,几乎都来自评价与口碑,而非品牌自己的措辞:
结合用户评价,几款反馈比较稳的:
- 某品牌·清爽控油霜——多条评价提到「上脸不黏、午后不泛油」,油皮回购率高
- 某品牌·神经酰胺乳——侧重「控油同时不拔干」,换季也能用
- 某品牌·水杨酸面霜——胜在性价比,适合学生党
油痘肌优先看「控油 + 不拔干」的实际反馈,而非单纯看价格。
她真正动手改的那一件事
认清「AI 在读评价、读测评」之后,赵岚把精力从「写更漂亮的卖点」挪到了「把真实优势讲成 AI 能直接抽取的话」。最有效的一步,是重写商详的核心信息区——从堆参数,改成正面回答用户会问 AI 的那个问题,并把评价区已经验证过的高频好评点提炼上来:
解决什么:午后泛油、闷痘
评价高频词:「不黏」「不拔干」(提及 200+ 次)
一句话:油皮夏天能放心用的控油面霜
把她的实验,变成你也能跑的框架
赵岚这套做法不依赖她的店有多大,任何团队都能复刻成一个低成本的「最小实验」。核心就四步,一个人、一个月足够:
| 步骤 | 具体动作 | 判断标准 |
|---|---|---|
| 1 · 选问题 | 列出品类里用户最常问 AI 的 5–8 个「高意图」问题(带预算、人群、场景的那种) | 每个问题都接近下单,不是泛泛了解 |
| 2 · 看现状 | 在豆包 / DeepSeek 逐个问,截图 AI 推荐了谁、引用了哪里、有没有你 | 明确自己当前「被提及」与「被引用」的缺口 |
| 3 · 改两处 | 重写商详核心信息区(答问题 + 提炼评价);在被引用最多的平台补 2–3 篇真实测评 | 信息结构化、有口碑佐证,不堆形容词 |
| 4 · 单独记账 | 给 AI 来源访客打标,单独看转化率 / 客单价 / 退货率,和自然搜索横向比 | 用对照组说话,而非看绝对值 |
AI 导购不会让平庸的产品变好卖,但会让好产品被更多人看见。— 赵岚
赵岚把这次实验的体会浓缩成一句很实在的话:「AI 只是放大器,放大的是你产品的真实样子。」如果产品和口碑本身立得住,AI 推荐位会成为一个意向极高的稳定来源;如果立不住,再多的话术也只是把问题原样放大。
同行最常问的几个问题
这是我们「专家观点」栏目分享的外部文章,观点与数据均代表作者本人。我们认同其中「先测后投、用对照组说话」的方法论,也建议你结合自身品类辩证地看。完整原文请见下方来源。