卖滑雪服,AI却发现送礼人群:企业为什么总是找错客户?
从滑雪服与送礼人群的案例出发,回到历史订单识别主力客户,理解购买理由,再集中产品、内容和交付,把一类需求做透,找到更多同类客户。

卖滑雪服,当然要找喜欢滑雪的人。
这个判断很自然。可如果买衣服的人不滑雪,只是想给喜欢滑雪的家人挑一份礼物,他算不算我们的客户?
2026年11月13日,36氪的一篇报道提到,滑雪品牌BOGNER使用阿里妈妈的AI定向产品“万相点睛”,获得了送礼人群等潜在客群建议。品牌团队原先已经知道,购买者不限于滑雪者,难点在于识别和触达这些人。¹
这件事让我想到一个更贴近日常经营的问题:生意已经做了几年,我们有没有认真回头看过,究竟是谁一直在买,为什么买,又是谁真正支撑了这门生意?
很多时候,我们能说清自己的产品,却未必能说清最值得服务的那群人。每天接单、交货、处理售后,留下了很多记录;一问下一步怎么增长,又开始往外找新机会。
对于一家已经有客户、有订单的企业,历史生意里就藏着值得深挖的线索。先认清主力人群,再集中力量把他们服务透,才更有依据去找下一批客户。
BOGNER的报道没有披露送礼人群单独的成交与利润数据,不能据此认定送礼者已经是它的主力。下面谈的,是由这个案例引出的经营做法。
一、先回头看看,究竟是谁撑起了生意
如果要帮一家企业找主力客户,我会先请老板拿出一批真实订单。
看看这些客户买了什么、买了多少,后来有没有再来;再把收款、退换货、直接成本和服务记录放在一起。
这里很容易有一个误会:把销售额排个名,前几位就是主力。
大订单当然值得重视。但有的订单只来过一次,有的依赖大幅优惠,有的需要反复改方案、补交付、处理售后。账面金额相近,做下来留下的贡献,可能差不少。
我更想从这些记录里看清三件事:
谁已经用购买表达了认可。 看真实成交、再次购买、评价和转介绍,也看看原来常来的客户为什么不来了。
哪些生意做下来值得。 收入之外,把商品、履约、获客和额外服务费用算进去;没有核实的成本,先标出来。
这些客户有没有值得持续服务的共同需求。 企业能不能把这件事做好,下一次遇到类似客户,已有经验是否还能用上。
这里说的主力人群,就是有真实需求、愿意选择我们,而且我们有能力持续服务好、做下来也划算的一类客户。
看历史,还要给历史一个合适的范围。至少覆盖一个完整经营周期,避免把一次促销或旺季高峰当成常态。滑雪服的购买周期和日常餐饮不同,不能机械地用“每个月买不买”判断客户价值。
这样整理之后,我们要得到的,是一份有依据的判断:这门生意目前最值得把力量放在哪类客户身上,还有哪些地方不确定。
二、主力客户为什么买,要回到他们当时的处境
找出一批值得深入了解的客户之后,还要继续往下问。
仍用滑雪服举一个假设:一位顾客准备自己去滑雪,另一位顾客准备买给伴侣。两人看的是同一件衣服,犹豫的事情却可能不同。
前者想知道保暖、透气、活动是否方便;后者还在担心,对方喜不喜欢、尺码选错怎么办、能不能赶在生日之前送到。
如果我们把这两笔订单都记成“购买滑雪服”,购买理由就被藏起来了。
客户并不一定会主动把这些讲完整。有时,线索就在一句咨询里:能不能附张卡片?收礼的人在外地,换码怎么处理?
这些话比我们替客户填写的“年轻、中高收入、喜欢户外”,更接近当时促成或阻碍购买的事情。当然,单凭收货地址不同,仍然不能确定是在送礼。
订单帮助我们找到值得了解的人,客户原话帮助我们理解他为什么选择我们。 也可以约几位客户聊一聊:当时为什么开始找,比较过哪些选择,最后为什么买,买完还有哪里不满意。²
同一个人,这次为自己买,下次可能给朋友买。所以,主力人群还需要连着购买场景一起看。我们要找到的是一类反复出现、值得认真解决的需求。

AI在这里能帮忙。把脱敏后的订单备注、咨询和售后记录交给它,让它把反复出现的需求、顾虑和购买理由整理出来,并保留对应的记录编号和原话。
整理完,我们再回到原始记录核对。客户没说过的动机,先留作未知;看起来相似的两笔订单,也可能是不同原因促成的。
要找下一批客户时,这些共同需求就能成为线索:还有谁正遇到同样的事情,会需要我们已经有能力提供的帮助?
三、把资源收回来,围绕这群人把事情做好
假设经过历史记录分析和客户询问,一家商家发现,为滑雪爱好者挑礼物的人贡献不错,现有产品和服务也适合他们,于是决定把这类需求作为这一阶段的重点。
接下来,整个经营过程都可以围绕一个具体结果安排:让顾客把礼物选对、送好。
产品上,提供几种容易理解的选择,说明分别适合什么人。内容上,把选款、尺码、送达和换货这些问题讲清楚。销售接待时,先了解送给谁、什么时候需要。交付时,把已经承诺的包装、时效和售后安排落实。
这些事情分属不同环节,却都在朝同一个结果使劲。
这就是我理解的“力出一孔”。
企业也会遇到其他需求。有些可以顺手满足;有些需要新增产品、重做流程,占用大量时间。后者即使看起来有机会,也要认真考虑,这一阶段是不是值得做。
“舍九取一”,落在经营里,就是敢于确定优先顺序,把主要精力放到选定的人群和需求上。已有客户仍应按承诺服务,新的投入则要有所取舍。
聚焦之后,还要检查结果。顾客是不是更容易作出选择,交付是否更稳定,退换货有没有变化,新增服务花了多少成本,做下来是否更值得。
如果这些没有改善,就继续核对:主力人群选得是否合适,产品和服务有没有跟上,观察时间是否足够。也要分清季节和促销的影响,不能把一次涨跌都算在聚焦头上。

一公分宽,让经验往一公里深处积累
聚焦还有一个容易被忽略的价值:前一单学到的东西,能继续帮到下一单。
第一次,有人担心礼物尺码不合适,我们把换码流程理顺。下一次,遇到类似顾客,销售已经知道怎样解释,售后也知道怎样处理。顾客再提出新问题,我们继续补上。
围绕同一类需求做得越久,企业越有机会把产品、内容、接待和交付磨合起来。原先只能靠老板临场处理的事情,逐渐变成团队共同掌握的经验。
如果每来一单就换一种客户、换一套要求,很多事情可能都得重新开始。忙了很久,下一单还是同样费劲。
“一公分宽、一公里深”,落到这里,就是选定值得持续服务的需求,让每一次成交和交付,都为下一次积累一点能力。
这也不意味着永远守着原来的客户名单。需求会变化,原来的主力也可能流失。持续看真实交易、听客户反馈,才能知道该继续往深处做,还是需要调整方向。
回到滑雪服的故事,送礼人群究竟是不是值得重点服务的客户,要靠真实生意回答。对其他企业也是一样:先把已经发生的交易看明白,认清谁在选择我们、为什么选择,再围绕这些值得深耕的需求,找到更多同类客户。
从最近的一批订单开始
找一个能覆盖完整经营周期的时间范围,先整理历史客户;如果记录很多,可以先选有代表性的一批作初步观察,再扩大核对,别只挑成功的订单。
| 要做什么 | 留下什么结果 |
|---|---|
| 把客户、订单、退换货和成本连起来 | 一份能回到原始记录核对的客户贡献清单,缺失项如实标明。 |
| 找出值得深入了解的主力候选 | 说明为什么选他们,同时检查流失、未再购买及低贡献客户的情况。 |
| 核对他们共同的购买理由 | 保留咨询原话和访谈记录,区分已确认的需求与待验证的猜测。 |
| 决定这一阶段集中做什么 | 写清重点服务谁、帮他办好什么事,产品、内容和交付各改哪一步。 |
| 用实际结果继续检查 | 看成交、交付、退换与费用变化,再决定继续、调整或停止。 |
让AI协助整理时,可以这样问:
请根据以下脱敏后的历史订单、咨询和售后记录,分析哪些客户值得重点经营。保留记录编号和原话,分别看购买变化、实际贡献、共同需求与服务成本,不只按销售额排名。区分事实、推断和未知,不编造客户动机或缺失数据。提出一组主力客户候选、需要进一步询问的问题,以及一个能用后续真实订单检验的改善动作。
先认清自己的主力,再把有限的力量用在他们真正需要的地方。
资料与说明
1. 案例来源:王熠,36氪《这个双11,商家和AI商量着做生意》,页面发布账号“晓曦”,2026年11月13日18:30。原文|36氪同站中文镜像。报道支持的是BOGNER获得送礼等潜在人群建议,未披露该人群独立的成交、退货和利润数据。本文没有把它写成“已从历史客户证明送礼者是主力”的案例。
2. 购买处境视角参考:Clayton Christensen Institute,Jobs to Be Done Theory。本文借用理解客户具体处境与购买任务的视角;主力客户分析、经营取舍及行动清单为本文的应用建议。
文中的顾客处境、商家聚焦送礼需求及服务改进过程均为解释性假设,不是BOGNER经营数据或客户项目实录。插画为AI生成示意图,不对应真实人物或品牌商品。