如何搭建一套 AI 驱动的智能营销系统
以 OTA 行业为例，拆解 Booking.com、携程、Hopper 等公司如何让 AI 自己「看懂用户、判断策略、落地执行」
在 OTA 行业，营销一直是最卷的战场。
携程、飞猪、美团酒旅，每一家都在抢同一个用户。搜索结果里排第几、推送发得够不够准、价格是不是刚好戳中预算——这些决定了用户是下单还是划走。
过去我们靠人做这些：运营同学盯着 BI 报表出人群包，文案同学加班写活动页，投放同学手动调出价。一个用户从搜索「三亚酒店」到最终下单，背后可能有七八个不同的人在接力。
但问题来了：人跟不上用户的速度。一个用户凌晨两点搜了「三亚亲子酒店」，你不可能凌晨两点手动给他推一条优惠。等到第二天上班再处理，用户已经订好别家了。
这就是 AI 营销系统要做的事：不是在营销里加一点 AI 辅助，而是让 AI 成为营销的中枢神经。
一、先换脑子：AI 营销 ≠ 在营销中用 AI 工具
很多人对 AI 营销的理解停在第一层：让 ChatGPT 写文案、让 Midjourney 出海报、让 AI 帮忙分析一下数据。
这不是 AI 营销。这是**人做决策，AI 当工具**。
真正的 AI 营销系统是反过来的：
**AI 负责感知、判断、执行，人负责设定目标和边界。**
Booking.com 是这个理念最极致的实践者之一。这家全球最大的 OTA 平台，**每年运行超过 1,000 个并行 A/B 测试**——不是运营团队在手动设计实验，而是其 ML 平台自动生成假设、分配流量、回收结果。哈佛商学院教授 Stefan Thomke 专门为 Booking.com 写了一篇案例研究（《Building a Culture of Experimentation》, HBR, 2020），指出 Booking 的成功不在于某一条算法，而在于**把实验和决策权从人手里移交给了系统**。他们的 ML 模型同时考量超过 100 个用户信号来决定搜索结果排序，任何运营人员都不能手动干预——因为人的判断在规模面前根本不可靠。
另一个更极端的例子是 **Hopper**。这家旅行 App 的核心卖点不是「卖机票酒店」，而是「告诉用户什么时候该买」。它的 AI 模型预测航班和酒店价格走势，号称对一年内的价格预测准确率达到 95%。用户不需要自己比价，Hopper 的 AI 持续监控价格波动，在最佳时机推送通知：「现在买，预计未来不会更低」。2024 年 Booking Holdings 收购 Hopper 的部分业务，恰恰验证了「AI 决策优于人工经验」这个逻辑。
那么，这一整套系统到底怎么搭建？下面用「感知 → 决策 → 执行」三层骨架拆开讲，每一层都配上真实的行业案例。
二、感知层：让 AI「认识」每一个用户
OTA 的用户，表面上千差万别——有出差党、带娃家庭、学生穷游、情侣度假。但传统标签打法有个致命问题：**它对用户的定义是死的**。
「性别男、年龄 30、城市上海、标签商务差旅」——这个画像三个月不更新，但用户三个月前和三个月后的出行需求完全是两个人。
AI 感知层要做的，是构建一个**活的用户画像**。拆成三类信号：
第一类：静态属性 —「他是谁」
年龄、城市、会员等级、历史订单。OTA 天然有这些数据。但静态属性只能告诉你「他可能是什么样的人」，不能告诉你「他现在要什么」。
一个典型的教训：某 OTA 平台曾把所有「过去一年订过 5 次以上快捷酒店」的用户标记为「价格敏感型商旅」，统一推送经济型酒店。但他们忽略了一个事实——这些用户中有相当一部分是公司行政代订，而非本人出行。给行政推酒店，等于推给了错误的人。
第二类：行为轨迹 —「他最近在干什么」
这是感知层真正的燃料。用户在平台上的每一个动作都是信号。**携程的个性化推荐团队在公开发表的论文中描述过**：他们的系统不只是对搜索词做匹配，而是把用户的点击序列、停留时长、滑动深度、甚至鼠标悬停位置都作为特征输入，构建用户的短期意图模型。
举个例子：一个用户搜了「成都」→ 5 分钟后又搜「重庆」→ 他在比城市，不是没需求。另一个用户看了 8 间同一价位的酒店，每间停留 15-20 秒——他在卡预算，推荐高价房等于浪费曝光位。还有一个用户对某酒店反复点进点出 6 次——他在纠结，就差临门一脚，这时候给一张限时优惠券的转化率可能是正常推送的 3 倍。
AI 要做的不是数他搜了几次，而是**把这些行为串成一个可预测的故事**。
第三类：意图信号 —「他下一步会做什么」
这是感知层最值钱的能力。而且已经有人在做了。
**Hopper 的整个商业模式就建立在意图预测上**。他们的模型分析的不只是「用户搜了纽约」，而是「用户搜了纽约、看了机票但没下单、又看了酒店、反复对比了不同日期」。Hopper 的 AI 把这些信号综合起来，判断出用户不是随便看看，而是「正在规划一次有具体预算和时间窗口的纽约旅行」。接下来 AI 才会介入——预测价格走势、推荐最佳购买时机。
回到国内 OTA 场景：一个用户搜了「五一 亲子 民宿」，看了 4 家，收藏了 2 家，都没下单。他的浏览价格带是 500-800 元/晚，但收藏的两家分别是 1200 元和 950 元。这说明什么？**他不是没预算，而是没找到「值这个价」的**。AI 这时候该做的不是推更多亲子酒店，而是推「同价位段但评分更高」或「有儿童乐园、亲子活动等增值服务」的酒店，文案强调「带娃不累，物超所值」。
**感知层解决的根本问题：不是「这个用户属于什么人群」，而是「这个用户当下处在什么状态、面临什么决策、需要什么帮助」。**
三、决策层：AI 怎么决定「对谁说、说什么、怎么说」
感知层给了你一个「当下状态」的拼图，决策层要回答三个问题：
**推什么**（内容）→ **在哪推**（渠道）→ **什么时候推**（时机）
传统做法是：运营定一个策略——比如「暑假亲子用户推三亚度假酒店，App Push 和首页同时上」。这个策略一跑就是一个月，不管用户是 7 月初还在看机票还是 8 月底已经回程了。
AI 决策层不一样，它是**实时、动态、个人级的策略引擎**。
决策变量 1：推什么
同样的产品，对不同用户该说什么？不是 AI 写了一百条文案等着挑，而是 AI 根据用户当下状态**动态决定内容的主题和切入角度**。
**Airbnb 的搜索排序是一个经典案例**。Airbnb 工程团队公开分享过，他们的 ML 排序模型不只是看房源和搜索词的相关性，而是把用户的 **wishlist（心愿单）、过往行程类型、甚至用户对图片风格的偏好**都纳入特征。一个经常收藏「设计感民宿」的用户搜「东京住宿」，和一个过去只订商务酒店的用户搜同样的词，看到的排序完全不同——前者排前面的是设计师公寓，后者是交通便利的商务房源。这不是做了两套页面，而是同一套模型对两个用户给出了不同的排序权重。
在 OTA 内容营销的场景里，这个逻辑同样适用：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
决策变量 2：在哪推
OTA 触达用户的手段很多：App Push、短信、首页推荐、小程序、邮件。AI 决策的核心不是「全渠道覆盖」，而是**选最有效的那个**。
**Booking.com 的做法值得参考**。他们在多篇公开分享中提到，渠道选择不是预设规则，而是**基于用户历史响应数据的动态模型**。如果某个用户连续多次忽略 App Push 但对邮件打开率很高，系统会自动降低 Push 权重、提高邮件权重。反之亦然。更进一步——同样的用户，出行前 3 天的渠道策略和出行前 30 天完全不同。距离出发越近，Push 和短信的即时性优势越明显，邮件基本退出竞争。
决策变量 3：什么时候推
这是 OTA 行业最容易被忽视的胜负手。
传统做法：上午 10 点统一推送。但一个用户如果只在深夜浏览 OTA，你早上 10 点推给他等于打在了空窗期。
**Hopper 的「最佳购买时机」功能是这个逻辑的极端体现**。它的 AI 不只是告诉你「价格会涨还是会跌」，而是持续监控、在模型判断的最优时间点主动推送给用户。这个「最优时间点」不是行业平均的「周二下午买机票最便宜」这种粗糙规律，而是基于**这个具体航班+这个具体用户+当前市场供需**的实时计算。
在国内 OTA 场景，AI 需要学的是「这个人的最佳触达时间」。而且同一个人、不同场景的最佳时间不同：浏览种草阶段 → 在他经常浏览的时间推；下单前犹豫阶段 → 立刻推，趁决策窗口还在；出行前提醒阶段 → 按旅行日期倒推，不是按固定日历。
四、执行层：让策略落地，让反馈回流
有了感知和决策，执行层是 AI 从「想法」到「行动」的最后一步。OTA 的执行层有三个关键能力：
内容引擎：一条信息，自动衍生多种表达
OTA 产品高度结构化——一间酒店的名字、图片、评分、价格、设施、位置是固定的，但不同用户需要看到不同的「卖点」。
**美团酒旅的做法很有参考价值**。美团依托其庞大的用户画像体系（外卖、到店、出行多场景数据打通），对同一间酒店自动生成多套展示逻辑。一个经常点高端外卖、常去日料店的用户搜酒店，美团排前面的可能是「周边有评分 4.8 以上的日料」的酒店；而一个以快捷酒店为主要消费的用户搜同一区域，优先展示的是「距地铁站 200 米、性价比推荐」。这不是人工配了多套素材，而是 AI 从同一组结构化数据中自动组合不同的卖点排列。
渠道调度：卡节奏，不堆量
OTA 最容易犯的错误是「越多越好」——同一个用户，Push 一条、短信一条、首页横幅一条、小程序一条。这不是营销，是骚扰。
正确的逻辑是：**一次触达 → 等反馈 → 根据反馈决定下一步 → 不重复不叠加**。
对犹豫期用户：先 Push 一次定向优惠 → 24 小时内没点，换短信发一次内容不同的提醒 → 点了但没下单，首页调高该酒店的推荐位 → 全程不反应，降频，别逼用户关通知。
反馈回收：让每一次触达都有意义
这是 AI 营销系统最被低估的一环。没有反馈，AI 就是在盲打。
**Booking.com 的实验文化在这里做到了极致**。他们的每一次触达都是一个微型实验——推了 A 版本内容给人群 X，推了 B 版本给人群 Y——结果不仅决定了「哪个版本更好」，更重要的是**结果自动更新了用户画像和策略参数**。用户点击了优惠但没下单，系统记录的不是「失败」，而是「价格敏感度信号 +1」；用户连续忽略某类内容，标记为「兴趣衰减」。下一次触达时，这些已经反映在模型里了——不需要人写规则，不需要开会复盘。
五、个性化 ≠ 分群，是「千人千时千面」
这是 AI 营销和传统营销最本质的区别。
传统营销讲「个性化」，实际上做的是**分群**：把 1 亿用户切成 50 个包，每个人群包对应一套话术。比群发好，但本质还是「把一群人当同一个人对待」。
AI 营销的个性化是**个体级 × 时刻级**的：同一个用户，周五下午和周一上午看到的内容应该不一样；有出行计划和没有出行计划时，渠道策略应该不一样；价格敏感期和品质敏感期，卖点排序应该不一样。
一个典型的 OTA 场景：用户一年有 20 次差旅 + 3 次家庭出游。传统分群把他固定在「商旅人群」，一整年推商务酒店。但 AI 能看到——3 月他搜了几次「周末 亲子 民宿」→ **现在是家庭出游模式**；4 月只搜快捷酒店 → **出差季，价格敏感**；7 月浏览全是高端度假酒店 → **暑期家庭出游，预算大幅放宽**。
同一个人，3 月、4 月、7 月，AI 给到的完全不同。这不是用户的画像变了，是**他的状态在变**，AI 跟上了这个变化。
**Airbnb 工程团队公开分享过一个关键洞察**：用户在同一次旅行规划的不同阶段，对房源特征的偏好权重是变化的。规划初期，用户更关注「区域」和「整体风格」；下单前最后几次浏览，关注点变成「是否可立即预订」「取消政策」「具体设施」。AI 需要在同一个会话里感知到这个「阶段切换」，并动态调整排序权重。
**个性化不是把用户分得更细，而是让同一个用户的每一次触达都不一样。**
六、数据飞轮：为什么 AI 营销系统越用越聪明
AI 营销系统最大的商业价值不在于「比人更准一次」，而在于**它会自我进化**。
闭环逻辑很简单：感知用户状态 → 决策策略 → 执行触达 → 获得反馈 → **反馈更新感知** → 下一次感知更准 → 决策更对 → 反馈质量更高 → 继续强化。
但这个飞轮不会自动转起来，需要刻意设计三件事：
1. 定义什么算「正反馈」
不是只有下单才算。在 OTA 场景里，大量「微反馈」同样重要：点击了推送 → 内容方向对了；浏览超过 30 秒没下单 → 感兴趣但有顾虑；下单后又取消 → 价格或政策让他犹豫了；推送后直接划掉 → 时机或内容至少有一个不对。
每一类反馈告诉 AI 不同的事。只拿成交当正反馈，飞轮永远转不起来。
2. 把反馈编码回系统
运营看到一次推送效果不好，心里有点印象——这是**人的学习**，不是 AI 的学习。AI 需要的是：「用户 X 对 A 类内容在 B 渠道 C 时机」的反应数据，**自动降低这个组合的决策权重**。下一次自动避开，不需要人写规则。
**Booking.com 在这方面的实践是行业标杆**：他们的实验平台不是运营工具，而是一个**自动化的模型更新管道**。每一次 A/B 测试的胜出版本，其参数自动进入生产模型，失败版本自动降权。整个流程没有「人工审核实验结果」这个环节——因为人工审核的速度完全跟不上实验的频率。
3. 警惕飞轮的「偏食」
飞轮天然喜欢放大已验证的模式——上次推亲子酒店效果好，就一直推亲子酒店。但如果这个用户的孩子明年上大学了呢？
AI 需要有**探索机制**：98% 按已知偏好推，2% 随机探索新的内容方向。这 2% 不是为了短期转化，是为了防止飞轮把自己锁死在昨天的用户画像里。这个机制 Airbnb 和 Booking 都有公开提到——称之为「exploration-exploitation trade-off」，是推荐系统的基本功。
七、人的角色：从操作工变成导演
聊完 AI 能做什么，必须说清楚**人该做什么**。
AI 营销系统的最终目标不是取代人，而是把营销团队从重复劳动中解放出来。人力聚焦在四件事上：
1. 定目标
AI 不知道什么是「好」，是人在定义。ROI 多少？复购率提到多少？新客成本降到多少？
人说：「今年暑期核心目标是亲子酒店预订量提升 30%。」 AI：「收到，以此为所有决策的北极星。」
目标设好，AI 自动拆解为千千万万个微观策略——不用人写具体的投放排期和人群包。
2. 设边界
AI 可以生成无限种内容组合，但它不知道「哪些话不能乱说」。品牌调性、合规红线——这些是人要画的边界。
人说：「所有推送中，价格必须标注『起』，不能用『仅需』；评分低于 4.0 的不进推荐。」 AI：「明白，这些约束永不被突破。」
3. 看异常
AI 跑得再顺也有盲区。亲子酒店转化率突然断崖下跌——AI 可能继续按既有策略跑，但人会察觉：竞对出了新活动？政策有变动？
**AI 负责「正常情况下的最优解」，人负责「异常情况下的兜底」。**
4. 调策略
大方向靠人来调。公司战略从「冲 GMV」转向「提利润」：
人说：「接下来半年，利润率权重 40%，GMV 权重 30%。」 AI：「收到，优先推荐高毛利酒店，减少补贴型优惠券。」
八、总结：从 OTA 看到 AI 营销的底层逻辑
OTA 是 AI 营销的天然实验场——Booking.com 每年上千个并行实验、携程的深度学习推荐系统、Hopper 的 AI 预测定价、美团的多场景数据打通——这些不是未来，是已经在跑的事实。
它们背后的逻辑适用于几乎所有行业：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
**AI 营销系统的本质不是「AI 工具包」，而是一个能感知、会判断、自进化的决策中枢。它把营销从「人干的活」变成「系统干的事」——人负责定义方向，AI 负责跑完全程。**
OTA 已经在这条路上。下一个是谁？