数据与 AI 双轮驱动:Sensors AI Agent 在奢侈品电商中的实践与探索

系统架构

• L1 主 Agent（Main Agent）：接收输入的业务问题，将其解析为具体的子任务，并根据任务类型调用对应的子模块。

• L2 子 Agent（Sub Agent）：针对特定业务场景进行处理，生成诊断报告、制定营销策略或分析单一用户画像。

• L3 技能层（Skills Center）：包含基础的数据计算与处理功能，例如指标查询、机器学习模型调用、受众规则构建以及图表绘制。

通过分层协同，系统能够将抽象的业务需求逐步转化为具体的数据库查询与统计规则。

典型场景应用与专家视角评估

• 分析发现：数据表明，用户在 PDP 页面将商品加入心愿单的比例为 57.4%，而加入购物车的比例为 30.63%；加购购物车后，最终提交订单的比例为 26.18%，显示出购物车至下单环节存在较明显的流失。

• 归因推论：系统提出了三项假设：一是高客单价导致用户倾向于将心愿单作为观望列表；二是部分商品断货（伴随“到货提醒”事件触发）；三是 PDP 页面发起顾问咨询的比例较低，未能实时解答用户疑虑。

• 专家点评：AI 能够在短时间内完成多维度漏斗的交叉交叉对比，帮助分析人员快速定位异常节点。然而，AI 提出的“价格敏感”或“咨询缺失”等假设属于相关性推导，实际业务中仍需结合库存日志、商品调价历史等客观数据进行二次校验，避免将相关关系误判为因果关系。

• P0 级（放弃结账用户）：已进入订单生成流程但未完成支付的用户，列为高优先级。

• P1 级（活跃购物车放弃用户）：购物车内有商品且近期保持活跃的用户，列为次高优先级。

• 专家点评：基于行为距离（Proximity to Purchase）构建互斥人群逻辑，在技术上解决了多条营销策略同时触发时导致的用户重复打扰问题。这种规则化的输出可以直接对接自动化营销系统（如 Sensors Focus），提升了从分析到执行的衔接效率。

• 数据基础：该用户历史完成 15 笔订单，累计消费金额超过 10 万元，主要活动区域在北京门店。

• 近期行为：近期多次查看 2025 秋冬系列鞋款，将羊皮乐福鞋加入收藏，并通过顾问分享的链接进入小程序。

• 输出建议：提示北京门店顾问主动推送秋冬鞋款与小皮具的到货信息，并评估邀请其参加线下 VIP 沙龙的可行性。

• 专家点评：将结构化的日志数据转化为非结构化的自然语言文本，降低了前线销售人员阅读复杂数据报表的门槛。但提示词（Prompt）的设计需要严格限制生成内容的边界，防止大语言模型在缺乏数据支持时生成过于主观的推断。

实践反思

应用成效

• 交互效率提升：支持将自然语言形式的业务提问直接转化为分析流程，减少了人工编写查询语句的时间。

• 场景适配性：引入了心愿单、到货提醒和门店预约等奢侈品行业特定的行为指标，改善了通用电商漏斗不匹配的问题。

• 结果可执行性：分析结果可以直接转化为人群筛选条件或接洽文本，方便后续环节直接使用。

局限性与改进方向

• 指标口径的一致性：大语言模型对复合指标（如不同时间窗口下的留存率）的理解可能存在偏差，需要建立统一的指标字典进行规范。

• 推论的严谨性：系统在归因分析时可能存在过度解读数据的倾向，需要通过规则引擎限制其输出未被充分验证的因果结论。

• 数据质量敏感度：在面对小样本数据或数据缺失时，系统的判断稳定性会下降，需补充自动化的数据质量检验机制。

结论