用 AI 做大促复盘：GMV 之外的四个维度

用 AI 做大促复盘，别只盯着 GMV 一个总数。GMV 之外的流量结构、转化效率、客单与件单、库存履约四个维度，才决定下次大促能不能做得更好。AI 的作用是把这些维度的数据拆开、交叉、归因，产出可执行的改进清单。

四个维度分别看什么

流量维度看结构与质量：各渠道带来的访客占比、新老客构成、跳失情况；转化维度看漏斗：从进店到下单每一层的流失率；客单维度看搭配：客单价与件单数的变动来自哪个品类；履约维度看后端：发货时效、缺货拦截、退货率。四个维度合起来，才能解释 GMV 涨跌到底是流量红利、转化改善还是结构变化带来的。

把数据整理成 AI 能读的表

复盘前先把各平台后台的数据导出，整理成一张统一的表格：渠道、访客、加购、下单、支付、退款、客单价等列，按天或按渠道分行。数据干净与否直接决定 AI 分析的质量：口径统一、缺失值标清、异常日备注活动安排。以豆包这类支持表格上传的工具为例，把整理好的表交给它做逐维度拆解，比口头描述数据高效得多，具体功能以所用版本为准。

让 AI 做交叉与归因

单维数据看不出问题，交叉才见真章。让 AI 回答三类问题：哪类渠道的转化率明显低于均值，差距出现在漏斗哪一层；客单变化与品类结构的关系，是涨价带来还是件单下降拖累；退款集中的商品与渠道有没有重合。要求它每个结论后面附上依据的数据行，方便你回表核对，避免模型顺着想象编因果。

复盘产出要落到动作清单

复盘的价值在下一步动作。让 AI 把发现转成清单：每条写明问题、依据、下次大促的改进动作、负责人占位。比如流量维度发现某渠道访客高转化低，改进动作就要具体到首屏承接内容与人群定向的调整，而不是一句空泛的「优化渠道」。清单控制在十条以内，按预期收益排序，只保留做得动的，全都要改等于都不改。

避开的三个常见坑

一是把单日波动当趋势，大促期间的日数据受节奏影响大，结论要看整体区间；二是只复盘自家数据，少了行业与竞对的参照，涨幅无法判断是水涨船高还是真进步；三是复盘会开完清单就归档，下次大促没人翻。把改进清单放进下一次活动的前置检查里，复盘才算真正完成一个来回。

数据之外的软信息同样值得进复盘：客服与售后在活动期间收到的高频问题、仓储同事反馈的异常件、直播间评论里反复出现的疑问。这些信息散落在各处，让 AI 把你口述或粘贴的原始记录归类汇总，与数据维度的结论互相印证——数据显示某品类退货高，客服记录里恰好集中了该品类的尺寸疑问，两条线索对上，改进方向就清晰了。定量与定性两条腿走路，复盘的结论比纯数据版扎实得多。这类软信息的整理成本低，却常常是数据解释不了的异常的出处，越是销量平稳看不出问题的大促，软信息越可能指出下一步的机会点，养成活动期间随手记录的习惯，复盘时才有料可用。

延伸阅读：渠道分析与投放复盘、账号复盘看哪四个指标、销售数据外推做补货。

复盘会开完要留下的四样东西

• 每个结论后面附上数据行
• 改进动作写到具体承接内容
• 清单按预期收益排序，十条以内
• 清单进下次活动的前置检查
• 客服与仓储反馈归到对应维度

最容易被跳过的是把清单塞进前置检查，少了这一步，复盘会开完就等于归档。

大促复盘只有 GMV 数据能做吗

• 历史大促数据跨年可比吗？：注意口径变化，平台规则、活动节奏、品类结构每年都可能调整，跨年对比先统一口径，再谈涨跌。
• AI 会把数据算错吗？：上传的表格内容它不会改，但计算与归因结论要抽查，关键数字自己用原表复核一遍，再进入讨论环节。
• 复盘报告要写多长？：以能指导下次动作的长度为合适，清单加依据比长篇描述有用，管理视角看结论，执行视角看动作。