近日，赋传中国·全球国际消费品AI新时代破局年终大会成功举行。神策数据创始人、CEO 桑文锋以"打造 AI Growth Team，引领品牌零售增长新范式"为题发表演讲。
演讲中，他结合神策数据在品牌零售与数字化增长领域的长期实践，系统阐述了 AI 时代企业如何从"工具型应用"走向"组织级能力重构"，并分享了以数据与 AI 为核心，构建 AI Growth Team、推动用户经营迈向自动驾驶的思考与路径。
以下为演讲实录：
大家上午好。
今天很高兴和大家做一个分享。神策数据成立于 2015 年，到现在差不多已经十年了。过去这十年，我们基本只做了一件事------帮助客户真正实现数据驱动。
从 2023 年开始，随着 AI 时代、大模型时代的到来，这对我们的整体思路产生了非常大的促进作用。但在过去两年多的时间里，我们也一直在探索：围绕 AI，这件事情到底该怎么真正做好。AI 带来了巨大的想象空间，同时也带来了非常大的落地难度------真正深入到具体业务场景，其实并不容易。
在这两年多的探索过程中，我们踩过一些坑，也取得了一些阶段性的成果。尤其是在围绕神策打造 L2 到 L3 级别的用户智能运营系统过程中，我们做了大量探索。到 2026 年，对我们来说会是一个非常重要的跨越节点：
一方面，在国内场景下，我们正在探索 L3 级别的 Data + AI 智能系统；另一方面，在海外国际化版本上，我们直接在探索 L4 级别的智能运营系统。今天，我想围绕这些实践，跟大家做一次系统性的分享。
过去十年，神策累计服务了大约 2500 多家客户，主要集中在互联网、金融和零售等行业。其中，零售是我们合作最深入的领域之一。零售本身是一个重营销的行业：既要把产品做好，也要把产品持续卖给合适的用户，还要不断提升复购率和用户生命周期价值，这些本身就是非常有挑战的事情。
截至目前，我们已经服务了200+ 家品牌零售企业，覆盖奢侈品、鞋服、3C 等多个细分领域。我相信在座的嘉宾中，也有不少企业已经和神策有过合作。对于零售增长过程中遇到的痛点，神策在实践中有着比较深入的理解。
在我们看来，数据驱动本质上是一种组织能力。真正把数据驱动做好，并不是简单上线一套系统就能解决的问题。早期我们服务互联网企业时，相对容易一些，因为业务天然是线上化的，链条短、反馈快。但零售行业完全不同：线下履约、品牌建设、多部门协同并存，数据驱动的落地，本质上是一项系统性的组织工程。
过去，神策主要从两个方向推进这件事：一是持续打造更强大的数据平台，围绕神策分析、神策智能运营和神策 CDP 不断打磨；二是通过咨询和陪跑，帮助部分客户以相对重的方式把体系真正跑起来。
但坦率地说，这条路并不是每家企业都能走通。相关角色未必能配齐，整体投入成本也不低。如果企业本身的数字化基础和商业模型不足，ROI 很容易算不过来。
因此，我们始终认为：数据驱动是一种组织能力，而 AI 的出现，为这种组织能力提供了新的可能性。
目前，神策的核心产品可以概括为"三大引擎"。第一是神策分析，聚焦深度分析与用户洞察；第二是神策智能运营，围绕用户全生命周期进行旅程编排和优化；第三是神策数界平台，也就是我们的 CDP，负责整合全域用户数据、构建标签体系，支撑分析与运营。
过去十年，我们一直围绕这套体系持续打磨，也在细分领域中建立了相对领先的优势。但仅有强大的数据平台，仍然远远不够。真正的问题始终是：数据如何驱动业务增长？在我看来，真正的数据驱动至少需要两样东西：数据本身，以及对业务的认知和知识。只有把数据和知识结合起来，价值才能真正释放。大模型本身确实非常强大，这一点大家已经有非常直观的感受。
比如 AI 编程能力，在 2024 年年中，AI 写个一百多行代码还容易出错；而最近，大家应该也看到一些案例，比如 AI Agent 连续运行一周，写出上百万行代码，做出一个可运行的浏览器。虽然效果还不完美，但能力的进化速度非常惊人。我自己最近也在实验用 AI 写一个MiniOS 操作系统，虽然还没成功，但这个过程中能明显感受到，AI 的能力在持续进化。但同时也要看到，大模型有非常明确的局限：它无法天然掌握企业的私有数据和私有知识。
关键的经营数据，你会放到公网上吗？不会。企业内部长期积累的运营经验、业务洞察，你会完全暴露出去吗？同样不会。所以，AI 真正要发挥威力，必须把企业的私有数据、私有知识，与大模型能力、Agent 能力结合起来，才能产生实际价值。
基于这一判断，神策一方面持续夯实三大引擎的数据基础，另一方面也在探索如何将 AI 深度融入分析、运营、标签等关键环节，并与客户自身的数据和知识结合，目标是逐步实现 L3，甚至 L4 级别的智能系统。
其中一个非常关键的基础，就是私有知识的构建。过去两年，随着大模型的发展，大家对 RAG 技术做了大量探索。RAG 本质上是一种检索机制，但它也存在明显的局限，比如检索不全、遗漏关键信息等问题。尽管如此，RAG 依然是目前将企业私有知识与大模型能力结合的一个重要路径。私有知识构建得越好，AI 能发挥的能力就越大。
在实践中，我们把知识大致分成四层：第一层是通用的数据驱动方法论，这是神策长期积累的基础；第二层是行业知识，比如互联网、金融、零售，以及零售中的鞋服、奢侈品等细分领域；第三层是具体业务场景，比如拉新、留存、变现等；第四层是企业自身的实践经验，包括具体做过的活动、复盘过的经验教训。
这一层非常关键，因为它决定了 AI 在生成新策略时，是否会重复踩坑。很多经验如果不能被沉淀下来，就会随着人员流动而流失。从企业长期经营的角度来看，知识工程本身是一件非常必要的事情。
在平台能力层面，神策以三大引擎作为底座，在此之上构建 Agent 框架能力，包括模型调用、接口封装、MCP 管理等，进一步在服务层构建分析、标签、策略生成等智能体，再向上延展到具体的交互和业务场景。
从整体框架上看，各家在做 AI 落地时的大方向是相似的。神策的优势在于，过去十年持续深耕数据平台建设，底层基础已经相对扎实，核心挑战在于如何把 Agent 层真正做好。
从企业经营的角度来看，企业的核心无外乎三件事：第一，创造价值，提供什么样的产品和服务；第二，用户经营，如何把用户经营好；第三，商业模式，如何实现持续盈利。神策无法替企业做产品创新，但可以在用户经营这一核心环节，帮助企业提升效率和效果。
围绕用户经营，常见的挑战主要集中在三点：第一，用户洞察不够及时、不够准确；第二，人群圈选和分层不精准；第三，增长策略难以持续优化。
因此，我们在打造 Data + AI 平台时，也是围绕三个核心环节展开：全局诊断、异常发现、人群洞察、策略生成、执行与效果评估，形成完整闭环。
在智能分析层面，最基础的是"问数"，但问数要做好，对底层数据和指标定义要求非常高。为此，神策在开放能力、MCP 封装等方面做了大量工作，也支持客户将神策能力接入自身熟悉的开发工具中。
当然，这类能力对使用者仍然有一定门槛。因此，我们也非常重视可视化和交互体验，希望通过 AI 生成更贴合业务需求的分析界面，降低使用难度，真正服务于业务人员。
这个 Demo，其实已经在部分金融客户中落地，并正在和部分零售客户共同推进。坦率地说，如果在 2023 年，我很难相信两年时间能做到今天这个程度。当时我有一个畅想：既然汽车可以实现自动驾驶，用户经营是否也有一天能实现自动驾驶？理想状态下，企业只需要把产品做好，设定目标和预算，剩下的用户经营工作由系统自动完成。
今天我们看到，这样的能力已经开始显现。目前的系统大致处于 L2 到 L3 阶段，距离 L4 仍有差距，但 AI 在洞察、人群圈选、策略生成和效果评估等方面的能力，已经远超很多人的想象。
在分析准确性方面，我们采用分层设计，对基础指标进行严格约束，确保"知之为知之，不知为不知"，在此基础上再让 AI 发挥分析和洞察能力，从而提升整体可信度。
在标签和人群洞察方面，我们将传统机器学习方法与大模型能力结合，通过历史数据挖掘出关键特征，再由 AI 辅助完成洞察和策略设计。
在智能运营层面，核心是策略生成和执行。这里既依赖数据和模型能力，也高度依赖知识库的支撑，包括历史活动经验、成功和失败的案例沉淀。
在实际客户共创过程中，我们往往会先系统梳理企业知识，再将这些知识与数据进行映射和校验，持续修正经验边界，最终形成更高质量的企业知识体系。
最后，我想特别强调一点：数据安全是神策始终坚持的底线。数据安全对企业来说是"生命线"。神策从一开始就坚持私有化部署路线，在合规、安全和业务效率之间持续寻找平衡，也积累了丰富的经验。
今天的分享就到这里，神策数据欢迎各位与我们交流，谢谢大家。
✎✎✎
【更多内容 】
▼ 点击**"** 阅读原文" ，了解更多神策数据