下一代体育营销AI为什么会从生成文案变成主动寻找球迷运营机会的Marketing Agent？

这条提示背后的东西，就是体育营销领域正在出现的Marketing Agent。它和过去的营销AI最大的区别，不是文案写得更好，而是它会主动去看数据、发现值得处理的变化，并且把一个模糊的问题拆成可以执行、可以审批、可以衡量的动作。

写文案的AI在等人提问，Marketing Agent先去发现问题

过去一年，体育营销团队已经习惯了让生成模型写赛前海报文案、会员短信和社交媒体帖子。只要输入“周六主场对阵某队，面向老会员，语气热情”，一分钟就能拿到二十条候选。但这种用法有一个前提：人已经知道要做什么活动、面向谁、在什么时候发。

真正困难的恰恰是这个前提。运营团队每天面对票务、商城、内容和会员几套系统，很难及时察觉某一群用户的行为正在变化。等到赛季末复盘时才发现一批老会员半年没来，往往已经错过了最合适的沟通时间。

Marketing Agent的价值在于把“发现问题”这一步也纳入系统。它按照设定好的规则持续巡检关键指标，发现异常后不直接行动，而是先把问题描述清楚、把可能原因列出来，再交给人决定。在体育营销大模型的整体设计里，Agent是站在各个模型之上的协调层，而不是替代它们的单一模型。

Detect：一条“连续三场未购票”的信号是怎样被确认的

“连续三场没买票”听上去是一个很明确的信号，但在体育场景里，它可能只是赛程造成的假象。所以Agent在发出提示之前，要先做几项排除：

• 对比历史基线：同一群体在过去两个赛季的同一阶段，连续三场未购票的比例通常是多少。如果每年这个时候都有类似波动，就不值得单独提示。
• 排除赛程因素：这三场是否恰好集中在工作日、节假日或者恶劣天气；主场是否因为场馆原因改在了其他城市。
• 排除数据缺口：票务系统是否有接口中断，是否有用户改用了家人账号购票。
• 确认群体大小：人数太少时，比例波动可能只是偶然，Agent会标注“样本不足，仅供参考”。

只有通过这些检查，一个指标变化才会在欧宝体育AI的后台被记录为“运营机会”。在这个模拟场景里，312人的比例明显高于往年同期，且三场比赛有两场在周末，赛程因素不足以解释，所以Agent继续进入分析环节。

Analyze：同样是没买票，要拆开五个可能原因

这一步是Agent和简单规则引擎拉开差距的地方。规则引擎看到“三场未购票”，大概率直接触发一张优惠券；Agent会针对每个用户，从五个方向查找证据：

1. 赛事兴趣：这三场的对手、比赛重要性是否与用户过去到场的比赛明显不同。有的用户只看强强对话或同城德比，平淡的常规赛本来就不来。
2. 价格：最近是否有票价调整，用户过去常买的座位区是否涨价，他是否浏览过票务页面却没有下单。
3. 开赛时间：三场里有几场是工作日晚上，用户过去是否几乎只在周末到场。
4. 会员状态：会员是否即将到期、是否刚刚失去某项权益、优先购票资格是否受到影响。
5. 内容互动：用户是否仍然每天打开球队内容、观看集锦、参与讨论。如果内容互动没有下降，说明兴趣还在，只是到场条件发生了变化。

每个方向给出的都是证据和置信程度，而不是一个定论。一个用户可能同时符合“工作日晚场”和“票价上调”两条，Agent会把两条都保留，而不是强行只选一个。

Segment 与 Suggest：312人被拆成四组，每组得到不同建议

分析完成后，分群模型把这批用户按主要原因重新聚合。以下是模拟场景中的结果：

最后一组值得特别说明。一个成熟的Agent应当允许“不行动”作为建议之一。在证据不足的情况下贸然打扰高价值用户，得到的往往不是购票，而是退订。

Agent调用了哪些模块，每个模块只负责一件事

从外部看，这像是一个“会自己思考”的系统；从内部看，它是一次有明确顺序的模块调用。欧宝体育大模型中的Marketing Agent在这个场景里依次调用了：

• CRM数据：读取用户的购票、会员、商城和内容记录。Agent只拿到经过权限过滤的字段，看不到手机号、证件号等敏感信息原文。
• 分析引擎：完成基线对比、赛程排除和异常确认。
• 分群模型：把312人按主要原因聚成几组，并给出每组的特征描述。
• 预测模型：估计每组用户在接下来两场主场的购票可能性，以及如果不触达、自然回来的比例。
• 推荐模型：为每组挑选最合适的场次、座位区或会员权益。
• 生成模型：在方案确定后，为每组写出短信、App推送和会员邮件的候选文案。

Agent自己负责的是编排：决定先调用谁、如何把前一个模块的输出交给下一个模块、在哪里停下来等待人工确认。这种分工的好处是，每一步都可以单独检查。如果分群结果看起来不对，可以只回头检查分群模型，而不必怀疑整个系统。更多关于模型分层的说明，可以参考AI大模型页面。

权限边界：Agent能读什么、能写什么、不能碰什么

让一个系统主动发现问题，最需要提前说清楚的就是边界。在这个模拟场景中，俱乐部为Agent设置了以下规则：

可以自主完成的事

读取授权范围内的行为数据、运行分析和分群、生成建议方案和候选文案、在后台创建待审批的活动草稿。

必须经过人工审批的事

任何面向用户的实际发送、任何涉及价格或优惠的调整、任何新增的会员权益、任何超出单次预算的活动。

完全不能做的事

修改票价和座位库存、修改会员合同中已承诺的权益、访问未授权的个人敏感字段、绕过频控规则向同一用户重复发送。

预算上限与频控

每次Agent发起的活动草稿都带有预算上限，例如单次活动的优惠成本不得超过某个金额，单个用户获得的优惠不得超过一张票面价的一定比例。频控规则则规定：同一用户七天内最多收到两条营销消息，比赛日当天最多一条；已经在其他活动中被触达的用户，会被自动从新草稿中剔除。这些限制写在Agent的执行层里，而不是写在提示词里，Agent无法自行放宽。

人工审批放在“发出之前”，而不是“出事之后”

在这个流程中，人工审批设置在活动正式发出之前。运营人员在审批页面看到的，不只是文案，还包括：每组的人数和证据摘要、预计触达成本、与近期其他活动的重叠情况、留出组的设置，以及Agent对效果的预估区间。

审批人可以做三种操作：通过、修改后通过、驳回。修改和驳回的理由会被记录下来，作为下次生成建议时的参考。例如审批人把“价格敏感组”的替代座位建议改成了“家庭套票”，理由是这批人里多数过去带孩子到场——这个信息Agent没有直接从数据里看出来，但它会在下一次分析中增加对同伴购票的关注。

审批的意义不只是防错，还在于让运营人员理解Agent在做什么。一个没有人看懂的自动化系统，出了问题也没人能及时发现。

一次失败案例：Agent把“客场周”误判成流失

以下同样为模拟场景。在另一次巡检中，Agent提示一批核心用户连续两周没有任何票务和商城行为，建议发送挽回消息。审批人觉得奇怪，展开证据后发现：这两周球队正好连续踢了三个客场，而这批用户中有不少人跟随球迷组织自行前往客场观赛，购票渠道不在俱乐部系统里。

问题出在Detect环节的赛程排除规则只检查了“主场是否有比赛”，没有检查“是否处于连续客场期”。如果这次建议被直接执行，最忠实的一批球迷会在客场看台上收到一条“好久不见，回来看看吧”的消息。

这次失败带来了三处修改：赛程排除规则增加了连续客场判断；内容互动和社群发言被加入流失判断，只要用户在讨论客场比赛，就不会被标记为流失；审批页面增加了“当前赛程阶段”的显示，让审批人一眼看到背景。这个案例也说明，人工审批不是形式，它拦下的是数据本身看不到的现实情况。

Measure：用留出组判断Agent的建议是否真的带来了额外购票

活动发出后，最容易犯的错误是只看参与活动的用户有多少人买了票。时间受限组里本来就有一部分人会在周末主场自然回来，把这部分人都算成活动效果，会高估Agent的价值。

因此每个分组在发送前都会随机留出一部分用户，不发送任何消息。两场主场之后，对比发送组和留出组的购票比例，差值才是活动带来的增量。在这个模拟场景里，可以得到类似这样的结论：

• 时间受限组的增量明显，说明提前推送周末场次的建议有效。
• 会员到期组的续费率有提升，但单场购票没有差异，说明这组用户关注的是续费本身。
• 价格敏感组在改成家庭套票后才出现增量，印证了审批人的判断。
• 原因不明组在观察周期结束后，有一部分人自然回到现场，说明当时选择不打扰是合理的。

这些结果会回流到Agent的判断中，也会在欧宝体育App的项目页里留存，供下一轮活动对照。关于单个会员在连续缺席时如何判断原因，可以继续阅读会员连续三个月没有购票，AI应该先判断什么。

Marketing Agent的出现，并不意味着营销团队可以把工作交给机器。更准确的描述是：它把运营人员最难抽出时间做的那部分工作——持续观察、提前发现、初步归因——变成了每天都在进行的例行工作，而把真正需要判断力的部分，例如该不该打扰、预算花在哪里、哪些承诺不能动，留给了人。