用预测AI做购物车放弃挽回:超越基础的邮件提醒

电商平均购物车弃单率约为70%。对于一家年收入1000万美元的零售商来说，这意味着大约价值2300万美元的商品被加入购物车却从未被购买。标准的挽回策略——在弃单后1小时、24小时和72小时分别发送三封提醒邮件——通常能挽回3-5%的弃单购物车。这比什么都不做要好，但也只是触及了皮毛。

一家在线销售额约1800万美元的家居零售商，使用标准邮件序列挽回了3.8%的弃单购物车。在切换到AI驱动的挽回系统后——该系统为每位弃单用户个性化定制发送时机、渠道、消息内容和激励措施——他们的挽回率跃升至14.2%。按其销售量计算，这相当于每年额外挽回约140万美元的收入。

为什么标准邮件序列表现不佳

典型的弃单邮件序列对每位弃单用户一视同仁。相同的时机、相同的消息、相同的优惠。但购物车弃单的原因千差万别，最佳的挽回方式取决于弃单原因。

有些弃单用户从来就不是认真的买家。他们只是在浏览、比价，或者把购物车当作心愿单使用。无论你如何努力挽回，这些人都不太可能转化，而向他们发送激进的折扣邮件反而会训练他们将弃单作为寻求折扣的策略。

有些弃单用户遇到了特定的摩擦点：意外的运费、复杂的结账流程、支付方式被拒绝，或者需要创建账户。这些人本来想购买，却被实际障碍阻止了。对他们来说，正确的挽回方式是解决摩擦点，而不是提供折扣。

有些弃单用户只是被分心了。他们本打算购买，但被打断后忘记了。这些是最容易挽回的，通常在几小时内发送一个简单的提醒就能奏效，完全不需要任何激励。

有些弃单用户正在货比三家。他们在多家零售商的购物车中放了相同的商品，最终会从提供最优价格或最便捷体验的商家购买。对于这类用户，时机至关重要，因为如果竞争对手先挽回了他们，你就失去了这笔订单。

预测模型的不同之处

AI模型根据用户的行为信号将每位弃单用户分类到可能的原因类别中。一位花了45分钟浏览、在三个品类中添加了五件商品、在看到运费后于结账环节弃单的客户，与一位从Google Shopping广告进入单个产品页面、添加商品后在90秒内离开的客户，看起来截然不同。

分类使用的特征包括：会话时长和深度（浏览页面数、站内停留时间）、购物车构成（单件商品vs多件商品、购物车总价值、产品类别）、弃单节点（浏览阶段、购物车审查阶段、运费计算阶段、支付输入阶段）、客户历史（新客vs回头客、历史购买记录、历史弃单及响应情况），以及流量来源（自然搜索、付费搜索、社交媒体、邮件、直接访问）。

基于分类结果，模型在四个维度上选择最优挽回策略。第一个是时机。对于被分心的购物者，1-2小时内的提醒转化率最高。对于货比三家的购物者，速度更为关键，30分钟内的挽回消息可能决定了这笔交易的成败。对于并非认真购买的浏览者，等待24-48小时后通过产品推荐而非购物车提醒来重新触达，效果更好。

第二个维度是渠道选择。对于历史上与邮件互动较多的客户，邮件效果最好。短信的打开率更高但点击率较低，最适合只需轻推一下的高意向弃单用户。推送通知（针对安装了你的App的客户）对限时优惠很有效。社交媒体或展示广告网络上的再营销广告适合仍处于研究阶段、需要多次触达才能转化的客户。

第三个维度是消息内容。因运费而弃单的客户应该看到突出免运费选项或运费折扣的消息。弃单了高价值购物车的客户可能对分期付款选项反应更好。总是购买特定品牌的回头客应该看到强化品牌价值的消息，而非通用折扣。

第四个维度是激励力度，这也是模型节省最多成本的地方。并非每位弃单用户都需要折扣。模型预测每个激励水平（无折扣、5%、10%、15%、免运费）下的转化概率，并选择能达到目标转化概率的最低激励。如果一位客户在无激励情况下的预测转化概率为40%，给他们15%的折扣纯粹是在损毁利润。如果另一位客户在无激励情况下的预测转化概率为5%，但在10%折扣下为25%，那么这个激励就因增量收入而合理。

增量性问题

购物车弃单挽回中一个关键错误是将所有挽回的收入都视为增量收入。如果一位客户本来就会回来完成购买，那么挽回邮件（尤其是带折扣的）并没有产生收入，只是白白让出了利润。研究表明，30-40%的挽回购物车即使没有任何干预也会完成转化。

AI模型通过维持对照组并衡量真实增量性来解决这个问题。对于每个客户细分群体，一定比例的用户不会收到任何挽回触达。将触达组与对照组的转化率进行比较，就能得出真实的增量提升。如果触达组转化率为14%，对照组转化率为9%，那么真实的增量挽回率是5%，而不是14%。

这种增量性衡量也为激励优化提供依据。如果某个客户细分群体在无激励情况下转化率为12%，在10%折扣下转化率为15%，那么折扣仅产生了3个百分点的增量转化。根据利润结构，这3个百分点可能不足以证明对所有15%转化者都应用10%折扣的合理性。

实施步骤

第一阶段涉及对你的网站进行埋点，以捕获分类所需的行为信号。你需要追踪完整的会话旅程（浏览的页面、每页停留时间、交互行为）、结账流程中的确切弃单节点，以及弃单时的购物车内容。大多数分析平台（GA4、Segment、Mixpanel）通过正确的事件追踪设置即可捕获这些数据。

第二阶段使用历史弃单数据构建分类模型。你需要至少6个月的弃单事件及其结果数据（是否最终转化、花了多长时间、什么触发了转化）。梯度提升模型（XGBoost或LightGBM）非常适合这类分类任务，可以在普通笔记本电脑上完成训练。

第三阶段将模型与你的营销自动化平台（Klaviyo、Braze、Iterable或类似平台）集成，根据模型输出触发个性化的挽回序列。大多数平台支持API触发的流程和动态内容，这正是你为每位客户调整时机、渠道、消息和优惠所需要的。

对于仍在使用标准三封邮件弃单序列的电商零售商来说，升级到预测性挽回是最直接的AI实施之一，因为数据已经在收集中（你只需要加以利用）、模型相对简单易构建，而且影响可以直接通过挽回收入来衡量。挽回4%和14%弃单购物车之间的差距，根据你的销售量，往往意味着每年六位数甚至七位数的收入差异。