新客从哪里来？沃博联用AI把1亿会员变成新客雷达
沃博联用1亿第一方数据训练预测AI，实现广告70%为品牌新客。企业如何摆脱标签幻觉，建立基于行为序列的增量预测体系？深度解读零售媒体AI实战方法论。
未来的企业竞争，不是产品之争，而是认知之争。谁掌握了消费者的认知图谱，谁就掌握了市场的定价权。
在流量红利消退、获客成本高企的今天，多数企业正陷入一个令人窒息的死循环：不投广告，没客户；投了广告，来的大多是羊毛党或一次性过客，真实的增量贡献微乎其微。
我们总说“精准营销”，但绝大多数所谓的精准，无非是把同一段粗暴的硬广，扔给了一个规模更小、标签更细的分组。这本质上仍是旧世界的盲人摸象，只摸到了“这个人可能对什么感兴趣”，却摸不到“这个人到底会不会买”。
沃博联（Walgreens Boots Alliance）给出的解法，彻底撕开了这道裂缝。它不满足于标签的推测，而是直接用超过一亿会员的真实购买行为训练AI，在广告竞价的毫秒级瞬间，预判转化的确定性。这不仅仅是一次技术升级，更是一场从“概率游戏”向“确定性结果”跃迁的营销范式革命。
一、为什么你的新客越来越难找？
先看一个扎心的现象。许多消费品品牌的CMO私下里都会承认，他们年度的千万级广告预算中，真正带来可衡量新客增长的比例，往往低得令人发指。
这不是单一品牌的问题，而是传统数字广告底层逻辑的集体失效。我们过去依赖的第三方Cookie正在消亡，平台围墙花园里的数据又像黑箱一样无法穿透。这导致一个可怕的后果：品牌花钱买的流量，本质上被锁定在了“过去已经表现出兴趣”的人群画像里。
你投出的广告，绕来绕去，永远撞在同一堵回音壁上。严重的信息茧房效应让增量客户拓展近乎窒息。品牌方需要的不再是“猜你喜欢”，而是能在你还没来得及“喜欢”之前，就识别出你具备购买潜力的预测能力。这正是沃博联零售媒体革命的核心切入点。
二、沃博联的核武器：1亿会员数据训练的“新客雷达”
2020年底，沃博联推出了王炸级的内部创业项目——Walgreens Advertising Group（wag）。表面上看，它似乎只是一个大型零售企业自建的广告网络，但其内在肌理，决定了它是一个用AI重构了的“人本智能”平台。
2.1 从标签画像到人本智能
wag的根基，是超过一亿（100+ million）myWalgreens忠诚度会员的第一方购买数据。这些数据涵盖线下药房、线上购物、健康服务等跨渠道的真实交易记录——不是推测，不是意向，而是真实的现金流记录。
基于这份独占数据资产，wag启动了Advanced Data Modeling（高级数据建模）。它不是简单贴标签，而是生成自定义受众。这意味着，一个快消品牌想找到“可能为自己家新生儿购买敏感肌润肤露的新妈妈”时，wag的模型不是去找“曾搜索过婴儿用品”的人，而是基于跨品类的购买序列、复购周期、门店访问频次，精确锁定那些消费行为正在发生实质性迁移的真实人群。
这就是人本智能（People-based Intelligence）的恐怖之处：它跨越了设备、Cookie和平台黑盒，直达独一无二的真实个体。
2.2 对决毫秒级竞价的预测AI
仅有数据还不够，真正的胜负手发生在广告竞价的那一瞬间。Adweek在报道中指出，walgreens的预测AI模型，能在广告出价前的毫秒（milliseconds before a bid）内完成优化。
具体在发生什么？当你打开某个网站或App，广告位请求发出的瞬间，wag的AI引擎就开始了闪电般的运算。它调取该用户过往在Walgreens的真实购买数据，并将之与本次广告活动的目标变量进行比对。这一刻，模型不是在问“这人会点吗”，它在计算的算式是：“这次展示，到底能在多大程度上提升这个家庭对这个品类的实际店内消费份额？”
一旦算出最优解，系统立即做出竞价决策，整个过程完全自动化，且基于已验证的购买数据实时持续优化。传统广告的ROI通常以天甚至周为单位复盘，而在这套系统里，反馈闭环其实是以微秒为尺度的。
三、70%新客率：打破漏斗的“反常识”数据
如果故事只停留在技术本身，那不过是又一篇厂商推销通稿。然而，第三方测量结果给了这套系统一个难以反驳的验证。
根据The Drum报道的Lift®独立归因案例，某《财富》500强供应商在wag投放后的数据显示：在接触到广告的买家中，高达70%是品牌的新客，更惊人的是，其中40%甚至是该品类的新客。
这副数据太“反常识”了。按照传统漏斗逻辑，广告首先触达的应该是早已进入“考虑池”的人群，转化率才会高。但wag的AI偏偏反其道而行，直接向外环渗透。为什么会这样？大概率是因为那套预测模型，预判到了一般大数据画像根本无法感知的“沉默需求”。
什么算沉默需求？可能是一位中年人为了未出世的孙辈开始提前采购纸尿裤，可能是某个健康意识突然觉醒的肥胖症患者需要无糖饼干。在传统标签体系里，这两个人大概率被排除在“母婴”和“健康零食”的兴趣人群之外。但行为数据的变迁轨迹骗不过那个由一亿人生活记录组成的庞大大脑。对品牌而言，这40%的品类新客意味着什么？不是多卖了几块钱的货，而是切入了竞对的保家卫国腹地，完成了用户心智的转移。
四、中国老板的困局：我们明明也有海量数据，为何用不好？
读到这里，许多中国企业家和营销负责人可能会产生强烈的既视感。我们也有巨量的数据，甚至可能更丰富。头部电商平台上的旗舰店数据、线下几万家的扫码交易数据、企业微信里积攒的千万级私域会员。但是，为什么我们手里的数据只能用来发复购优惠券，而沃博联能把数据变成精准打击的新客增量？
因为绝大多数中国企业的数据，是死的，是沉睡的，是割裂的。更致命的是，很多企业陷入了三种典型的执行幻觉：
- 标签幻觉：认为给用户打上“高净值”“白领”“精致妈妈”的标签，就叫数据驱动，本质上只是在用刻板印象做复读机。
- 触点幻觉：把私域里的无限群发、自动回复，等同于智能化运营，实则只有打扰频率的区别，毫无预测深度可言。
- 交易数据片面症：只盯着最后一击的转化数据，严重忽视了购买前长达数月的行为轨迹变迁。
我们用标签定义人，而沃博联用行为演进去预测人。这两者之间，差了一整个营销制造代际。
五、没有一亿会员，中国企业如何抄作业？
不站住脚喊口号是没用的。中国99%的企业不具备沃博联那样庞大的自有生态。但这并不妨碍我们去提取这个案例中可适配的方法论。核心不是拥有多少数据，而是对数据资产的激活算法。企业可以分三步走：
第一层：重新定义“第一方数据资产”
请立即停止只看人口统计学的标签分类。把团队精力全部转向构建“行为序列数据”。哪怕你只有一个十万人的会员池，也要开始记录他们跨时间、跨品类的细微互动变化。比如，一个过去只买狗粮的用户，最近开始浏览猫砂，这背后可能就意味着他家里新增了宠物成员，连带引发了整个宠物用品消费结构的重置。
第二层：建立“品类新客”的预测心智
把KPI从简单的ROI拉出来，引入“增量新客贡献度”和“品类渗透率”指标。这会让你的AI模型训练目标发生根本性偏移。不要问“谁会把这条广告看完”，而要问“谁最有可能因为这连续三次巧妙的触达，而从竞品那里变节过来”。
第三层：借船出海的联邦学习实验
既然我们没有独占性的全链路数据，那就必须学会利用零售媒体网络和平台的数据能力，在合规前提下，进行联邦建模实验。今天在中国，无论是抖音的千川，还是阿里的达摩盘，亦或是像宝尊、多点这类零售服务商的AI能力，某种程度上都提供了“半开放”的高阶预测建模接口。企业要做的，不是只让优化师去建计划，而是要促使数据科学家介入，用自己一方细微但真实的种子数据，去训练那些庞大的通用模型，以寻找你所在特定领域的“品类新客绿洲”。
六、预测式营销的时代，从承认无知开始
沃尔格林广告集团的实践，剥去AI技术的外衣，其实隐含着一个残酷的商业真相：过去一百年，品牌方其实一直不知道自己的顾客究竟在哪里。我们只是大致朝着一个人口统计学的方向，进行漫无目的的扫射。
以确定性的购买行为推导不确定性的潜在需求，这才是AI营销带给我们在底层认知上的最大冲击。当预测的精准度能从毫秒级的出价算法中渗透出来，当广告不再是成本中心而变成新客挖掘机，企业增长真实的拦路虎，或许不再是预算多少，而是组织内部有没有那种敢于拆解“沉默需求”、正视“行为真相”的数据信仰。
如果你今天还不能回答出，在你全部的成交用户中，有多少是过去半年其实不在你预期画像里的意外之客，那么你的下一次增长，可能早就是别人确定性预测模型里面的一个新客转化数字了。