阿里媽媽萬相點睛AI工具幫助林氏家居將布藝床精準投放給電競玩家群體，通過識別用戶搜索意圖與行為信號，理解商品特性，實現跨場景匹配。文章作者：Cynthia
文章來源：極客公園
2026 年夏天，林氏家居想賣一張布藝床。
然後，阿里媽媽萬相點睛為它找到了一群電競玩家，並建議他們向曾搜索「電競房佈置」「遊戲房改造」「RGB 燈帶」「二次元痛房」的用戶投放廣告。
對於林氏家居這樣一家誕生於互聯網、長期依賴數據經營的頭部品牌來說，這是個讓人匪夷所思的抉擇。
過去，林氏家居品牌已累積超過 5500 萬全平台粉絲、上萬款在售 SKU 以及一千餘家線下門店，是行業裡公認的爆款製造機。
在傳統的匹配邏輯下，一張床最自然的消費者應該來自裝修、新婚、換房，以及近期購買過家電家居的人。因此，廣告系統用預設的標籤匹配受眾，商家投流選擇裝修、傢俱、地板之類的關聯詞彙，就成為了團隊刻在肌肉中的記憶。相應的，一個搜索電競房佈置的年輕人，怎麼看都不像一張床最優先應該爭取的消費者。
但常識並不能在一個存量市場中帶來增長。
而 萬相點睛 看到的並不是「電競」這個標籤，而是標籤背後的一整套消費意圖：它發現，這群年輕人為了獲得更好的遊戲體驗，本身就有很強的消費意願：他們會購買人體工學椅、4K 顯示器、RGB 氛圍燈，把自己的房間改造成一個更舒服、更沉浸、也更符合個人審美的空間。
沿著這條消費鏈繼續推論，對於 PC 遊戲玩家而言，一張可以舒服躺平的床，是整個電競房體驗的一部分；對於手遊玩家而言，床甚至不只是休息場景，靠在柔軟的布藝床上玩遊戲，本身就是一種更舒適的遊戲體驗。換句話說，他們是在為一種生活方式消費。
想通這一層，團隊當即拍板：投！
最終的結果也超過了許多人的預料。新客點擊占比超 80%+，新客成交金額占比高達 83%。在精準鎖定新客群之外，最令團隊驚喜的是：在此之前，還沒有任何一個家居品牌發現這片藍海，因此團隊的加購成本還不到傳統裝修人群的 1/3。
於是，一張柔軟的布藝床，與電競建立了聯繫。在這之後，這套打法甚至被擴展至床頭櫃品類，幫助林氏家居發現了需要收納睡眠保健品且拿取方便的助眠新目標客群。
一個全新的系統，也讓廣告從存量博弈走向了 AI 驅動的增量時代，並讓發現新人群、創造新增量成為可能。
01 為什麼傳統廣告定向越來越難找到新增量
數字廣告並不是到了大模型時代才開始依賴算法。
近 20 年，基於傳統機器學習的「協同過濾」（相似性匹配）就已大規模進入廣告系統。在這套系統中，商家的「買」和平台的「配」是兩件分開的事。廣告系統基於用戶看過什麼、買過什麼的歷史行為，來為用戶打上標籤。然後，商家先買人群包、買關鍵詞，平台再把消費者需求映射成標籤去做匹配。
這套方法在增量市場中非常有效。因為當一個品牌找到十萬名消費者時，市場中往往還存在幾十萬、上百萬名與他們相似卻尚未被觸及的人。只要不斷擴大相似人群，增長就可以持續發生。
但一個行業經營得越久，參與者對高營銷價值消費者的認識就越接近。家具都在找裝修人群，美妝都在爭奪高消費女性，母婴都在圍繞家庭生命周期經營，運動品牌都知道跑步、騎行、徒步和露營意味著什麼。
因此，它帶來的只有越來越貴的流量費用，以及玩家飽和式投入後，越來越低的轉化效率。
此外，它天然有一個短板。在海量數據實時計算的體系中，消費者、商品和廣告的組合近乎無窮，平台不可能把所有關係都用最高成本算到底。電競玩家如果一直沒有進入「床」的候選範圍，後面的 CTR 模型再精確，也沒有機會替他打分。也是因此，歷史數據天然會獎勵那些已被證明過的關係。
但消費者本身並不是一個穩定標籤。
兩年前正在裝修的人，今天可能已不再有家具需求；平時屬於運動族群的消費者，也可能因一次旅行、一場演唱會或一次搬遷而突然進入完全不同的購買狀態。基於此類歷史標籤產生的推薦，往往也意味著相當比例的過時流量。
也因此，比「這個人是誰」更重要的問題，是他現在正在解決什麼問題。而這，正是 AI 驅動的「同步匹配」為廣告系統帶來的新能力：透過識別用戶的搜索意圖與行為信號，以及對商品特性的深度理解，AI 能幫助商家觸達原本標籤無法召回的人群，即使商家未主動針對這些場景進行投放，AI 也能協助觸達。
於是，一個新的增量藍海市場開始逐漸浮現在所有人的眼前。
02 人：從他是誰到他現在需要什麼
過去，想要買到一件合適的商品，對買家和賣家來說都是一門充滿未知的技術活。
對商家來說，他們只知道，一個人買過遊戲顯卡之後，更容易購買顯示器；一個人搜索過帳篷，之後更可能購買戶外用品。但放遠到更多的場景：一個在家裡布置了電競房的人，是否需要一張床？一個精緻的年輕女性，每天化妝出門前，她需要什麼樣的凳子？這就是一個完全超綱的問題了。
商家天然傾向於根據既有場景確定商品類別與 SKU。但消費者並非按照 SKU 生活。他們首先會搬遷、旅行、結婚、健身、觀看演唱會、打造遊戲房、化妝，然後才產生一連串具體的商品需求。而在購買行為發生前，他們還需要先將自己的生活需求翻譯成商品語言。例如，為長者購買手機，需將「音量大、字體大、操作簡單」拆解為一組產品參數；第一次露營，也需先了解帳篷、天幕、睡袋分別是什麼，才能進入平台的類別體系。
借助萬相點睛，商家現在不僅能知道用戶是誰，還能清楚地了解他在什麼場景下做什麼、需要什麼。例如，在人體工學椅領域做到領先的藝頌，就是這樣進入美妝女孩視野的。
在一开始，萬相點睛基於背後的世界知識體系，先幫助藝頌完成了對需求側的意圖識別，讀懂用戶下單美甲桌和化妝台背後其實是需要一個可能會長期使用的梳妝空間。
接著，大語言模型會推斷用戶的消費動機、偏好與購買階段，並將用戶行為序列編碼為結構化消費意圖表徵——比如，這是一個愛美且對生活品質有追求的女性用戶。
再經由語義對齊層完成從標籤命中到語義推理的轉變，將賣點向量與意圖向量在高維語義空間中映射對齊，同時透過因果推理匹配超越傳統相關性邏輯，理解用戶「為什麼買」的深層動因——例如普通的化妝凳又硬又沒有靠背，因此她們需要一把舒適的椅子來替代，且這把椅子必須足夠上鏡好看，還能旋轉、升降、滑動，以滿足化妝、辦公、學習之間的靈活切換。
最後，在供給側，萬相點睛透過商品理解洞察用途，利用大語言模型拆解商品賣點，構建多維結構化表達，並搭建覆蓋類別、功能、場景、人群的細粒度商品屬性圖譜，從而實現更深入的供需語義匹配——一個每天願意花時間打扮自己的女性，在下單化妝台之後，還需要一把椅子。而一把人體工學椅除了具備辦公這個標籤之外，同時還能匹配久坐支撐、靈活移動、空間百搭等多重生活場景需求。
借助這種更進一步的用戶需求洞察，廣告系統開始從 人群擴展 走向 意圖擴展，系統的異步定向匹配也被改變成了基於場景的實時定向匹配。
但只理解人還不夠。
如果一把工學椅永遠只能被定義成辦公傢具，那麼它依然很難把椅子和梳妝台、美甲桌這些看似無關的場景真正連接起來。一張床如果永遠只能被理解成臥室傢具，那麼無論系統多麼理解電競玩家，它也很难正確出現在電競愛好者的遊戲房中。
AI 定向同時還需要重新理解另一端：
货。
03 貨：一件商品，可以屬於多少個市場
過去的平台使用類目、屬性和 SKU 管理供給，這是商業系統能夠高效運行的前提。
一張床在系統裡首先是一件「傢俱」，擁有尺寸、材質、顏色、風格等屬性，然後，商品會按照它是什麼進入市場。
但消費者使用商品的方法，從來不會完全服從企業最初的产品定義：可口可樂最早被當成藥劑出售，微波爐來自雷達技術，運動鞋在不同年代從專業器材變成日常服飾。
商業史裡從來不缺用戶重新定義商品的故事。只不過，過去的問題發現往往依賴漫長的市場觀察、調研或者偶然事件。
Now, with Wanxiang Dianjing, AI can deeply understand the subtle connection between this product capability and user needs.
林氏家居賣給電競愛好者的布藝床、藝頌賣給美妝愛好者的人體工學椅，都只是其中一個案例。
更具代表性的是，萬相點睛幫助赫蓮娜將產品賣給滑雪與戶外人群的過程。
今年 5 月，萬相點睛為赫蓮娜圈出一批夏天衝浪、潛水，冬天滑雪的潛在客群。團隊看到結果時的第一反應是：「AI 會不會跑偏了？」畢竟，這些人的主要消費軌跡基本集中在運動裝備方向。
但 AI 敏銳地捕捉到了他們對防曬以及確定性的需求。這群人中，27.35% 優先關注品質，40.25% 尤其看重材質。他們購買雪服、潛水和戶外裝備時，會反覆比較材料、性能和可靠結果，而黑繃帶本身恰好來自一套強調「確定性」的產品傳統。2008 年，赫蓮娜與瑞士 Laclinic 合作開發 Re-Plasty 系列，靈感來自術後護理；Age Recovery Night 後來成為「Black Bandage」，至今仍被 Laclinic 放在術後修護、活性成分和臨床護理的脈絡裡介紹。
因此進一步推論，一個長期在運動裝備上追求性能、材料和可靠性的用戶，在面對數千元的護膚決策時，也更有可能願意為臨床驗證、功效確定性和產品質感付費。
在最終的經營業績上，正式投放後，這批戶外高價值人群的新客率比其他人群高 2 個百分點，互動和成交轉化也更高。
類似的「翻譯」也發生在一些其他更日常的商品上。例如藉助萬相點睛，蕉下將防曬口罩賣給需要「不悶、不滑、上鏡」的健身、騎行人群，兩個月後新客成交佔比提升 11%，新訪客數提升 39%。
而當人從固定標籤變成動態意圖，貨從固定類目變成問題的解決方案之後，最後一個發生變化的就是：人和貨究竟如何相遇。
04 場：AI 定向，重構供需連接的方式
當 AI 定向已經能夠同時理解「人在做什麼」和「商品能夠解決什麼」，搜、廣、推之間原本割裂的邊界就開始鬆動。因為本質上，它們面對的是同一件事情：在一個具體時刻，判斷用戶正在形成什麼需求，以及哪些商品應該參與解決這個需求。
這套變化也重新調整了商家和系統之間的分工。
過去新建一則廣告計劃時，商家通常需要先填寫關鍵詞、人群、地域和時段，相當於先告訴系統：「我的消費者是誰。」在新系統中，萬相點睛則更讓 AI 先分析商品賣點、潛在需求和可能出現的消費情境，再由商家決定是否採用或修改。
與此同時，後期的創意生成與投放執行也會遵循同一套邏輯完成配套動作。藉助已有的用戶洞察，萬相點睛不會將原本針對臥室消費者的床鋪廣告原封不動地展示給電競玩家，而是會將鏈路進一步延伸至創意與出價：先理解商業目標與消費意圖，再找到潛在人群，用 AI 生成差異化表達，最後由智能出價決定在哪些流量機會中參與競爭。
最終，將千群千面的需求轉化為千群千面的投放策略與溝通技巧，並帶來更高的新客成交轉化與增量價值。根據官方披露，萬相點睛於618階段上線、7月底全量後，僅關鍵詞推廣&人群推廣場景累計已有超過15萬商家使用；特定週期內，新客點擊占比超過91%，新客成交占比超過76%。
最重要的是，萬相點睛雖然背後是一套全新的能力，但商家完全不需要學習新工具，它可以全鏈路嵌入現有推廣場景，從人群推廣到關鍵詞推廣再到品牌全域、內容種草。
用阿里巴巴集團高級副總裁、現任天貓事業部總裁、阿里媽媽總裁，淘寶直播及內容事業部負責人劉博（家洛）的話來說就是：「（平台努力）把自己的長板加長，把難的事情做深，讓商家的成本降下來，讓他們的經營有確定性」同時，「算法團隊還有很大的空間可以挖掘，讓更好的商品和更好的商家，有機會找到更優質的消費者；反過來，優質的消費者也能在平台上找到個性化匹配更強的商品。」
當然，更長遠來看，這套平台能力全面開放後，它帶來的資訊差不會永久存在。今天只有一家公司看到電競玩家的休息需求，不久後，所有傢俱公司也都可能看到同一批人。於是，問題就從「能不能發現」變成「發現以後怎麼辦」。
同樣看到一個新場景，有的公司會懷疑，有的公司會增加一條投放計劃，有的公司會重新設計素材和貨盤，還有公司會繼續研究消費者的居住空間和真實需求，最終調整產品尺寸、功能甚至新品方向。
在這個過程中，人群可以平台化，實時出價可以平台化，一部分創意和消費者洞察也可以平台化。
但商品選擇、庫存風險、供應鏈調整和資源配置，仍然只能由企業自己完成。AI 會讓更多公司看見新的機會，卻不會讓它們擁有同樣的反應速度。