企业官网建设流程全解析

营销自动化的早期形态是"定时群发"，进阶形态是"规则触发"，业务自动化阶段的核心是事件驱动——客户的每个行为都是一个事件，事件实时驱动对应的营销动作。微信作为离客户最近的触点，在这套架构里既是事件来源也是执行通道。

一、事件体系——客户行为被完整记录

事件分三类：微信行为事件（发消息、点击链接、打开朋友圈、群内发言）、业务行为事件（下单、付款、退款、工单提交）、系统计算事件（客户评分变化、阶段推进、标签变更）。所有事件统一格式（事件名、客户标识、时间、属性JSON），汇入同一个事件总线。

事件采集的关键是"先全量记录，后决定使用"——采集时不预设这个事件要用来做什么，原始事件全部留存。新营销玩法需要某个行为数据时，历史事件已经在库里，不用回头补埋点。

二、实时决策——事件来了做什么

事件进入决策层后经过两级判断：准入条件（这个客户是否在某个营销活动的目标人群内、是否在免打扰时段、近期是否已收到同类消息）和动作选择（满足条件后执行什么：发微信消息、打标签、推进旅程、通知销售）。

决策必须是实时的——客户刚下单的那一刻发关怀消息和第二天发，效果天差地别。但实时不等于即时全发，频控和疲劳度管理是准入条件的硬约束：同一客户每天营销触达不超过1条，每周不超过3条，超过上限的动作排队或放弃。

三、AI在自动化中的三个位置

AI不负责"要不要发"（这是规则和频控决定的），AI负责三个具体环节：内容个性化（根据事件上下文生成千人千面的文案，如基于浏览商品生成推荐语）、最佳时机预测（学习客户历史响应时间，预测今天几点发打开率最高）、事件洞察（从行为序列发现人工规则想不到的模式，如"问过售后但没成交的客户7天后复购率反而高"，反哺新的自动化策略）。

规则保证安全和可控，AI负责效果优化——这个分工是业务自动化阶段不翻车的关键。

事件驱动架构对照

事件驱动营销实现

# 事件统一入口 @app.post("/events") def collect(): for evt in request.json["events"]: # 全量原始留存 db.save("event_log", { "name": evt["name"], "customer": evt["customer_id"], "props": json.dumps(evt["props"]), "time": evt["time"]}) bus.emit(evt["name"], evt) return {"code": "1000"} # 微信行为事件（消息回调产生） @app.post("/webhook") def webhook(): d = request.json bus.emit("wx_message", { "customer_id": resolve(d["fromUser"]), "props": {"content": d["content"], "group": bool(d.get("groupId"))}, "time": d["createTime"]}) return {"code": "1000"} class MarketingDecision: """实时决策：准入判断→动作选择""" def on_event(self, evt): cid = evt["customer_id"] for campaign in ACTIVE_CAMPAIGNS: if campaign["trigger"] != evt["name"]: continue # 准入条件 if not self.in_segment(cid, campaign["segment"]): continue if self.in_quiet_hours(): self.schedule_next_window(campaign, cid, evt) continue if self.over_fatigue(cid, campaign["category"]): continue # 频控硬约束，放弃本次 # 动作执行 for action in campaign["actions"]: self.execute(action, cid, evt) def execute(self, action, cid, evt): if action["type"] == "wx_send": # AI位置1：内容个性化 text = ai_personalize( template=action["template"], customer=get_360_view(cid), event=evt) # AI位置2：最佳发送时机 best_time = predict_best_time(cid) schedule_at(sendText, best_time, WID, get_wxid(cid), text) elif action["type"] == "tag": add_tag(get_wxid(cid), action["key"], action["value"]) elif action["type"] == "notify_sales": push_to_sales(cid, ai_brief(evt, cid)) # AI位置3：事件序列洞察（离线分析） def behavior_insight(): """周期性发现新的高价值行为模式""" patterns = ml_find_sequences(db.scan("event_log", days=60)) for p in patterns: if p["lift"] > 1.5: # 复购/转化提升显著的模式 suggest_campaign(p) # 建议新自动化策略

落地建议

事件驱动营销的建设路径：先搭事件总线和全量采集（基础设施，一两个月看不到直接效果但所有后续玩法都依赖它），再做规则决策和频控（保证不出事），AI优化最后介入（需要事件数据积累，没有数据训练不了时机预测）。疲劳度控制是业务自动化的生命线——自动化程度越高，扰民风险越大，宁可少发不可滥发。微信侧的行为采集和消息执行通过Eyun这类个人微信API接口完成，业务事件由各业务系统Webhook汇入，决策引擎独立部署，三层解耦后任何一层的故障都不会导致误发消息。