CASE STUDIES
成功案例
每个案例都按「问题 → 打法 → 结果 → 复盘」拆解：先看别人的坑，再抄能用的招。战绩数据为演示口径，对外引用请替换为真实数据。
SCENARIOS五类应用场景
客户开发 · 背景调查 · 五渠道线索
开发信 · 素材生成 · 多语言
询盘应对 · 报价 · 跟进节奏
GEO 内容 · AI 引用 · 独立站
SOP 沉淀 · 复盘报表 · 风险预警
CASE STUDIES案例拆解
以下为演示型案例，结构可直接套用；战绩数据请替换为贵司真实数据后再对外发布。
行业展会名单 800+ 家，靠人工一个个搜官网、判断匹配度，一周只筛出 60 家。
用 AI 按「主营品类匹配度 + 采购规模信号 + 官网动态」批量打标签，A 级直发开发信、B 级进培育池，开发信由 AI 生成初稿、业务员改写后发出。
3 天完成 800 家初筛，圈出 200 家高意向（A 级 45 家），首周回复率约 20%。
复盘：匹配度判断标准要先定死；AI 只做初筛与初稿，最终名单与邮件必须人工过目。
同一条开发信群发所有市场，中东客户几乎不回——节奏与文化完全不合拍。
按市场拆分打法：中东改走「重信任、低频率」，邮件多提同区域案例、避开宗教假期，跟进间隔拉长到 7–15 天。
中东市场回复率较此前翻倍，且多封询盘进入实质报价阶段。
复盘：先分市场再定打法；案例证据来自同区域客户，可信度比通用宣传高得多。
大客户询盘信息量大、决策链长，业务员靠感觉回复，客户反馈「答非所问」。
AI 先把询盘拆成需求 / 顾虑 / 参数 / 预算四栏，标出客户真正在意的点；回复先回应核心关切，再给证据与方案，业务员审核后发出。
大客户回复率提升，2 个高潜客户进入样品阶段。
复盘：大客户禁止直接发 AI 成品；拆解报告的价值在于让业务员「看得清」，而不是「省得写」。
每周手工把 CRM 数据导到 Excel 做汇总，业务员贴数据、主管拼报表，半天就没了。
固定统计口径后，AI 每周自动汇总询盘 / 转化 / 渠道数据并生成复盘初稿，主管只改结论、补判断。
周报制作从半天缩到约 30 分钟，口径统一后数据争议明显减少。
复盘：先定口径再谈自动化；结论部分必须人写，AI 只负责「算得准、摆得清」。
官网谷歌排名不错，但让 AI 推荐同行产品时，我们很少被提到。
按四步落地法：列出客户高频问题 → 每个卖点补可核实出处 → Medium / Reddit / GitHub 铺技术信任网络 → 每周监控 AI 引用并迭代内容。
3 个月后，核心问题的 AI 答案里开始出现我们，并作为「选项之一」被引用。
复盘：GEO 是长期工程，别盯着单周数字；引用必须真实可核实，编造会适得其反。
PROMPT LIBRARY提示词库
把任意案例原文粘进去，AI 按五段式拆解成可直接照做的打法。更多环节提示词见各栏目页。
FAQ常见问题 · 实战案例
从自己的真实落地记录来：用了哪个提示词、改了哪里、结果如何。本站案例是演示口径，作为方法示范，你的案例要基于真实数据。
把你的业务场景描述给 AI，让它匹配对应的提示词与流程组合。先匹配再执行，避免拿着不合适的工具硬套。
选一个小而明确的范围：一个市场、一个产品线、2-3 个业务员，跑 2-4 周，用 KPI 度量再决定是否推广。别一上来全量上线。
先定义指标：回复率、线索量、转化率、单证处理时长。用周报 / 月报看趋势，别只看单次结果；AI 落地 KPI 模板可参考。
不核验 AI 输出直接发、一次覆盖太多环节、KPI 不明确、把演示数据当真实战绩。每个坑都有对应的人工核验动作。
通常从「询盘初筛 + 开发信起草」开始：见效快、风险低、容易量化回复率；跑通后再扩展到素材生成、数据复盘等环节。
用一个小试点说话：选 2-3 个业务员、一个产品线，跑 2-4 周，用回复率 / 单证时长等 KPI 对比；把演示数据与真实数据分开说明。