01｜不是谁都能做AI个性化——前提是你得有一堵数据墙
2026 年 8 月 4 日，Retail TouchPoints 发布了一篇报道，主角不是硅谷科技公司，而是一家宠物零售商：PetSmart。标题很平淡——《AI Playbook: How PetSmart Used AI Decisioning to Drive a 22% Lift in Salon Bookings》。但翻开正文，你会发现一个让所有做品牌营销的人坐不住的事实。
PetSmart 给 AI 设了一个目标——找到可能想给狗做美容的客户，用最有效的方式邀约——然后放手让 AI 自己去跑。AI 连续测试了数千种主题行、话术、优惠、创意和发送时间的组合，针对每一个会员单独优化。结果：美容预约量提升了 22%，自动补货订单提升了 13%[1][2]。
这不是 A/B 测试。这是 AI 在一对一的尺度上实时做营销决策。
但我们先把掌声收一收。22% 的增长固然亮眼，真正值得问的问题是：别人为什么做不到？
答案藏在 PetSmart 的一个基础设施里。它的 Treats Rewards 忠诚度计划拥有超过 8000 万会员，超过 90% 的交易都能追溯到会员账户[3]。所有 AI 个性化的数据原料——客户养了什么宠物、什么品种、处于什么生命阶段、买过什么、什么时候该补货——全部来自这个自愿加入的会员体系。
这就是我们在第四期专题反复提到的核心命题：AI 个性化的天花板不是算法，是数据。 你已经读过了数据法的全球收紧、Cookie 信号的颗粒化退场、个性化过度带来的信任危机——这些文章都在讲同一件事：品牌能合法持续地拿到多少第一方数据，决定了 AI 能帮你做到什么程度。PetSmart 是这个命题目前最干净、最可测量的正向样本。
在一个数据越来越贵、法规越来越严的世界里，它不是「用 AI 做了营销」，而是「用第一方数据让 AI 有了用武之地」——这个顺序不能反。
02｜从「人挑内容」到「人设规则」：营销团队的职能被重新定义了
要理解 PetSmart 这件事的深度，得先看清楚它改变了什么。
传统零售营销怎么做？选一个时段推美容服务 → 营销团队开会定主题行 → 设计组出三版创意 → 排期发一批 A/B 测试 → 几周后看数据 → 胜出方案推广到全量。这个流程每个做过营销的人都熟悉，但它有一个致命缺陷：你只能优化「平均人」。 每一封邮件发给的是成千上万人的平均值，而不是具体某个人。
PetSmart 完全翻掉了这个流程。用其 SVP of Marketing Bradley Breuer 的话说：「今天，AI 让我们超越了那种方式。我们团队定义目标、设立护栏、提供创意素材，AI 持续评估客户信号，为每一位宠物家长判断下一个最佳体验。」[1]
关键变化在于营销团队的角色被重新定义了。
过去：营销人员挑选主题行、优惠力度、发送时间。人是执行决策者——决定对客户「说什么、怎么说、什么时候说」。
现在：营销人员设定商业目标（「让更多狗主人预约美容」）、设立品牌安全护栏（批准哪些优惠力度可用、哪些话术合规），然后把数千种排列组合的优化工作交给 AI[1][2]。
这意味着什么？营销人员从「操作员」变成了「规则制定者」。你的核心工作不再是「这封邮件怎么写」，而是「AI 在什么范围内可以做决策」。这在传统营销组织中几乎没有对应岗位——需要既懂业务目标，又能理解数据边界，还愿意放弃对单条内容的控制欲。
Tejas Manohar，Hightouch 联合 CEO，概括了底层逻辑：「营销团队设定明确目标和可用的优惠/信息空间，系统自己找出对每个客户最优的处理方式。」[2] 本质上是用强化学习（reinforcement learning）替代了营销日历。
PetSmart 在全美拥有近 1700 家门店的线下美容沙龙[1]。美容不是边缘业务——沙龙客户恰恰是忠诚度最高、复购最强的群体。「增加美容预约」这看似简单的商业目标背后，带动的是整体客户生命周期价值的提升。AI 不只推送促销，它在帮 PetSmart 把偶发客户转化为高频沙龙用户——这是普通 A/B 测试无法测量的连锁效应。
03｜8000万会员的数据底座：为什么这不是「又一个忠诚度计划」
Treats Rewards 不是拍脑袋做出来的。2024 年，PetSmart 对这个计划做了一次彻底的重新设计，从原来单一的点数累积改为分层权益体系，核心思路是「奖励最忠诚的客户，而不是平均地给每个人发积分」[3]。改版一年后，会员数从 6700 万增长到超过 7500 万，现在已突破 8000 万[1][3]。
但重要的不是会员规模。重要的是数据深度和数据的「可激活」程度。
通过 Treats Rewards，PetSmart 知道的远远不止「这个人买过狗粮」。它的数据拼图包括：
– 客户养了什么宠物——狗、猫、鸟、鱼、还是爬行动物
– 什么品种——大型犬和小型犬的消费模式完全不同
– 宠物处于什么生命阶段——幼犬期需要频繁驱虫和疫苗提醒，老年期的医疗和营养需求截然不同
– 购买频次和品牌偏好——是忠诚于某个高端品牌还是对价格敏感
– 是否使用店内美容服务——沙龙客户几乎是单独的一个高价值套餐
– 是否订阅自动补货——这是衡量「习惯强度」的硬指标[1]
这些数据都不是第三方数据能提供的颗粒度。数据经纪商可以告诉你「这个家庭年收入 7.5-10 万、可能有宠物」，但不可能知道「他家的金毛刚满三个月、上一袋是皇家幼犬粮、还差一周该续购了」。
Breuer 的一段话点破了本质：「通过 Treats Rewards，我们对宠物家长有深度理解——从购买历史到他们照料的宠物和正在经历的生命阶段。AI 帮助我们将这些已知洞察与预测模型结合，预判他们下一步可能需要什么——是补货食物、发现互补产品、还是考虑一项服务。」[1]
更关键的是：所有这些数据都来自客户自愿加入的忠诚度计划——不是从经纪商买的、不依赖第三方 Cookie、不需要跨站追踪。在 GDPR 和 CCPA 时代，这种「自己种的数据」是最安全持久的燃料。Cookie 可以被屏蔽、经纪商可以被处罚、第三方数据可以突然失效——但客户主动扫码加入的忠诚度计划不会。
然后是技术底座。PetSmart 不只是「有数据」，它建了一套让数据能跑起来的基础设施：Databricks 做第一方客户数据的统一存储和计算，Hightouch 把数据洞察转化为实时营销动作[1][2]。这个架构的关键在于「实时」——不是先跑一个离线模型、出报告、再人工制定策略、最后排期执行。而是客户行为 → 数据底座 → AI 决策 → 营销触达，形成秒级闭环。
这也解释了为什么 PetSmart 的团队不需要再手动选发送时间。AI 不仅知道「该发什么」，还知道「此时此刻这个人最可能打开」。
04｜「护栏」的艺术：为什么人对 AI 的掌控反而变强了
经常有人担心「AI 替代营销人」，但 PetSmart 的实践给出了相反的结论：AI 没有替代人——它把人从执行细节中解放出来，把精力转向了更重要的事。
Breuer 的原话值得全文引用：「这让我们的团队更能集中精力在策略、创意和分析上——去理解为什么某些方法效果更好。人类专业知识和 AI 驱动决策的结合，正在让我们成为更高效的营销人，也帮我们为顾客提供更相关的体验。」[1]
这段话拆开来看，有三个关键洞察。
第一，人决定「为什么做」，AI 优化「怎么做」。
PetSmart 沙龙预约项目被给予的唯一商业指令是：「找到可能做美容的狗主人，用最有效的方式促成预约。」[1] 这是人的判断——商业优先级（美容是战略性利润中心）、目标定义（预约量而非收入或其他指标）、品牌调性（不能为了转化率而牺牲体验）。AI 只管在既定目标下优化执行方式。这种分工的本质是：人的优势在于定义问题和判断价值，AI 的优势在于穷举最优解。两者不是竞争关系。
第二，「护栏」比「指令」更重要。
PetSmart 的市场团队不是告诉 AI「用 15% off + 幽默语气 + 周二上午发」，而是给了 AI 一套「允许做什么」的范围：批准哪些优惠面值可用、哪些话术方向合规、哪些品牌调性不出格[2]。这比传统营销管理更严格——你不能精确控制每封邮件的用词，但你要确保 AI 不会在任何一封邮件中突破品牌边界。这种「设定边界而不是设定路径」的管理方式，对营销团队的要求反而更高：你需要想清楚「什么是绝对不能做的」，而不只是「这次要做什么」。
第三，规模效应来自放弃手工控制。
Breuer 坦承：过去团队也为每次营销活动做了精心、数据驱动的决策。但「人脑能处理的变量」和「8000 万会员 × 数千种组合」之间存在物理鸿沟[1]。不是团队不努力，是上限摆在那里。放弃对单封邮件的手工控制，换来的是数十万封、数百万封邮件都「恰好合适」。这个取舍需要勇气——很多营销管理者宁愿控制一切然后只影响 5% 的客户，也不愿意设好护栏然后让 AI 覆盖 100%。但 PetSmart 用 22% 的增长数据证明了后者的回报。
Hightouch 将 PetSmart 的底层机制描述为「强化学习应用于营销决策」[2]。强化学习不同于传统的监督学习——它不是学习「历史上什么有效」，而是持续在真实环境中试错、持续从中获得反馈、持续调整策略。这意味着 AI 每天都在变得更聪明，不需要人重新训练。对营销组织来说，这代表一种全新的能力积累方式：你的营销能力不再依赖团队里最有经验的那个人，而是沉淀在了一个持续进化的系统里。
总结
PetSmart 这个案例回答了第四期专题贯穿始终的问题：数据主权时代，品牌靠什么赢？
答案是：建一堵自己的数据墙。不是从数据经纪商买、不是靠第三方 Cookie 偷、不是用模糊的「画像」猜——是用一个值得用户加入的忠诚度计划，换来知情、自愿、持续的第一方数据流。
PetSmart 给了三个可复用的原则：
1. 忠诚度计划不是发券工具，是数据底座。 Treats Rewards 不是一个促销计划，它是 AI 个性化引擎的「燃料管线」。每一个扫码、每一次购买、每一次预约，都在让模型更精准。如果忠诚度计划的 KPI 只是「注册量」和「券核销率」，那你永远不可能走到 PetSmart 这一步。
2. 把决策权交给 AI 之前，先把数据底座建好。 PetSmart 花了两年重建忠诚度计划（2024 分层改版）并在 Databricks + Hightouch 上搭建数据基础设施。AI 的 22% 增长是结果，不是起点。数据没有统一、实时、可激活之前，别急着上 AI 决策引擎。
3. 人对 AI 的控制不应该在「每封邮件」层面，而应该在「规则框架」层面。 营销团队的角色从内容审批者变成了规则设计者——这是更高阶的能力要求，而不是降级。你需要想清楚品牌底线和商业目标之间的最优解空间，然后把空间内的执行交给系统。
对于那些还在纠结「要不要做 AI 个性化」的品牌，PetSmart 的故事给了最直接的参考：不要急着买 AI 工具。先看看你的第一方数据——它能不能告诉 AI「这个客户想要什么」。如果不能，再聪明的算法也是空转。
写在最后
第四期专题写到这里，从全球数据法的收紧、Cookie 的退场、个性化的信任边界，一路走到了标杆案例。回顾专题的核心命题——「AI 个性化的天花板不是算法，是数据」——PetSmart 提供了目前最清晰的正向样本。
2022 年以前的营销叙事是「数据越多越好，买就对了」。2026 年的现实是：第三方 Cookie 信号退化、数据经纪商接连被罚、GDPR 和欧盟 AI 法案把合规成本推到了 CMO 桌上。在新规则下，「能不能拿到数据」比「会不会用 AI」更关键。PetSmart 用 8000 万自愿加入的会员回答了「能不能」。
这不是说每个品牌都应该照搬 PetSmart 的做法。8000 万会员的规模、近 1700 家门店的线下触点、宠物行业天然的复购属性——这些条件不是谁都有。但它至少证明了一件事：第一方数据驱动的 AI 个性化不是理论，不是未来趋势，是现在就可以产生可测量商业回报的现实。你不需要等到「AI 更成熟」，你需要的是开始认真建自己的数据墙。
品牌营销的下一个分水岭，可能不是「谁用了 AI」，而是「谁的 AI 有足够优质的第一方数据可以喂」。
引用与参考资料：
[1] Retail TouchPoints, “AI Playbook: How PetSmart Used AI Decisioning to Drive a 22% Lift in Salon Bookings” (2026-08-04). https://www.retailtouchpoints.com/features/ai-playbook-how-petsmart-used-ai-decisioning-to-drive-a-22-lift-in-salon-bookings/620783/
[2] PYMNTS, “PetSmart Used AI to Drive a 22% Lift in Salon Bookings” (2026-08-07). https://www.pymnts.com/news/artificial-intelligence/2026/petsmart-used-ai-drive-22percent-lift-salon-bookings/
[3] Modern Retail, “How PetSmart is using AI in its revamped loyalty program” (2025). 转引自 PYMNTS [2].
[4] Databricks, PetSmart Customer Story — AI-powered decisioning. https://www.databricks.com/customers/petsmart/ai
[5] Archyde, “How PetSmart Used AI to Drive a 22% Lift in Salon Bookings” (2026-08-07). https://www.archyde.com/how-petsmart-used-ai-to-drive-a-22-lift-in-salon-bookings/
免责声明：
本文所述案例、数据和引用均来源于公开发表的行业报道和官方案例研究。文章中的分析和观点仅代表作者基于公开信息的专业解读，不构成对任何品牌、产品或服务的背书或投资建议。所引用数据的准确性和时效性以原始来源为准。如有事实性疏漏，欢迎指正。
