13 种邮件分层思路：从互动度到购物车金额，附品牌实操案例

Klaviyo 这篇长文系统梳理了 13 种邮件分层方法，覆盖互动度、注册来源、浏览行为、购物车金额、客户价值等维度，并配了 Huda Beauty、Marine Layer 等真实案例。核心结论是：分层不是可选项，而是维持送达率和相关性的基础，动态分层和 AI 预测能把这套体系自动化。

互动度分层是底线，不是加分项

• Huda Beauty 在整体表现下滑后重构内容策略、清理邮件列表，只对最近 120 天内有互动的订阅者发常规 campaign，全量群发只留给年度大促。
• 结果是 Klaviyo 归因营收同比增长 2 倍，CRM 负责人称这个'小改动'解决了大部分送达率问题。
• 积累互动数据后，还可以按渠道偏好（邮件、短信、WhatsApp、App 推送）分层，用 AI 自动把 campaign 路由到订阅者最可能打开的渠道。

按注册来源拆分欢迎流

• 订阅者从哪里进来，透露了他们想要什么：从优惠页进来的可能想要折扣，买前订阅 newsletter 的更想看品牌和教育内容。
• 经推荐注册的人已有信任基础，可以直接推首单转化；下单时订阅的人则适合引导留评或复购。
• 服装品牌 Marine Layer 给线下门店订阅者和线上订阅者做了两套欢迎流：线下订阅者先被引导认识官网，线上订阅者拿 10% 折扣码并被引导找最近的门店。

浏览行为比加购信号更'松'，玩法更灵活

• 只浏览商品页但没加购的人处于'还在看'状态，邮件内容有更大发挥空间，目标是给一个推动结账的临门一脚。
• 自助客服中心是重要数据源：用户在那里管理订单、退换货、和客服聊天，还能收藏或加心愿单商品。
• 香氛品牌 Ashley & Co 针对浏览过清洁产品但未加购的人，只推一件配件（清洁布）作为低门槛替代方案。
• 进阶玩法是用 next best product 类 AI 推荐，基于个人行为而非群体行为，给每个人算出最可能买的单品和对应 offer。

按金额和价值分层决定折扣力度

• 购物车金额、客单价、生命周期价值（LTV）、会员等级都可以用来决定给谁折扣、给多大折扣。
• 购物车挽回流是回报最高的自动化流程之一：Klaviyo 2026 全渠道基准报告显示，购物车流平均每个收件人带来 $6.77，高于其他所有流程。

动态分层和 AI 让分层自动运转

• 行为、心理、人口统计三类分层维度可以组合使用，比如给环保意识强的订阅者推可持续产品线，给门店附近的人推本地活动邀请。
• 动态分层会随用户与品牌的互动自动更新分组，不需要手动维护。
• 客服工单未关闭的用户应从营销 campaign 中排除，评价和客服互动记录则可以用来设计后续跟进邮件。