Usha的AI创意实践：从素材提速走向可验证的全漏斗学习

01 资料与背景

Usha在印度BLDC风扇市场的数字化投放事实

2025年，印度家电品牌Usha与Amazon Ads合作，围绕BLDC风扇产品线中的AeroEdge Plus展开全漏斗广告投放。根据Amazon Ads展示的2025年案例，Usha此举意在应对印度市场电价上涨带来的节能风扇需求，以及消费者在电商平台比较能效、价格与功能的购买习惯变化。案例称Amazon占Usha总销售额的40%，Usha将65%的总预算投向数字与移动渠道，并设定了提升声量份额、品牌搜索与同比增长25%收入的目标。

执行层面，Usha使用AI图像生成批量产出创意变体，输入产品ASIN即可生成不同素材，并围绕家庭场景制作生活方式视觉，在20多个活动中覆盖Sponsored Brands、展示广告与Brand Stores，同时通过Amazon DSP触达家居装饰、家电与运动人群。案例公布的结果包括：声量份额提升110点、品牌搜索季度环比增长2.4倍、广告驱动页面浏览增长36%、品类点击份额提升140点、季度环比销售增长超过50%、ROAS提升32%。这些数字来自平台案例所引用的 Usha 2025 年印度数据，未提供独立验证。原页面的品牌回忆指标混合了不同百分比口径，不能写成“回忆率从45%升至240%”，本文不将其作为绝对比率引用。这里讨论的是既有活动的研究复盘，不是2026年9月新发生的活动。

02 GSP 分析

从案例结果到实验问题：同时变化的因素要拆开

Usha同时采用AI图片、区域场景、受众定位与预算调整，案例结果反映的是一套组合方案。IAB增量指南要求把测量方法与问题匹配：如果问题是生成图片是否优于既有图片，就应尽可能维持人群、位置、预算和价格相近；如果问题是整套新流程是否值得投入，则可以比较组合方案，但不能再声称所有收益来自单一工具。两个问题都值得问，只是证据标准不同。

GSP建议将创意学习拆成内容假设与流程假设。内容假设讨论什么场景更能帮助顾客理解节能、舒适或适配；流程假设讨论生成与评审是否更快、返工是否减少、优秀素材能否及时进入投放。点击率可用于筛选素材，净订单和退货则检验内容是否吸引了适合的购买者。当不同环节使用各自合适的指标，团队便不必拿一个销售增长百分比同时证明创意质量、生产效率和品牌关系。

03 GSP 分析

全漏斗学习必须容纳品牌形成的时间

Meridian方法指出品牌资产可能先改变搜索与考虑，再影响最终购买，给Usha的品牌搜索与销量结果提供了另一种阅读方式。品牌搜索上升可以是需求形成的中间信号，但如果在模型里处理不当，也可能让承接需求的效果广告得到过多功劳。与此同时，风扇本身具有季节和气候条件，不能把任一季度相对前季的变化直接与同比目标视作同一尺度。

因此品牌可维护两套相互连接的观察记录：较短周期看素材理解、访问质量和交易阻力，较长周期看主动搜索、购买理由、服务评价与重复选择。每次对比都标注时间基准和媒体组合，避免在环比、同比和对照组之间挑选有利口径。GSP认为，AI创意最有价值的组织作用是降低提出和检验假设的成本，让团队更快淘汰不适配场景；这种学习能力是否最终沉淀为品牌价值，还需要跨季节和用户使用阶段继续观察。

04 GSP 分析

从品牌资产到数字货架：Usha真正押注的是决策入口迁移

Usha的案例表面上是AI创意提效，实质是一次经营重心的迁移判断。印度BLDC风扇市场正从线下渠道与品牌惯性的竞争，转向消费者在电商页面反复比较能效、价格与评价的数字货架竞争。Usha有品牌知名度，但数字原住民的决策路径不再从电视广告或门店导购开始，而是从搜索词、类目页和竞品对比开始。这意味着品牌资产必须被重新翻译成可被算法识别和推荐的内容资产，否则知名度无法自动转化为点击与转化。

在这一判断下，Usha选择把65%预算压向数字和移动渠道，而不是维持传统媒体的均摊结构。这是资源取舍：放弃对传统渠道声量的部分保护，换取在决策发生地的持续在场。对GSP而言，这个选择的关键不在于“要不要做电商广告”，而在于企业是否承认自己的品类已经进入比较型购买阶段。假设一个家电企业仍把电商视为清库存渠道，而非品牌建设与用户教育的主战场，那么即使采购同样的AI创意工具，也很难复制Usha的效果，因为预算逻辑和内容目标完全不同。

反事实推演：如果Usha仅仅把AI用于降低设计外包成本，而不改变预算结构与投放节奏，其收益可能只是素材成本下降，而非案例中呈现的品牌搜索、页面浏览与ROAS的联动提升。真正的杠杆来自“预算跟着数字决策入口走”这一前置判断。

05 GSP 分析

AI创意的价值机制：把创意从项目制变为可测试的经营变量

传统创意生产是项目制的：一个季度做一批主视觉，投放后发现效果不佳，再走一轮brief、设计、审批流程，周期以周甚至月计。Usha的案例显示，AI图像生成把这一循环压缩到输入ASIN即可产出多组变体，活动可在数分钟内刷新，而非数天。这改变的不是单张素材的质量，而是创意在经营系统中的角色——它从一次性交付物变成了可高频测试和替换的变量。

当创意变成变量，A/B测试才有经营意义。Usha针对不同区域和家庭类型部署差异化创意，并用测试结果筛选高表现素材。这一机制的价值在于：它让投放团队能够回答“哪类场景化表达更能驱动点击与转化”，而不是依赖创意人员的审美判断。假设一个品牌同时面向北方大家庭和南方小户型，空调扇或风扇的使用场景、空间叙事和能效诉求可能完全不同；如果只有一套通用素材，预算就会浪费在低相关触达上。AI生成让区域化测试的边际成本大幅下降，从而把“相关性”从口号变成可执行动作。

需要明确取舍：AI生成的创意数量增加，并不意味着创意质量自动提升。Usha案例中AI创意在点击率上超过静态创意，但这依赖于持续测试和筛选机制。如果企业只追求素材数量而缺乏淘汰标准，创意产能反而会变成投放噪音，增加管理复杂度却不提升转化。

06 GSP 分析

全漏斗不是口号：Usha把搜索、浏览、转化串成同一条节奏链

Usha的投放覆盖20多个活动，贯通Sponsored Brands、展示广告与Brand Stores，并通过DSP触达家居装饰、家电和运动人群。这个结构的经营含义是：品牌没有把上层曝光和下层转化拆给不同团队按不同节奏管理，而是试图让创意、人群和预算在同一时间轴上联动。品牌搜索季度环比增长2.4倍、页面浏览增长36%、ROAS提升32%这三组指标出现在同一案例中，说明其目标不是单点优化，而是让上层认知为下层转化创造更低的获客成本。

这种全漏斗节奏链的难点在于责任归属。如果品牌团队只考核曝光和搜索，效果团队只考核ROAS，两边很容易互相指责：品牌认为效果团队收割了认知红利，效果团队认为品牌带来的流量不够精准。Usha案例没有披露内部组织细节，但从其“实时优化和基于表现调整预算”的描述看，可以提出一个值得验证的假设：跨活动决策有助于根据数据重新分配资源；公开案例不足以确认其实际权限与内部组织安排。对多数企业而言，这比采购AI工具更难复制，因为它要求考核口径和预算权限的重新设计。

假设一个中型家电品牌想模仿Usha，但品牌部和电商投放部分属两个考核体系，品牌部按曝光量结算，电商部按ROI结算。即便使用相同的AI创意工具，全漏斗的联动也很难发生，因为预算会在部门博弈中被切碎。Usha案例给GSP的启示是：先决定谁对全漏斗结果负责，再决定用什么工具。

07 GSP 分析

区域化与人群分层：AI创意解决的是相关性执行成本问题

Usha案例中一个容易被低估的细节是“基于区域和家庭类型部署定制创意”。印度市场地域差异大，家庭结构、住房条件和气候需求不同，风扇产品的卖点排序也会变化。传统做法下，为一个区域单独制作创意在成本上不划算，因此多数品牌选择一套通用素材覆盖全国。AI图像生成把区域化创意的边际成本降到可接受范围，使“相关性”从策略口号变成可规模执行的投放动作。

这一机制的经营价值不在于创意本身有多精美，而在于它缩短了从洞察到执行的距离。假设消费者洞察显示某区域用户更关注静音和夜间使用，而另一个区域更关注风力和快速降温；如果创意团队需要两周才能产出区域版本，投放窗口可能已经关闭。AI生成支持快速变体，意味着洞察可以更快进入测试，测试结果可以更快反馈回预算分配。这形成一个小型学习循环：洞察、生成、测试、筛选、再分配。

但这里有一个判断条件：区域化创意是否有效，取决于品牌是否真的有可用的区域数据来定义差异。如果企业没有区域维度的搜索词、点击或转化数据，AI只能基于猜测生成变体，测试就会退化为随机试错。Usha案例没有披露其数据基础，但GSP认为，AI创意的效率放大器作用，必须建立在已有的消费者数据颗粒度之上。没有数据指导的AI生成，只是更快的盲目生产。

08 GSP 分析

谁对创意产能负责：AI投放背后的组织分工与决策权再分配

AI图像生成进入投放流程后，组织分工必然发生变化。传统模式下，创意素材由品牌或代理公司设计，投放团队拿到素材后执行；AI生成模式下，投放团队可以直接输入ASIN生成变体，创意的“生产权”部分转移到投放侧。这带来一个管理问题：如果投放团队可以自行生成素材，品牌一致性由谁把关？如果品牌团队坚持审批每一组创意，AI带来的速度优势又会被审批流程吃掉。

Usha案例提到AI生成使创意制作流程简化，但未披露其内部审批机制。GSP建议企业在引入类似能力时，明确三类责任：第一，品牌规范由品牌团队定义，包括视觉调性、产品呈现底线和合规要求；第二，创意变体的生成与测试由投放或增长团队负责，在品牌规范内自主运行；第三，预算在漏斗层级之间的调整由一位对全漏斗结果负责的决策者拍板，避免多部门各管一段。

假设一个企业设置“AI创意运营岗”，负责输入产品信息、生成变体、监控测试结果并淘汰低效素材，同时向增长负责人汇报。这个岗位的输入是产品ASIN、区域洞察和品牌规范，输出是高表现素材组合与测试结论；取舍在于速度与品牌控制之间的平衡。如果企业不愿设置类似责任角色，AI生成能力很可能停留在工具试用阶段，无法进入日常经营节奏。

09 GSP 分析

从试用到常态：AI创意的投入结构、替代解释与验证边界

Usha案例称AI创意使其实现成本效益、可扩展和影响力，并将AI图像创意整合进持续的数字战略。这意味着其投入性质从项目制试验转向常态化能力建设。常态化投入至少包括三部分：工具或平台费用、负责生成与测试的人力、以及数据反馈和迭代机制。企业如果只计算工具订阅费，而忽略后两项，很容易低估实际投入，也容易在效果未达预期时错误归因。

对Usha公布数据的替代解释需要保持清醒。品牌搜索增长2.4倍、销售环比增长超过50%和ROAS提升32%，可能同时受到产品竞争力、定价、季节需求、平台流量红利和整体预算增加的影响。案例没有提供对照组或剥离其他变量的方法，因此不能把这些结果全部归因于AI创意。GSP的判断是：AI创意更可能是加速器，而非独立原因；它放大了原本存在的产品与预算策略的效果，但无法拯救一个定位模糊或产品力不足的品牌。

因此，企业在验证时不应直接对标Usha的绝对数字，而应建立自己的对照逻辑。例如，在同一产品线内选择可比的区域或时段，一组使用AI生成的多变体创意，一组维持原有创意，比较点击率、页面浏览和转化成本的差异。只有在本企业语境中复现出方向性优势，才值得把AI创意从试点升级为常态投入。

10 行动建议

实施顺序：先建节奏，再放规模，最后谈全漏斗联动

如果企业决定借鉴Usha的做法，第一步不是大规模采购AI创意工具，而是选定一个产品线和一个可衡量的目标，建立最小可用的测试节奏。具体动作包括：确定一个核心产品ASIN，梳理品牌视觉底线，定义三到五个消费者场景，用AI生成每场景多组变体，在有限预算内跑A/B测试，并约定每周复盘一次。这一步的负责人应是投放或增长负责人，输入是产品信息与场景假设，输出是经过验证的高表现素材与测试结论。

第二步是把验证过的生成与测试节奏扩展到更多区域和人群。此时需要加入区域数据作为输入，并建立素材淘汰规则，避免创意库无限膨胀。取舍在于：扩展越快，管理复杂度越高；扩展过慢，则无法形成规模优势。GSP建议以“每新增一个区域或人群，必须有明确的数据依据和负责人”为原则，而不是一次性铺开所有变体。

第三步才是全漏斗联动。当上层创意能稳定驱动搜索和页面浏览，下层转化能稳定贡献ROAS时，再考虑在漏斗层级之间实时调整预算。顺序不能颠倒：没有稳定的创意测试节奏，全漏斗联动只会放大低效素材的浪费；没有明确的跨层级责任人，预算调整会变成部门争夺。Usha案例展示的是结果，企业需要补齐的是过程。

11 行动建议

指标与实验：用先行指标判断AI创意是否真正进入经营系统

评估AI创意是否有效，不能只看最终ROAS。建议企业建立三层指标：第一层是创意生产效率，包括从洞察到素材上线的周期、单次测试可生成的变体数量、被淘汰素材的比例；第二层是受众响应，包括点击率、页面浏览、品牌搜索和品类点击份额；第三层是经营结果，包括转化率、获客成本和ROAS。先行指标是前两层，它们能更早反映AI创意是否在改变投放节奏。如果创意上线周期没有缩短、测试频率没有提升，那么即使某次活动ROAS不错，也可能只是预算堆出来的结果，而非能力升级。

实验设计上，建议采用“同产品线、同时段、可比区域”的分组对照，而不是把AI创意活动与历史同期直接比较。历史同期比较会受到季节、促销和竞争环境的干扰。企业可以设置一个对照组维持原有创意流程，一个实验组采用AI生成与高频测试流程，观察四周到八周内两组的点击率、页面浏览和转化成本差异。如果实验组在先行指标上持续领先，再逐步扩大预算。

需要设定停止条件。如果实验组在点击率或页面浏览上没有显著优势，或者创意管理成本上升超过收益，企业应暂停扩展，回到场景定义和品牌规范环节排查原因。AI创意不是必然成功的投入，它需要被当作一个可证伪的经营假设来管理。GSP建议把每次测试的结论写入内部知识库，形成可复用的场景、人群与创意组合，而不是让每次活动都从零开始。

12 行动建议

适用条件与调整判断：什么企业该学Usha，什么企业该先补基础

Usha案例的适用条件至少包括：产品处于比较型购买品类，消费者会在电商平台比较功能、价格和能效；品牌已有一定知名度，但数字货架上的内容资产不足；企业愿意把数字渠道视为品牌建设与转化的主战场，而非清库存渠道；企业具备或愿意建立基础的数据反馈机制。满足这些条件的企业，可以优先从AI创意测试节奏切入，逐步向全漏斗联动推进。

如果企业缺乏区域或人群数据，建议先补齐搜索词、点击和转化数据的采集与分析能力，再引入AI生成。否则，创意变体只能基于猜测，测试效率会很低。如果企业品牌规范尚不清晰，建议先定义视觉底线和合规要求，再开放投放团队自主生成，避免品牌形象失控。如果企业内部品牌部与效果部考核割裂，建议先解决责任归属和预算权限问题，再谈全漏斗联动。

调整判断的节点可以设定为：当AI创意测试连续两个周期在点击率和页面浏览上优于对照组，且创意管理成本可控时，可以扩大投入；当先行指标停滞或管理成本显著上升时，应暂停扩展并检查场景定义、数据输入或审批流程。Usha案例提示AI创意可能成为增长杠杆，具体作用仍需结合其他变化检验，但它不是万能钥匙。企业真正需要复制的不是某个工具，而是“用更低成本获得更快学习速度”的经营能力。