传统的千川投流模型，大多遵循“由宽到窄”的漏斗逻辑：先铺开宽泛定向，让系统在巨量人群中完成冷启动，再逐步收缩条件，对高意向人群进行收割。
这种路径依赖一个前提——系统需要足够多的样本，才能学会“谁更可能转化”。
但一批商家正在用完全相反的逻辑获得超额收益。他们不依赖宽定向样本积累，而是先锁定极少数的“超级用户”，让系统以此为核心种子，向外探索相似的高质量人群。这就是“反漏斗”模型的本质。
它不是从宽到窄的筛选，而是从极窄种子出发，反向击穿全链路。
“反漏斗”能跑通的前提，是种子用户的纯净度。这里的种子并非传统认知中的高消费人群，而是同时具备高复购、高互动、高推荐特征的“三高”用户。
高复购意味着该用户对产品或服务有持续的需求验证，不是一次性尝鲜；高互动说明用户愿意主动参与品牌内容、活动或服务流程，留存了大量行为信号；高推荐则代表用户有自传播意愿，能够带来增量信任。
这三类特征的交叉，构成了一个极强信号集合——系统能从这类用户身上学到的，远不止“购买力”这一个维度，而是完整的转化动机与行为路径。
从哪里挖掘这些种子？电商侧的复购数据是最直接的来源，需要提取一定周期内购买两次以上且客单价稳定的用户。内容互动数据则来自短视频、直播间的评论、分享与完播行为，找出那些多次主动触达但未必每次都下单的高频互动者。
推荐行为的追踪相对隐蔽，可以通过售后问卷中的推荐意愿字段、裂变活动的参与记录，甚至是用户主动在社交平台提及品牌的UGC内容来圈定。将这三个数据源取交集，通常会得到一组规模极小但信号极强的人群包，人数往往在几百到一两千之间。
这部分用户单独来看，可能不是客单价最高的群体，但他们携带的行为特征，恰恰是系统理解“高质量用户”的关键语料。
人群包的反向扩展：让极窄种子触发系统主动探索有了三高种子人群包之后，常规操作是将其作为精准定向投放，控制在小范围内高溢价收割。但“反漏斗”的做法恰好相反：它要把这个极窄的人群包上传至千川后台，作为种子人群，然后开启最大限度的扩展量，同时配合成本稳投类出价工具，让系统自己决定往哪个方向探索。
这里的核心区别在于对系统学习机制的理解。宽定向投放时，系统面对的是模糊的信号池，不得不花费大量预算去试探各种可能性，学习期漫长且成本波动大。而当一个1000人的三高种子包被设置为扩展源，系统获得的是一个特征高度浓缩的“标准答案”。
它不再需要从零猜起，而是围绕这1000个用户已携带的复购周期、互动偏好、内容停留习惯、分享行为等上百个标签，向外寻找与之相似的人群。
这个过程中，系统的探索不是随机扩散，而是以种子的多维特征为锚点进行相似度匹配。原本需要数万次曝光才能收敛的人群画像，可能在一两千次曝光后就呈现出清晰的结构。
更关键的是，通过成本稳投工具，商家无需手动调控出价和预算分配，系统会在保障转化成本可控的前提下，自动向高潜力人群倾斜流量。极窄种子包加最大扩展再加智能出价的组合，实际上是在用高纯度信号替代宽泛样本，将学习成本前置到种子筛选阶段，而不是投放试错阶段。
素材的“筛选”思维与云图验证：提升识别效率，量化反向质量反漏斗人群扩展的另一个容易被忽视的杠杆，是素材策略。传统投流素材追求尽可能普适，希望覆盖更多潜在用户，降低被划走的概率。但在反漏斗模型中，素材被赋予了一层“筛选”功能——故意在文案、画面或口播中设置轻度的认知门槛。
比如，在素材开头明确标注“仅限某一特定需求场景的用户”，或者用圈层化的语言表达产品核心卖点。这样做的目的，不是拒人于千里之外，而是利用不适配用户的主动划走行为，反向提升系统对高意向人群的识别效率。
当一条素材在曝光初期就呈现出明显的“高划走、高互动”两极分化，系统会更快判定其人群匹配边界，从而将流量集中推送给与种子用户特征接近的那部分受众。这种“嫌弃”策略本质上是把用户主动的行为反馈作为实时标注信号，帮算法加速收敛。
当然，一切策略都需要数据验证。反向扩展跑出的人群是否真的优于宽定向人群，可以在云图的后链路分析中完成对比。重点观察两个指标：一是A3率，即询问人群中有过深度互动、搜索或加购行为的占比；二是转化率，从A3到成交的递进效率。
将反漏斗计划与同期宽定向计划拉取同周期数据，通常会看到一个显著差异——反漏斗人群的A3率明显更高，且A3到成交的流失更少。这说明系统基于三高种子扩展出来的人群，本身就处在意向深度更高的层级，而不是需要从头教育的泛流量。
云图还能反向追溯这些人群的兴趣标签和内容偏好，进一步验证种子包的纯度。如果发现扩展人群的行为特征与三高种子高度一致，就说明种子筛选有效，模型跑通了“极窄种子-高质量扩展-高效转化”的闭环。
“反漏斗”并不是对传统投流逻辑的推翻，而是对系统学习效率的一次重新设计。
它承认了一个事实：在流量成本持续上升的环境下，帮助系统更快地找到“对的人”，比给它更多“可能对的人”更有价值。先找到那1000个超级用户，剩下的，让算法完成。
