订阅量太小跑不动 AI 发送时间优化？用这 5 个土办法照样能赢
目录
去年冬天一个客户急匆匆打电话过来。她做的是精品咖啡订阅，邮件列表大约 800 人，主要是三年来在农夫市集收集的本地顾客。她听人说 "AI 发送时间优化" 能把打开率拉高 15-25%，想用一下。
我问她用的什么 ESP（Email Service Provider，邮件发送平台）。Klaviyo。我直接说，"那把 Smart Send Time 打开不就行了。"
结果一查她的账号——Smart Send Time 早就开着了，开半年了。但完全没在干活。原因是 Klaviyo 要搭一个稳定的"按收件人预测"的模型，大约需要 5,000 个活跃订阅者，外加 90 天的互动历史。她总共 800 人，其中 300 人已经好几个月没打开过邮件。所谓的"AI"基本等于随机发。
这个 gap 没人愿意讲。Seventh Sense、Optimove、Mailchimp STO、Klaviyo Smart Send——所有发送时间优化的供应商，都默认你的列表大到足够喂模型。但大多数小商家根本没那么大。一个月流水 4 万美金的 Shopify 店铺，订阅者可能只有 1,200 人。垂直领域 B2B SaaS 可能 600。本地服务业可能 350。工具是"套餐里免费送"的，但数据门槛悄悄把你挡在门外。
下面是我帮这类客户用的 5 个方法。从最朴素到最复杂，订阅量低到 200 个活跃用户都能跑。不需要买新工具。其中两个用到了真正的 AI——不是营销话术里那种 AI。
1. 周二上午 9:45 法则（听起来蠢，其实不蠢）
订阅量不到 1,500 的 B2C（Business to Consumer，面向消费者）消费者列表，"最佳发送时间"几乎永远是同一个：周二或周四上午 9:30-10:15，按收件人本地时区。
这不是因为有什么神奇的打开高峰，而是因为——在小列表上，一天中不同时段的打开率方差太小。一致性比"优化"更值钱。
我举一个例子。一个 600 订阅者的家居店客户，我用三个时间点发同一封邮件：周二上午 10 点、周三下午 2 点、周五下午 4 点。每个时间点各发 6 次。打开率分别是 28%、26%、27%。差距 2 个百分点，远在噪声范围内。根本没有"最佳时间"可找。模型就是在猜。
模型在小数据上唯一能告诉你的事情是：周二上午 10 点还行，别浪费时间优化了。这句话本身就值一周时间。
含义是：选一个你自己工作流顺手的时间，定下来，把精力留给更大的杠杆。小商家邮件项目打开率差的根本原因不是时间，是列表本身、标题、文案。发送时间在优先级里大概排第 6、第 7，不是第 1。
发送时间在小列表上确实重要的几个例外：
- B2B（Business to Business，面向企业）受众，他们查邮件的窗口很窄（早上 8-9 点、午饭、收工前）。这种列表，周二早上 8:15 几乎每次都比周五下午 3 点高出 5-8 个点。
- 电商限时促销，前 1 小时的打开量贡献了 40% 的点击。这种场景时间确实关键，第 4 个方法里讲。
- 受众集中在某个人生阶段（新手爸妈、退休人群、大学生），行为按作息聚类。新手爸妈列表，午后 1 点和晚上 9 点的互动率显著高于均值。
所以第一步是：别自作聪明。选一个说得过去的默认时间，发 8-10 次确认它确实不重要。如果不重要，恭喜——你刚给自己省了一周。
2. 90 天打开时间透视表（Excel 就能做，不用 AI）
这是所有"AI 介入"之前的真正基线。导最近 90 天的邮件互动数据。每个 ESP 都能导出。Klaviyo 在 Analytics > Engagement > Export。Mailchimp 在 Reports > Email Performance > Export CSV。ActiveCampaign 在 Contacts > Engagement History。
要的列：
- 邮箱（或订阅者 ID）
- 发送时间戳
- 打开时间戳（实际打开的时刻，不是发送时刻）
- 点击时间戳（如果有）
- 设备（手机/电脑，留着有用）
丢进 Excel 或 Google Sheets，建一个数据透视表。行：星期几。列：小时段。值：打开次数。
你会看到一张真实的订阅者打开时间热力图，不是供应商的通用研究结果告诉你"应该"什么时间发。重点：哪怕只有 200 个活跃订阅者，这张热力图也会显示真实的规律。做不到"按人"的精度——那个数学在样本量下不成立。但聚合规律是有的。
那个精品咖啡客户的热力图长这样：
| 星期 | 6-9 | 9-12 | 12-15 | 15-18 | 18-21 | 21+ |
|---|---|---|---|---|---|---|
| 周一 | 8% | 22% | 14% | 11% | 19% | 26% |
| 周二 | 11% | 28% | 13% | 10% | 17% | 21% |
| 周三 | 9% | 24% | 15% | 12% | 18% | 22% |
| 周四 | 12% | 27% | 14% | 11% | 16% | 20% |
| 周五 | 10% | 21% | 13% | 12% | 19% | 25% |
| 周六 | 7% | 16% | 18% | 17% | 24% | 18% |
| 周日 | 6% | 14% | 19% | 18% | 23% | 20% |
横着看每一行，就能挑出当天的高打开窗口。乘以 90 天里的发送次数，你就有了一个真实答案——不是供应商的猜测。
耗时：第一次 45 分钟，模板建好后 15 分钟。我有一个 Google Sheets 模板分享给客户——基本就是一个数据透视表结构、一张图表 tab 和条件格式。想要的话，私信我。
诚实的局限：这是过去行为的快照，不是预测。如果你的人群结构变了（比如新产品线吸引了一批夜猫子），热力图会漂移。所以每 60-90 天重跑一次。这就是维护成本。
3. 双段位拆分（工作邮箱 + 个人邮箱）
大多数发送时间建议都假设一个人只有一个邮箱身份。这是错的。至少两个：工作邮箱和个人邮箱。查的时间不同、原因不同、互动深度不同。
B2B 这个显而易见。B2C 不那么明显，但同样存在。瑜伽馆订阅者早上 6:30 边喝咖啡边看你的邮件。会计订阅者晚上 10 点躺在床上看。同一个人，两个时间窗口。
1,000 人左右的列表上，你通常可以通过域名识别出"工作邮箱"段。结尾是公司域名的（不是 gmail/yahoo/outlook/hotmail/icloud/proton）就是候选工作邮箱。再交叉职级（如果你有）或互动模式（工作邮箱通常在周一到周四上午爆发，个人邮箱分布更均匀）。
实操：把列表拆成"个人"和"工作"两组，每组用各自的时间发：
- 个人邮箱组：早上 7-9 点或晚上 8-10 点，周二/三/四
- 工作邮箱组：早上 8-9:30 或中午 12-13，周二/三/四
这就是 Seventh Sense 在自动做的事，但你需要 5,000 订阅者才能让它学会。800 人手动也能做，只要域名信号够强。
一个 B2B SaaS 客户，光这一改，nurture 序列的 MQL（Marketing Qualified Lead，营销合格线索）率首月就涨了 19%。邮件没变，内容没变。唯一变的是每个段位收到邮件的时间。
4. 弃购挽回：时间真正重要的地方
其他所有场景，时间都是个小杠杆。弃购挽回（cart abandonment）邮件不一样，时间本身就是杠杆。加购后前 60 分钟贡献了这条 flow 大约 35% 的挽回收入。延迟 4 小时，挽回率减半。延迟 24 小时，降到三分之一。
这是小列表也应该精确卡时间的一个场景，也是 AI 在小数据上也能帮上忙的场景。原因是：你不是在一群多样化受众上做优化，你是在一个刚刚发生的高意图事件上做优化。信号很强，因为用户正处于高意图状态。
这些 flow 的时间是事件触发固定的，不是受众决定：
- 邮件 1：加购后 30-60 分钟
- 邮件 2：24 小时后，未购买
- 邮件 3：72 小时后，未购买
- 邮件 4：5-7 天后，未购买，带优惠
大多数 ESP 都内置了。Klaviyo 的 "Abandoned Cart Reminder" flow 模板现成。Mailchimp 的 Customer Journey 一样。ActiveCampaign 的 automation builder 也行。别去"优化"这些——时间点是行业经验值，差异在文案不在钟表。
AI 在弃购挽回上真正能帮上的是内容，不是时间。用 ChatGPT 写不同客单价、不同品类、不同受众的邮件正文，效率能拉 3-5 倍。但什么时候发要保持固定。
5. 用 ChatGPT 做模式发现（小列表上唯一真正"AI"的方法）
这个是我用得最多的。它绕开 ML 数据问题，把分析当成文本推理任务来做。
第一步：和方法 2 一样导出 90 天互动数据。隐掉邮箱（隐私）。保留时间戳、打开、点击、设备。
第二步：聚合。在 Excel 里建一个简单汇总表：
- 小时（0-23）：打开数 点击数
- 星期（周一到周日）：打开数 点击数
- 设备占比：手机打开率 电脑打开率
第三步：把表格粘进 ChatGPT，配套这个 prompt：
你是一名邮件营销分析师。这是我列表过去 90 天的打开和点击行为汇总。小时是 24 小时制，按收件人本地时间。基于这份数据：
- 互动最高的 3 个发送窗口是哪些？要具体（星期+小时段）。
- 有没有星期几维度的规律？
- 有没有手机/电脑的不同时间偏好？
- 我对发送安排最应该做的一个改动是什么？
不要超出数据外推。如果数据太稀疏无法下结论，请明说。
第四步：把答案跟透视表对照，把最可信的那条建议应用 8-10 次。
为什么这个方法在小列表上有效，Klaviyo Smart Send 反而不行：ChatGPT 是在你已经聚合好的汇总数据上做推理，不是去学一个"按人"模型。它不需要 5,000 个数据点。它需要的是一张 30-50 行的干净汇总表。
我给订阅量低到 180 个活跃用户的客户都用过这一招。不神奇——答案通常跟热力图一致。但 ChatGPT 能看到人眼漏掉的东西，比如："周二和周四打开率几乎一样，但周四的点击打开率（click-to-open）比周二高 40%——有 CTA 的内容周四发，无 CTA 的内容周二发。"这种规律盯着热力图经常错过。
大实话
如果你的列表活跃订阅者不到 2,000，最佳发送时间优化 = 一个站得住脚的默认时间 + 每个季度自己跑一次热力图。不是 ML 不行，是 ML 需要的数据量你没有。工具自己会在小字条款里告诉你。
次优方案：在默认时间之上加一层"双段位拆分"，这是 AI 工具在大规模下自动化做的事情，你用手工做近似。
把"我们应该上 AI 发送时间"这个决定留到你活跃订阅者过 5,000 再做。到那时候 Klaviyo Smart Send 或 Seventh Sense 会给你一个真正有意义的"按人"模型。在那之前，用上面这 5 个方法，把优化时间花在在小列表上真正能撬动数字的事情上：标题、列表健康度、文案与产品的契合度。
我见过最大的错误不是小商家"没用 AI 优化发送时间"。是他们在该把 AI 用在文案、分群、产品上的时候，跑去用 AI 优化发送时间。发送时间在邮件营销工具箱里是最小的那根杠杆。别让它吃掉你一周。