商业计划书：AI 原生的全球电商建站与运营平台

标记说明：数据 来自公开资料；假设 / 建议 为规划或建议数字，须用公司真实数据确认。

版本 v1.1｜2026-11-09｜产品名 Mercantia v1.1 更新：产品名定为 Mercantia；市场规模改用 Grand View Research、Statista 的第三方数据测算（build/market.py）；Shopify 数据改为 2025 年年报和 2026 年三季报；第 12 章改为种子用户验证计划，并写明验证结果如何修正财务模型；创始团队一节改为填写模板。财务模型数字未变。 标注说明：数据= 有公开来源；假设= 本计划的估算，需在验证期确认；建议= 作者建议，需团队决策。 财务数字都来自 build/model.py，改输入后重跑即可，文档数字以模型为准。

0. 一页摘要

1. 问题：商家不缺工具，缺的是"下一步该做什么"

1. 数据分散。一个中型 DTC 品牌通常同时用 Shopify、Meta、Google、TikTok、Klaviyo、Amazon、线下 POS、Excel。每个后台都有报表，但口径不同、互相打架，没有人能回答"下个月预算该怎么分"。
2. 分析门槛高。中小商家请不起数据分析师和增长负责人；归因工具（Triple Whale、Northbeam 等）给出的是图表和数字，看懂并转化成动作仍需专业经验。
3. 建议不可验证。代理商和咨询给出的建议很少事后核对效果，商家不知道哪条建议真有用，下一次也无法改进。
4. 素材是黑箱。图片和视频占了营销预算的大头，但"哪种素材卖得好、为什么"基本靠感觉。
5. 线下和私域被忽略。有门店、有 B2B 渠道、有邮件/短信/WhatsApp 社群的商家，这部分数据几乎从不进入营销决策。

结论：建站和交易已经是成熟市场，但"从数据到决策再到执行和复盘"这一环，目前没有平台做好。这是本产品的切入点。

2. 解决方案

2.1 产品全景

2.2 核心差异化：AI 生意参谋

AI 生意参谋不是一个聊天框，而是一个决策闭环：

接入数据 → 诊断 → 预测 → 生成方案 → 一键执行 → 复盘 → 回测与迭代
   ↑                                                      │
   └──────────────── 经验沉淀，下一轮更准 ←────────────────┘

① 接入数据（7 类）

② 诊断：自动回答"这周销售为什么跌了"——按渠道、商品、新老客、素材、地区逐层拆解，找到贡献最大的原因，用自然语言说明。

③ 预测：未来 4–12 周的销量、库存缺口、各渠道边际回报（再多花 $1 能带来多少收入）。

④ 生成方案：输出带数字的行动清单，而不是泛泛的建议。例如：

下周把 Meta 预算从 $8,000 降到 $6,500，把节省的 $1,500 加到 Google 品牌词和 TikTok 素材 B；暂停素材 A（近 7 天 CTR 下降 38%，判断为疲劳）；对 90 天未复购的 1,240 名老客发 15% 回购券。 预期：营销效率（MER）从 2.1 升到 2.4，周收入 +$3,200（区间 +$1,100 至 +$5,000），置信度中等。

⑤ 一键执行：商家点"同意"后，平台通过 API 直接调整广告预算、生成并发送邮件、上架折扣；高风险动作（超过设定金额）需要二次确认。

⑥ 复盘：方案执行满一个周期后，自动对比"预期 vs 实际"，标出偏差原因，结果写入方案记录。

⑦ 回测与迭代：

• 回测：把一条策略规则（例如"ROAS 连续 3 天低于 1.5 就降预算 20%"）放到商家过去 12 个月数据上模拟，看会得到什么结果。
• 增量实验：对重要结论自动设计对照组（按地区或人群保留一部分不投），测出真实增量，而不是只看平台归因。
• 迭代：每条建议的命中率会被记录，模型据此调整；商家可以看到"参谋过去 30 条建议的命中率"。

注意：基于历史数据的回测有偏差（例如当时的市场环境已变），所以对预算类的重要决策，产品会以增量实验结果为准，回测只用于初筛。这一点会在产品里明确告诉商家。

⑧ 智能 AI 助手：自然语言提问（"上个月洛杉矶门店和线上的复购率比较"）、自然语言操作（"给加购未付款的人发一封带 10% 优惠的邮件"），减少在多个后台之间来回切换。

2.3 和现有方案的区别

说明：表中竞品能力按公开信息整理，Shopify 正在快速增强 AI（Sidekick、Shopify Magic），这一列需每季度更新。

3. 市场

3.1 市场规模

② 测算结果（build/market.py）

说明：

• 不同机构对同一市场的定义差别很大，规模可能相差 2–3 倍。这里选的是口径较窄的数据，结论偏保守。
• 营销分析和营销自动化在 2030 年以后没有第三方数据，2031 年数字按同一增长率多推算了一年。
• Gartner 和 eMarketer 的报告需要付费订阅，本次没能获取。路演前建议购买其电商平台市场份额报告和美国/欧洲电商预测，与上表交叉核对，并把数据填进 build/market.py。

③ 对标公司

这些数据说明什么：

1. 市场空间够大：Shopify 规模过千亿美元 GMV 后仍保持约 30% 的增长，说明独立站电商远没有饱和。
2. 钱主要来自交易而不是订阅：Shopify 76% 的收入来自支付等商家解决方案，所以 Mercantia 必须做完整平台，不能只停留在插件。
3. 第二名之后增长乏力：Commerce.com 年增长只有 2.8%，说明"做一个更便宜的 Shopify"行不通，必须有明确的差异化。
4. 欧美是主战场：Shopify 75% 的商家在美国、加拿大和欧洲中东非洲，与我们先做北美、英国、欧洲的选择一致。

3.2 为什么现在做

1. 大模型成本快速下降，让"每个中小商家都有一个分析师"在经济上可行：单个商家每月的模型推理成本可以控制在 $3–$10假设，需在原型期实测。
2. 多模态模型成熟，能自动看懂图片和视频素材，这在 2023 年以前做不到。
3. 第三方 Cookie 和平台归因越来越不可靠，商家需要基于自有数据和增量实验的决策方式。
4. 商家渠道越来越多（独立站 + TikTok Shop + Amazon + 线下快闪），数据整合需求变大。
5. Shopify 的主要客户群是中小商家，它的 AI 以店内操作为主；跨渠道、含线下、可复盘的决策层仍是空白（窗口期估计 2–3 年假设）。

3.3 目标客户（按优先级）

4. 商业模式

4.1 产品与定价建议

其他收入：

• AI 用量包：超出套餐的方案生成、素材分析、付费数据查询，按次或按包收费。
• 支付分润：结账走平台支付时，扣掉通道成本后约 0.6% 的净收入；使用第三方支付另收 0.5%–2% 的交易费（与 Shopify 做法一致）。
• 生态分成：应用市场、主题市场、物流标签、商家贷款合作方的分成。

4.2 收入结构变化

早期以订阅为主（插件版客户没有支付收入）；随着完整平台客户增加，支付和生态收入占比从 2028 年的 12% 升到 2031 年的 27%。

5. 竞争分析

我们的竞争策略：

1. 不正面拼生态：插件版先跑在 Shopify 上，把 Shopify 当渠道而不是敌人。
2. 用"结果"而不是"功能"竞争：对外公开"参谋建议命中率"和客户增量实验结果。
3. 迁移零成本：一键迁移商品、客户、订单、URL 重定向，迁移期间免月费，并承诺迁移期 SEO 流量损失过大可免费回滚。

如果 Shopify 抄怎么办？ 这是最大风险，见第 11 章。我们的答案是：（1）跨平台中立——Shopify 的 AI 不会主动分析商家在 Amazon、门店和其他平台的表现；（2）复盘数据积累——每条建议的"预期 vs 实际"记录构成越用越准的数据集；（3）速度和专注——我们只做决策这一层，迭代更快。

6. 市场进入策略（GTM）

6.1 三个阶段

6.2 获客渠道

6.3 首批验证指标（决定是否进入下一阶段）

7. 产品与技术路线

7.1 版本规划

7.2 技术架构要点

• 数据层：统一商家数据模型（订单、客户、商品、渠道、素材、门店），各渠道数据通过连接器进入，每天至少同步一次，广告数据每小时同步。
• AI 层：
  • 大模型负责理解问题、生成方案和自然语言解释，按任务选用不同模型以控制成本；
  • 预测和归因用传统统计模型（时间序列、营销组合模型 MMM、增量实验分析），保证数字可解释、可复现；
  • 大模型只负责"说清楚"，数字由统计模型算，避免 AI 编造数字。
• 执行层：所有自动操作有权限、限额、日志和一键撤销。
• 安全与合规：SOC 2 Type II（2028 年前）、GDPR、CCPA；支付走 PCI DSS 合规的支付服务商；商家数据不用于训练其他商家可见的模型，行业基准只用匿名汇总数据。

7.3 护城河

1. 复盘数据集：每条建议都有"预期 vs 实际"，几万家商家、几百万条记录后，会形成竞品没有的"什么建议在什么条件下有效"数据。
2. 行业基准网络效应：商家越多，基准越准，新商家越愿意加入。
3. 迁移成本：完整平台客户的店铺、支付、历史数据都在平台上。
4. 跨平台中立：大平台出于自身利益不会认真分析商家在其他平台的表现。

8. 运营与组织

8.1 团队规划

建议研发放在成本较低的地区（如中国、东欧、拉美），市场、销售和客户成功放在北美和英国，覆盖目标客户的工作时间。

8.2 创始团队（待填写）

本节还没有真实信息，以下是填写模板。投资人最看重"这群人为什么能做成这件事"，请用具体经历和数字填写，避免"资深""丰富经验"这类描述。

① 核心成员（每人一行，填完删除"需要的背景"一列）

② 团队为什么能做成（用 3 句话写，每句对应一个事实）

1. 〔例：我们自己做过 DTC 品牌，亲身遇到过数据分散、不知道下一步该做什么的问题〕
2. 〔例：技术团队做过电商平台或支付系统〕
3. 〔例：已有 N 家商家或代理商愿意成为种子用户〕

③ 其他投资人会问的问题

9. 财务预测

9.1 关键假设假设

支付净费率 0.6%、生态分成 0.1% GMV，五年不变。

9.2 损益预测（单位：$M）

解读：

• 累计亏损最深约 $2,270 万（2029 年底），2030 年转正。
• 2029、2030、2031 年 ARR 分别增长 231%、139%、84%，接近 SaaS 投资人常说的"三倍、三倍、两倍、两倍"增长节奏。
• 2031 年收入/GMV 为 1.7%，低于 Shopify 2025 年的 3.05%（$115.6 亿 ÷ $3,784 亿）；支付和生态收入占比 27%，也远低于 Shopify 的 76%。说明预测相对保守，支付和生态收入还有提升空间。

9.3 单客经济（第 3 年）

9.4 敏感性（对 2031 年的影响）

以上都是单变量测算，用 build/model.py 改对应输入得到。

10. 融资计划

10.1 融资节奏建议

合计约 $4,900 万，覆盖累计亏损最深 $2,270 万，并留有约 2 倍安全垫（CAC 高 30% 的情形下累计亏损约 $2,970 万，仍可覆盖）。

本轮金额按模型测算：2027 年 EBITDA -$500 万，2028 年上半年约 -$430 万，18 个月消耗约 $930 万，另留少量缓冲。如果只能融到 $500–600 万，需要把完整平台研发推迟到 A 轮之后，先只做插件版。

10.2 本轮资金用途（$1,000 万，18 个月）

10.3 本轮的 18 个月里程碑

11. 风险与应对

12. 种子用户验证计划（融资前 8 周）

12.1 目标

融资前先用 30–50 家种子用户回答一个问题：商家愿不愿意为 AI 生意参谋付钱，它带来的增量是不是真的。验证结果会直接改写第 9 章的财务假设（见 12.5），路演时用实测数字替换假设。

12.2 招募谁

种子用户能得到什么：8 周免费使用；每周一份 AI 方案和复盘；结束后首年 5 折、终身锁价；在官网案例中署名（自愿）。 种子用户要做什么：授权读取店铺和广告数据；每周 15 分钟反馈；配合至少一次增量实验；第 8 周回答是否付费。 合规：签数据处理协议（DPA），说明数据用途、保存期限和删除方式；只读取所需权限；一键执行功能只对同意的商家开放，并设置单次调整上限。

12.3 8 周安排

同时进行：在 Shopify App Store 外用小额广告（约 $1 万）测试获客成本，把访问者导到预售落地页。

12.4 验证哪些假设

怎么做决策：

• H1、H2 是必要条件，另外修正后第 3 年 LTV/CAC 需 ≥ 3。都满足才按计划启动融资；任一项不通过，先不融资，用 4 周调整产品定位或定价后再验证一轮。
• 其余假设不通过时不改变方向，但必须按 12.5 修正财务模型，并在 BP 中说明。

12.5 用验证结果修正财务模型

验证结束后，把实测值填进 build/seed_results.json，运行 python3 build/calibrate.py，脚本会按下表规则改写模型假设，输出修正前后的对比，并生成 build/model_calibrated.json。

注意：

• 种子用户是主动报名、且免费使用的，表现通常好于正式客户。所以 H7 只用来调高流失率，不用来调低；其他指标调整后也应在 BP 中标明"基于 N 家种子用户"。
• 30 家的样本只能看方向，不能精确估计。路演时同时给出"计划值"和"实测修正值"两套数字更可信。
• 几项指标同时略差，影响会叠加。示例：愿付价格 $129、采纳率 28%、推理成本 $14、迁移意愿 22%、获客成本 $640、8 周留存 88%，单看都只是"需要调整"，但合起来会让 2030 年 EBITDA 从 +$410 万变成 -$1,430 万，累计亏损最深从 $2,270 万扩大到 $4,760 万，第 3 年 LTV/CAC 从 4.2 降到 1.9。所以 H1、H2 之外，如果修正后 LTV/CAC 低于 3，也应先调整产品和定价再融资。
• 付费商家数、各项费用不随验证结果自动调整；如果修正后 2030 年仍未转正，需要人工调整招人节奏和融资金额。

附录 A：数据来源

所有数据于 2026-11-09 访问。

附录 B：模型与脚本