P7b intent prediction designer

意图预测营销设计器

一句话定位

从"人群定向"到"个体预见"——在用户明确表达之前，就预测他们需要什么并主动提供。

何时触发

• 用户转化率低，内容触达不精准
• 想从"用户搜索了什么"升级为"用户可能需要什么"
• 需要设计 AI 驱动的个性化推荐系统
• 获客成本持续上升

输入

产品场景 + 用户行为数据 + 当前触达方式。

示例输入：

产品: 在线教育平台
当前触达: 邮件推送课程推荐（基于浏览历史）
问题: 打开率 2%，转化率 0.1%

设计流程

Step 1: 意图信号识别

任务：识别哪些用户行为可以预测意图。

信号类型：

显性信号:
  - 搜索关键词
  - 浏览路径
  - 加购行为
  - 直接询问

隐性信号:
  - 停留时长
  - 重复访问
  - 对比行为
  - 时间规律（如每月月底看某类内容）

上下文信号:
  - 时间（工作日/周末/深夜）
  - 地点
  - 设备类型
  - 上一动作

Step 2: 意图分层

任务：将用户意图分层，匹配不同的响应策略。

意图分层:
  L0 无意图: 用户在漫无目的浏览 → 做好内容展示，不打扰
  L1 弱意图: 用户在探索某个方向 → 提供引导性内容
  L2 中意图: 用户在比较/评估 → 提供对比/评测内容
  L3 强意图: 用户即将决策 → 提供促成决策的内容（案例/优惠/限时）
  L4 行动意图: 用户正在执行 → 提供辅助/加速内容

Step 3: 触达策略设计

任务：为每个意图层级设计触达策略。

触达策略:
  L0: 做好推荐位，不打扰
  L1: 侧边栏/推送卡片，轻量引导
  L2: 内容弹窗/对比工具，主动帮助
  L3: 定制化方案/限时优惠，促成决策
  L4: 一键操作/自动填充，减少摩擦

Step 4: 反馈闭环

任务：设计从触达到模型更新的反馈闭环。

闭环:
  用户行为变化 → 更新意图评分 → 调整触达策略 → 观察效果 → 更新模型

综合输出格式

intent_prediction_design:
  input:
    product: "产品名称"
    current_approach: "当前触达方式"
    problems: ["当前问题"]
  
  signals:
    explicit: ["显性信号"]
    implicit: ["隐性信号"]
    contextual: ["上下文信号"]
    available_now: ["当前可用的信号"]
    need_to_collect: ["需要额外收集的信号"]
  
  intent_layers:
    L0: { name: "无意图", strategy: "不打扰" }
    L1: { name: "弱意图", strategy: "轻引导" }
    L2: { name: "中意图", strategy: "主动帮助" }
    L3: { name: "强意图", strategy: "促成决策" }
    L4: { name: "行动意图", strategy: "减少摩擦" }
  
  feedback_loop:
    data_collection: "数据收集方式"
    model_update: "模型更新频率"
    strategy_adjust: "策略调整机制"
  
  implementation:
    phase1: "第一阶段（30天）"
    phase2: "第二阶段（90天）"
    phase3: "第三阶段（180天）"
  
  metrics:
    primary: "意图预测准确率"
    secondary: ["转化率", "触达响应率", "用户满意度"]

常见误判

• 过度预测：预测太激进，用户感觉被监视
• 信号不足：只依赖显性信号，忽视隐性信号
• 忽视隐私：意图预测需要行为数据，必须注意隐私合规

一句判断

意图预测不是猜用户想要什么，而是在用户需要的时候恰好出现。

核心概念

概念 1：从人群包到意图预测

传统营销的触达逻辑是人群定向——根据"25-35 岁、女性、一二线城市"等标签组合出人群包，推送给符合标签的人。这个逻辑运转了二十年，但有三个绕不开的局限：

局限	说明
静态	人群包只看到"25 岁女性"标签，看不到她周一通勤、周五酒吧、周日在家的不同需求
粗颗粒	把备孕、失恋、装修、跳槽等完全不同的人归为一类
滞后	基于上个月的数据构建，用户需求可能已经变了

意图预测不是"找到一群人推送给他们"，而是"理解一个人此刻想要什么，给他最合适的回应"。人群包是"我知道你是谁"，意图预测是"我知道你此刻想要什么"。

概念 2：1:1 规模化

AI 实现了传统营销不可能的能力：1:1 规模化——真正针对每个个体的个性化，覆盖百万甚至千万级用户，不需要同比例增加人力。

1:1 规模化 = 实时意图理解 × 自动生成内容 × 动态策略优化

• AI 可以实时理解个体意图：用户每产生一个行为信号，意图模型都在更新
• AI 可以自动生成个性化内容：为这个用户、这个场景、这个意图实时生成全新内容
• AI 可以动态优化触达策略：每一次触达都是一次实验，每一秒都在根据反馈调整

概念 3：动态受众

动态受众的定义不是静态标签，而是动态规则——"过去 7 天内浏览过至少 3 款竞品，但没有下单，且今天活跃的用户"。

三个关键特征：

1. 实时更新：成员每时每刻都在变化
2. 意图驱动：基于"用户此刻的意图"定义，而非"用户是谁"
3. 自动触发：AI 系统自动识别符合条件的用户，自动触发触达

某电商平台将人群包定向升级为动态受众后，点击率提升 217%，转化率提升 213%，用户投诉率下降 40%。

概念 4：上下文感知

意图预测还需要第四个维度——在什么情境下推送。同一个"想喝咖啡"的意图：

• 周一早上 8 点在办公室附近 → 推送"到店自取 8 折"
• 周六下午 3 点在家里 → 推送"外卖满减活动"
• 出差途中在机场 → 推送"机场店位置导航"

上下文包括四个维度：时间（工作日/周末/深夜）、空间（商场/家里）、设备（手机/电脑）、社交（独自/分享中）。

概念 5：意图预测的 LLM 新路径

传统意图模型从行为序列中"猜测"意图。LLM 带来了质变：

• 从行为推断到语义理解：直接理解用户自然语言表达中的隐含意图
• 从离散标签到连续语义空间：不把用户硬塞进预设类别
• 从单轮预测到多轮对话澄清："你是想找台式还是嵌入式？"
• 从垂直模型到通用基础模型：通过 Prompt Engineering 或轻量微调适配不同场景

最可能的演进路径是两者融合：LLM 处理高价值、需要深度语义理解的场景；传统模型处理高频、需要毫秒级响应的场景。

分步执行

Step 1：意图信号体系建设

任务：建立完整的意图信号采集体系。

层级	信号类型	示例	采集方式
L1-显性信号	用户主动表达	搜索、咨询、收藏、加购	直接记录
L2-行为信号	用户行为推断	浏览时长、滑动模式、回看行为	行为埋点
L3-上下文信号	环境因素	时间、地点、设备、网络	系统采集

L1 信号最准确但最稀疏，L3 信号最丰富但最嘈杂。意图预测的看家本领是从 L2 和 L3 信号中推断出接近 L1 精度的意图判断。

输出：信号清单 + 采集方案 + 可用/待建信号分类

Step 2：意图模型构建

任务：从行为序列中预测用户下一步的动作。

模型架构：

输入：用户最近 N 个行为信号的时间序列
处理：
  1. 行为编码：将每个行为转换为向量
  2. 序列建模：用 Transformer/LSTM 捕捉行为模式
  3. 意图推断：从行为模式中推断当前意图
  4. 上下文融合：结合时间、地点等上下文信号修正意图判断
输出：意图概率分布

输出：意图模型方案 + 训练数据需求

Step 3：意图分层与策略映射

任务：将意图分层，匹配不同的响应策略。

L0 无意图: 漫无目的浏览 → 做好内容展示，不打扰
L1 弱意图: 探索某个方向 → 侧边栏/推送卡片，轻量引导
L2 中意图: 比较/评估 → 内容弹窗/对比工具，主动帮助
L3 强意图: 即将决策 → 定制化方案/限时优惠，促成决策
L4 行动意图: 正在执行 → 一键操作/自动填充，减少摩擦

三个关键问题：推什么（内容类型）、何时推（触达时机）、怎么推（触达方式）

输出：意图-策略映射矩阵

Step 4：效果评估与迭代

任务：同时追踪三类指标，确保精准不以牺牲信任为代价。

• 效率指标：点击率、转化率、ROI
• 体验指标：推荐满意度、用户反馈评分、"不感兴趣"点击率
• 健康指标：用户活跃度变化、推送关闭率、APP 卸载率

关键原则：先用精准建立效率，再用克制建立信任，最终用信任驱动更深层的精准。精准的最高境界不是"恰好推送"，而是"恰好不推送"。

输出：指标体系 + 迭代优化方案

示例

示例 1：在线教育平台的意图预测营销升级

场景描述：一家在线教育平台，当前通过邮件推送课程推荐（基于浏览历史），打开率 2%，转化率 0.1%。希望从"人群定向"升级为"个体预见"，提升触达精准度。

用户输入：

我们是在线教育平台，当前靠邮件推送课程推荐（基于浏览历史），打开率才 2%，转化率 0.1%。想做意图预测营销。

执行流程：

1. 信号体系建设：
   • L1 显性信号：搜索关键词（如"Python 入门"）、收藏课程、咨询客服
   • L2 行为信号：课程预览停留时长、试看视频的完播率、反复访问同类课程、对比行为
   • L3 上下文信号：访问时间（工作日晚上 vs 周末）、设备（手机碎片化学习 vs 电脑深度学习）
2. 意图模型：基于行为序列构建意图预测模型——试看 Python 课程 3 分钟 → 浏览数据分析课程 → 搜索"转行数据分析师"→ 意图判定为 L3 强意图（职业转型）
3. 策略映射：
   • L0 用户：不推送，优化首页推荐
   • L1 用户：侧边栏展示"热门学习路径"
   • L2 用户：推送"Python vs Java 就业前景对比"
   • L3 用户：推送"数据分析师转型套餐+限时优惠+学员案例"
4. 反馈闭环：用户对推荐内容的点击/忽略/关闭 → 更新意图评分 → 调整下次触达策略

输出结果：

intent_prediction_design:
  signals:
    explicit: ["搜索课程关键词", "收藏课程", "咨询客服"]
    implicit: ["课程预览停留时长", "试看完播率", "反复访问同类课程", "对比行为"]
    contextual: ["访问时间", "设备类型", "学习场景"]
  intent_layers:
    L0: { name: "无意图", strategy: "优化首页推荐，不打扰" }
    L1: { name: "探索", strategy: "侧边栏学习路径推荐" }
    L2: { name: "比较评估", strategy: "课程对比内容+评测推送" }
    L3: { name: "购买决策", strategy: "限时优惠+学员案例+一键报名" }
  expected_improvement:
    open_rate: "从 2% 提升至 8-12%"
    conversion_rate: "从 0.1% 提升至 1-2%"
  implementation:
    phase1: "30天：信号采集体系搭建+行为埋点"
    phase2: "60天：意图模型 v1 上线，覆盖 L2/L3 用户"
    phase3: "90天：全意图层级覆盖+反馈闭环优化"

示例 2：电商平台的动态受众与上下文触达

场景描述：某电商平台目前使用传统人群包定向投放广告，点击率 1.2%，转化率 0.8%，ROI 1:3。希望引入意图预测和动态受众，提升投放效率。

用户输入：

我们是电商平台，现在用人群包投广告，点击率 1.2%，转化率 0.8%，ROI 才 1:3。想引入意图预测做动态受众。

执行流程：

1. 意图信号识别：
   • 用户 A 行为序列：浏览婴儿推车（30s）→ 看评论（45s）→ 未购买退出 → 浏览孕妇装 → 搜索"月子中心" → 浏览婴儿床
   • 传统系统：打上"母婴"标签，推送母婴广告
   • 意图预测系统：推断为"准妈妈，正在为新生命做全面准备，重视口碑，决策谨慎"
2. 动态受众构建：定义规则"过去 7 天浏览 ≥ 3 款同类商品但未下单、且今天活跃的用户"→ 自动识别比价用户群
3. 上下文感知触达：
   • 工作日晚 8-10 点（浏览高峰）→ 推送深度对比测评
   • 周末下午 → 推送"限时折扣+用户真实评价"
   • 手机端 → 短视频形式的商品展示
4. 策略映射：对比意图 → 推送评测内容；购买意图 → 推送限时优惠；探索意图 → 推送新鲜发现

输出结果：

intent_prediction_design:
  dynamic_audience:
    rule: "过去7天浏览≥3款同类商品未下单+今日活跃"
    real_time_update: true
    auto_trigger: true
  context_awareness:
    time: "工作日晚8-10点推深度内容，周末推限时优惠"
    device: "手机端短视频，电脑端详细评测"
    social: "朋友推荐后推同款，搜索后推对比"
  expected_improvement:
    ctr: "从 1.2% 提升至 3.8%（+217%）"
    conversion: "从 0.8% 提升至 2.5%（+213%）"
    roi: "从 1:3 提升至 1:9（+200%）"
    complaint_rate: "从 0.5% 降至 0.3%（-40%）"
  ethics_framework:
    transparency: "提供'为什么看到这个'的说明入口"
    controllability: "用户可设置频率控制、类型控制、免打扰时段"
    restraint: "敏感场景主动回避，疲劳度管理"

精准与主权的平衡

三大伦理原则

1. 透明度原则：用户应该知道算法在做什么——在推荐内容旁标注推荐理由，提供"不感兴趣"反馈入口
2. 可控性原则：用户应该能够控制被触达体验——频率控制、类型控制、时间控制、深度控制
3. 克制性原则：算法应该学会"不说"——敏感性检测、疲劳度管理、时机判断、退出尊重

过度精准的三个层次

• 内容冒犯：推送过于私密或敏感的内容
• 频率侵入：精准不等于可以无限增加频率
• 存在感不安：用户意识到"算法一直在观察我"

核心判断：先用精准建立效率，再用克制建立信任，最终用信任驱动更深层的精准。没有信任的精准是短视的，没有精准的信任是空洞的。

常见陷阱

• 陷阱 1：过度预测——预测太激进，用户感觉被监视
• 陷阱 2：信号不足——只依赖显性信号，忽视隐性信号和上下文信号
• 陷阱 3：忽视隐私——意图预测需要行为数据，必须注意隐私合规
• 陷阱 4：静态思维——用静态画像代替动态意图，错失实时机会
• 陷阱 5：精准即正义——越精准越好？不，精准的边界是用户信任

与其他 Skill 的关系

• 上游输入：p7a-data-flywheel-builder（数据飞轮为意图预测提供数据燃料）
• 下游应用：p7c-predictive-retention-designer（意图变化可作为流失信号）
• 并行参考：p7d-marketing-productizer（营销产品化中的推荐机制依赖意图预测）