with one click
p7b-intent-prediction-designer
// 意图预测营销设计器。基于《AI Native 营销与增长》意图预测营销概念卡, 帮助产品从"人群定向"升级为"个体预见"——在用户明确表达之前就提供相关内容。
// 意图预测营销设计器。基于《AI Native 营销与增长》意图预测营销概念卡, 帮助产品从"人群定向"升级为"个体预见"——在用户明确表达之前就提供相关内容。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p7b-intent-prediction-designer |
| description | 意图预测营销设计器。基于《AI Native 营销与增长》意图预测营销概念卡, 帮助产品从"人群定向"升级为"个体预见"——在用户明确表达之前就提供相关内容。 |
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。
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%
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
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
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
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
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"]
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。
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"。
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
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:
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%。
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:
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)。
传统意图模型从行为序列中"猜测"意图。LLM 带来了质变:
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。
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
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
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
任务:同时追踪三类指标,确保精准不以牺牲信任为代价。
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
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:
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"
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:
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"
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。
p7a-data-flywheel-builder(数据飞轮为意图预测提供数据燃料)p7c-predictive-retention-designer(意图变化可作为流失信号)p7d-marketing-productizer(营销产品化中的推荐机制依赖意图预测)