p7b-intent-prediction-designer

---
name: p7b-intent-prediction-designer
version: 1.0.0
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。
author: Max
tags: p7, 营销增长, 意图预测
- book-skill
- intent-prediction
- marketing
- personalization
- ai-product
requires: []
homepage: https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7b-intent-prediction-designer
stage: p7b
source_book: AI Native 营销与增长
source_chapter: 第03章 意图预测营销

---


# 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

```yaml
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**：

```yaml
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**：

```yaml
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）