销售机器人信息提取

目录

• 一、核心目标回顾
• 二、信息提取总表（14 大类）
  • 1. 购买意图强度（Purchase Intent Level）
  • 2. 购买时间窗口（Purchase Time Window）
  • 3. 用户预算（Price Range / Budget）
  • 4. 用户偏好的规格（Product Specifications Preference）
  • 5. 功能需求（Use Case / Job-to-be-Done）
  • 6. 用户的痛点（Pain Points）
  • 7. 购买阻碍与疑虑（Objections）
  • 8. 竞争品与对比对象（Competitor / Comparison Items）
  • 9. 用户对服务的偏好（Service Preferences）
  • 10. 语言与沟通风格（Communication Style）
  • 11. 用户的历史互动轨迹（Behavior History Signals）
  • 12. 交易概率（Conversion Probability）
  • 13. 用户所在地与物流条件（Region & Logistics Constraints）
  • 14. 用户画像维度（User Profile Schema）
• 三、给你一个最实际的模板（可直接给工程/算法使用）
• 四、你真正应该问自己的问题（PM 视角）
• 会话内提取的核心作用
  • 1. 会话内提取的核心作用
  • 2. 会话内提取能否构建用户画像？
  • 3. 总结关系

以下内容面向产品经理视角，按照跨境电商导购/客服智能体的最佳实践提供可落地的“信息提取清单（User Insights Extraction Schema）”，并包含每项的作用、使用场景，以及是否建议长期保存（用户画像）或短期使用（会话策略）。

---

一、核心目标回顾

你要做到两件事：

1. 实时理解用户偏向 → 优化当前推荐策略（在会话内转化）
2. 长期沉淀用户画像 → 在未来几天重新触达、个性化推荐（会话外转化）

所以需要区分：

• 即时行为特征（Session Intent Signals）
• 长期稳定特征（User Profile Traits）
• 决策偏好（Preference Signals）

---

二、信息提取总表（14 大类）

以下是跨境电商导购智能体中最关键、最常用、也最能提升 GMV 的信息维度。

---

1. 购买意图强度（Purchase Intent Level）

提取内容：

• 是否明确想购买
• 当前是否在比较
• 仅仅是浏览、闲聊

使用：

• 在会话内判断是否要 aggressive 推品、上优惠、或转轻聊
• 作为 S2 触达（次日提醒）的强信号

---

2. 购买时间窗口（Purchase Time Window）

提取内容：

• 立即买
• 今天
• 本周
• 近期没打算，但可能将来考虑

使用：

• 决定后续的跟进节点（隔天推荐、满减提醒、到货提醒）

---

3. 用户预算（Price Range / Budget）

提取内容：

• 明确预算（200 美金以内）
• 隐性预算（“有点贵”，“能便宜点吗”）

使用：

• 实时过滤推荐
• 下次触达推降价/折扣品

---

4. 用户偏好的规格（Product Specifications Preference）

跨境电商最重要的信息之一。

提取内容举例：

• 手机：屏幕大小、电池、拍照能力、品牌倾向
• 美妆：肤质、色号偏好、品牌忠诚度
• 家电：容量、能耗、噪音、是否智能
• 服饰：尺码、颜色、风格（简约/街潮/成熟）

使用：

• 建立长期偏好画像
• 下次触达时自动补品或者推同类爆品

---

5. 功能需求（Use Case / Job-to-be-Done）

提取内容：

• 买手机给老人
• 买耳机用于运动
• 买玩具给小孩
• 买护肤品为解决具体问题（痘痘、敏感等）

使用：

• 根据需求推品
• 用户画像沉淀“需求场景标签”

---

6. 用户的痛点（Pain Points）

提取内容：

• “之前买的容易坏”
• “之前运费太贵”
• “不想等太久”

使用：

• 对症推荐
• 下次触达时利用痛点回溯（“这个型号物流更快”）

---

7. 购买阻碍与疑虑（Objections）

提取内容：

• 价格
• 品牌信任度
• 品质
• 是否兼容
• 是否真实商品

使用：

• 会话内处理异议
• 会话外在次日用“消除异议内容”二次触达

---

8. 竞争品与对比对象（Competitor / Comparison Items）

提取内容：

• 用户看过的型号或品牌
• 在比较 A vs B
• 曾在其他平台看到过（亚马逊、速卖通等）

使用：

• 自动生成对比表
• 后续 push 价格变动、替代型号

---

9. 用户对服务的偏好（Service Preferences）

提取内容：

• 期望物流速度
• 是否要求免税
• 是否优先看退货政策
• 是否要求客服答得快

使用：

• 会话内调服务文案
• 下次触达时强调“无忧退换/包邮”等卖点

---

10. 语言与沟通风格（Communication Style）

提取内容：

• 长文本 / 短文本
• 喜欢英文/中文
• 喜欢图片/视频
• 对专业术语的接受度

使用：

• 会话用词调整
• 个性化触达方式（视频推荐 vs 文本推荐）

---

11. 用户的历史互动轨迹（Behavior History Signals）

提取内容：

• 看过的商品
• 加购
• 收藏
• 聊天中点开过的商品卡片

使用：

• 预测下一次可能购买的品类
• 下次触达推加购优惠

---

12. 交易概率（Conversion Probability）

系统可由模型给出评分。

提取内容：

• 高价值客户
• 中度犹豫
• 无意向

使用：

• 决定是否 push 优惠券
• 后续触达是否继续花精力跟进

---

13. 用户所在地与物流条件（Region & Logistics Constraints）

提取内容：

• 国家/城市
• 收货限制（如某些国家不支持特定电池产品）

使用：

• 过滤不适配商品
• 触达时推“本地仓 + 免税”商品

---

14. 用户画像维度（User Profile Schema）

提取建议维度：

1. 性别（推断）
2. 年龄段（推断）
3. 生活方式标签（宠物、健身、学生、白领等）
4. 兴趣偏好（科技、美妆、手工、汽车）
5. 价格敏感度（敏感 / 适中 / 不敏感）
6. 品质敏感度
7. 对品牌的忠诚度

使用：

• 长期推荐
• 个性化 feed 流（如果你们有 APP/小程序）

---

三、给你一个最实际的模板（可直接给工程/算法使用）

{
  "session_intent": "compare / buy / browse / no_intent",
  "purchase_intent_level": "high | medium | low",
  "buy_time_window": "now | today | this_week | unknown",

  "budget": "number or range",
  "must_have_specs": [...],
  "nice_to_have_specs": [...],
  "use_cases": [...],
  "pain_points": [...],
  "objections": [...],
  "competitor_items": [...],

  "service_preferences": {
      "shipping_speed": "fast / cheap",
      "refund_policy": "strict / flexible",
      "authenticity": true
  },

  "communication_style": "brief / detailed / img_preferred / video_preferred",

  "logistics_region": "...",

  "behaviors": {
      "viewed_items": [...],
      "clicked_items": [...],
      "added_to_cart": [...],
      "requested_comparison": [...]
  },

  "conversion_probability": 0.0 ~ 1.0,

  "user_profile_tags": [
      "tech_lover",
      "price_sensitive",
      "gift_for_children",
      ...
  ]
}

---

四、你真正应该问自己的问题（PM 视角）

你需要决定：

1. 哪些信息需要实时推理（Online NLU）
2. 哪些需要沉淀入 User Profile（Long-term Memory）
3. 哪些只在会话内用完即弃（Session-level）

会话内提取的核心作用

会话内的提取主要是针对当前对话的即时决策，但它同时可以部分更新用户画像，关键在于你如何设计数据流和存储策略。可以分清楚几个层次：

---

1. 会话内提取的核心作用

作用	说明
驱动工具调用	根据用户意图调用对应工具，例如：产品搜索、优惠券查询、物流查询。比如用户说“我想买iPhone”，会话内提取品牌、型号、价格槽位后触发产品搜索工具。
辅助意图识别	细化意图类别，例如用户说“想买一个礼物给妈妈”，提取recipient=mother可以帮助意图分类更准确。
决策策略	Agent的下一步动作，如确认槽位、推荐、引导购买。会话内特征直接作为策略输入。

---

2. 会话内提取能否构建用户画像？

可以，但一般是部分、临时的画像：

• 会话内提取的数据可做增量更新：

  • 当前偏好：品牌、价格区间、产品类别
  • 当前需求：功能、用途
  • 潜在意图：购买强度、时间窗口

• 这些数据可以实时写入用户画像缓存（如Redis或短期数据库），支持跨轮对话的连续性。

• 对于长期用户画像（跨天、跨周），通常需要离线沉淀，例如历史偏好统计、累积购买行为等。

---

3. 总结关系

实时提取（会话内）
 ├─ 核心目标：驱动工具、判断意图、策略决策。 存储在redis缓存即可
 └─ 增量画像：记录当前偏好或临时槽位，可支持会话连续性

离线提取（会话外）
 ├─ 核心目标：长期画像、用户偏好沉淀、个性化推荐
 └─ 数据来源：会话内提取 + 历史行为 + 交易记录

原则：

1. 会话内 = “即时行为特征 + 临时槽位”，主要用于对话流和推荐决策
2. 会话外 = “长期稳定偏好 + 决策偏好”，用于画像、再营销和跨会话推荐