智能销售助手-用户画像

目录

• • 一句话先给你结论（给你定心）
• 一、你这个 AI 销售助手，用户画像“到底是给谁用的？”
• 二、完整的用户画像“分层模型”（你可以直接照抄）
  • ① 基础身份画像（Identity Layer）【最基础】
  • ② 行为画像（Behavior Layer）【最重要】
    • 行为类型清单（你可以直接用）
      • A. 会话行为（聊天中）
      • B. 站内行为（独立站）
  • ③ 偏好画像（Preference Layer）【用于推荐】
    • 产品偏好
    • 沟通偏好（非常关键）
  • ④ 决策画像（Decision Layer）【决定 CTA】
  • ⑤ 价值 & 潜力画像（Value Layer）【决定值不值得追】
  • ⑥ 时间 & 状态画像（Temporal Layer）【让 Agent 像真人】
• 三、画像不是一次算完，而是“动态更新”
  • • 简化实现方式（适合小白）
• 四、这些画像如何直接用在你的“推荐功能”？
  • • 场景 1：当天没成单，第二天主动聊
    • 场景 2：新品 / 降价主动推荐
• 五、给你一个“产品经理级别”的最小落地清单（MVP）
  • 下一步我可以继续帮你的方向

下面我用产品经理能落地的视角，系统性地回答你这个问题。你现在问的，其实是“AI 销售助手的用户画像体系该怎么从 0 建”。

我会分四层来讲，由浅入深、从能做 → 值钱 → 可进化，而不是学术化定义。

---

一句话先给你结论（给你定心）

用户画像不是“标签大全”，而是“为销售转化服务的决策资产”。
你只需要建立能直接影响：话术、推荐、跟进时机、CTA 的那一小撮画像维度。

---

一、你这个 AI 销售助手，用户画像“到底是给谁用的？”

不是给 BI 看，不是给运营看，是给 Agent 决策用的。

在你系统里，用户画像只服务 4 件事：

1. 要不要主动聊（跟进时机）
2. 聊什么（推荐什么产品）
3. 怎么聊（话术 & 风格）
4. 推什么 CTA（加购 / 下单 / 咨询 / 等待）

👉 所以画像一定要可计算、可更新、可用于路由决策

---

二、完整的用户画像“分层模型”（你可以直接照抄）

我建议你把画像拆成 5 大类 + 1 个时间维度

不是一次性做完，而是从 1 → 5 层逐步上线

---

① 基础身份画像（Identity Layer）【最基础】

解决：这是一个“什么类型的客户”

这些字段一般一次获取，长期有效。

分类	画像字段	来源
国家/地区	国家、语言	IP / WhatsApp 区号
平台	WhatsApp / FB / IG	渠道
新老用户	首次 / 回访	user_id
设备	Mobile / Desktop	前端

📌 你现在就可以做，不依赖模型

---

② 行为画像（Behavior Layer）【最重要】

解决：他“做了什么”

这是 AI 销售最值钱的一层。

行为类型清单（你可以直接用）

A. 会话行为（聊天中）

行为	示例
咨询产品	“Do you have size M?”
价格询问	“Is there any discount?”
对比	“What’s the difference between A and B?”
犹豫	“I’ll think about it”
拒绝	“Too expensive”
失联	24h 未回复

B. 站内行为（独立站）

行为	示例
浏览	view_product
加购	add_to_cart
移除	remove_cart
未支付	checkout_no_pay
下单	purchase

📌 这是你后面“当天没成单但值得继续聊”的核心依据

---

③ 偏好画像（Preference Layer）【用于推荐】

解决：他“更可能喜欢什么”

产品偏好

维度	示例
品类	护肤 / 服装 / 电子
价格带	<$20 / $20–50 / $50+
功能	防水 / 美白 / 无线
款式	简约 / 潮流

📌 来源：

• 聊天中提取（LLM / 规则）
• 浏览 / 加购统计

---

沟通偏好（非常关键）

维度	示例
语言	英文 / 简单英文
回复长度	短句 / 详细
节奏	快速决策 / 慢
形式	文本 / 图片 / 视频

👉 这层决定你用哪套话术模板

---

④ 决策画像（Decision Layer）【决定 CTA】

解决：他“为什么没买” & “差一步是什么”

这是你 Objection 系统的延伸。

维度	示例
价格敏感	高 / 中 / 低
风险顾虑	售后 / 质量 / 物流
决策角色	自己 / 帮别人
决策周期	即时 / 几天 / 几周

📌 来源：

• Objection 分类结果
• 历史转化路径

---

⑤ 价值 & 潜力画像（Value Layer）【决定值不值得追】

解决：要不要继续“主动撩”

维度	示例
成交概率	高 / 中 / 低
潜在客单价	高 / 普通
复购潜力	高 / 低
跟进优先级	P0 / P1 / P2

👉 这是你“第二天主动聊天”的核心判断依据

---

⑥ 时间 & 状态画像（Temporal Layer）【让 Agent 像真人】

解决：什么时候该干嘛

状态	示例
最近活跃	1h / 24h / 7d
当前 FSM 状态	比价中 / 犹豫
上次 CTA	下单失败
冷却期	不要频繁骚扰

---

三、画像不是一次算完，而是“动态更新”

你要有这个认知：

用户画像 = 状态机 + 特征快照

简化实现方式（适合小白）

用户画像 = {
  静态字段（国家、语言）
  +
  滚动行为统计（最近7天浏览数）
  +
  最新决策状态（当前Objection）
}

📌 不要追求“全量画像”，先做“最近 7 天 + 当前会话”

---

四、这些画像如何直接用在你的“推荐功能”？

场景 1：当天没成单，第二天主动聊

触发条件示例

IF
  未成单
  AND 最近24h有加购/深度咨询
  AND 成交概率 >= 中
THEN
  进入「主动跟进 Agent」

推荐逻辑

• 用【产品偏好 + 价格敏感】

• 选：

  • 同款优惠
  • 或更低价替代

• CTA：

  • “限时折扣”
  • “库存提醒”

---

场景 2：新品 / 降价主动推荐

触发条件示例

IF
  用户偏好品类 = 新品品类
  AND 最近30天活跃
THEN
  主动推荐

话术路由

• 高价格敏感 → “降价提醒”
• 功能偏好强 → “功能升级”
• 老客 → “VIP 专享”

---

五、给你一个“产品经理级别”的最小落地清单（MVP）

如果你现在资源有限，只做这 10 个字段就够了：

1. 国家 / 语言
2. 新老用户
3. 最近一次会话意图
4. 当前 Objection
5. 最近 7 天浏览品类
6. 最近是否加购
7. 价格敏感度
8. 沟通风格偏好
9. 成交概率等级
10. 当前 FSM 状态

👉 这已经可以支撑：

• 主动跟进
• 新品推荐
• 话术 & CTA 路由
• AB 测试

---

下一步我可以继续帮你的方向

如果你愿意，我可以下一步直接帮你做其中之一：

1. 用户画像 JSON Schema（可直接存库）
2. 画像 → 推荐 → CTA 的完整决策流程图
3. “主动聊天 Agent” 的 LangGraph 设计示例
4. 画像如何通过埋点 & AB 测试自动优化

你选一个，我直接往下拆。