AI用户画像
标签怎么建、怎么用、怎么收

用户画像在说什么？

画像把可观察的行为（买过什么、多久没来、用过哪张券）和少量登记信息，整理成可检索的标签，方便发券、排序、排班，而不是生成一篇“用户小传”。AI 可以帮忙做聚类、打分、补全缺失，但补全的是推测，抽检不合格时宁可不用。

私域里还有企微备注、进群、直播观看等信号，和店铺订单如何打通、数据是否出域，见AI赋能私域。本文聚焦标签怎么设计、怎么更新、怎么避免把错误标签用到伤害信任的地方。

建议先建的标签层（从能核对的开始）

1. 登记与账户（事实）

• 用户填写的：地区、会员等级、是否认证；未填项不要用模型猜了再当事实用
• 账户：注册时间、绑定手机号是否验证（号码本身不要进推荐特征展示）
• 设备：仅用于风控和兼容，一般不必当营销人格

2. 行为（可统计）

• 访问：频次、最近一次、常用时段（用于少打扰，而不是半夜催付）
• 交易：次数、金额、间隔、退货次数（退货高应限制激进推荐）
• 互动：评价、咨询、分享；咨询多且未解决应转人工跟进，不要只打标签
• 搜索：原词可辅助选品；要把测试词、辱骂词过滤掉

3. 偏好（部分可推断，必须可改）

• 类目与品牌：以成交和重复浏览为主，一次误点不要定终身
• 价格带：用实际成交，而不是浏览最高价
• 促销类型：满减、折扣、赠品，以核销为准
• 风格：服饰等视觉类很主观，没有负反馈入口时宁可粗分

4. 生命周期（规则即可）

• 新：注册短、订单少，适合说明规则而不是狂推
• 活跃：近期有访问或购买
• 沉默：超过你们自己定义的间隔；间隔要因品类而异
• 流失：定义为“很久没来”即可，不要在前台展示该词

5. 价值与风险（打分要克制）

• RFM：近度、频度、金额，规则透明，适合多数店铺先用这个
• LTV 类预测：误差大，只作内部排序，不作对客分级羞辱
• 流失分：仅用于召回实验名单
• 传播：分享次数不等于影响力，谨防鼓励刷分享

从日志到标签，机器能代劳哪几步？

收集：用途先行

先写清这个标签要驱动哪一个动作（发哪种券、是否降权消息），再决定采什么。

• 登记：自愿填写，可改、可删
• 行为与交易：履约所必需的，保留期限写进政策
• 咨询与评价：质检和售后需要；送进生成式工具前要脱敏
• 外部补充：第三方数据合规风险高，默认可以不做

清洗：先于模型

• 去掉内部测试号、明显刷单、取消未支付的脏订单（按你们财务口径）
• 同一人多账户能合并再合并，合并不了就不要强行“一个真人”
• 缺失值保持未知，不要用众数填成“男/女”再去推商品

特征：统计往往够用

• 先算近 7/30/90 天的次数与金额，观察活动周是否把人打成“高价值”
• 时间规律用于发送时段，而不是推断性格
• 深度模型挖出的隐变量，若运营说不清，就不要用来自动发券

打标：规则、模型和聚类分开管

• 规则标签：如“30 天未购且曾购”，可审计
• 模型标签：必须有抽检样本和失效时间
• 聚类：群名用业务语言（“只买洗护”），避免玄学命名
• 更新：实时标签（购物车）和月级分层不要混用同一套刷新

用在什么动作上（以及不要用在哪）

发券和内容：模板可选，价格规则不可暗改

• 常核销满减的人，可以优先看到满减活动页，而不是给另一套吊牌价
• 多次买某品牌的人，可推该品牌会员日，需库存真实
• 新品爱好若只来自点开不买，应降权，以免测款测到反感

服务差异：写进会员章程

• 高贡献：优先人工、积分规则公开
• 潜力：首单说明、可跳过的兴趣选择，而不是电话轰炸
• 普通：常规活动即可
• 沉默：降频 + 一次可退订的召回，失败就停

推荐：标签是特征之一

• 类目偏好进入召回，同时保留探索和负反馈，见AI个性化推荐
• 价格带用于过滤明显不符的货，不是只推最贵
• 购买周期对耗材有用，对耐用商品会误催复购

召回：实验，不是审判

• 名单用分数排序后，仍要对照（一部分不发）
• 话术只讲商品和券，不讲“系统认为您要走了”
• 频次遵循平台和通信规则

选品：看结构，不看玄学人设

• 会员实际成交结构指导补货
• 预测爆款要和运营、供应链一起看，标签热不等于能供货

标签治理：分类、权重、刷新

三类标签

事实

可追溯到订单或登记：地区、订单数、最近购买日。

规则计算

如 RFM 分档、是否持有某张券。公式要写在内部文档，改公式要版本号。

模型推断

购买意向、流失分。必须有过期时间和抽检；准确率掉了就停用，而不是继续群发。

谁优先

• 先信交易和售后：退货、投诉应能一票否决激进策略
• 再信主动行为：搜索、加购
• 少信设备与推测人口属性

刷新节奏

• 会话级：当前浏览、车内商品
• 日级：是否活跃、券是否过期
• 周或活动后：分层、RFM，避免大促当天把所有下单者打成同一档

怎样减少错标

按动作补标签，而不是追求数量

• 没有对应运营动作的标签，建了也没人维护
• 新特征先小流量验证，再全量打标

抽检

• 随机抽用户，看标签与最近订单是否矛盾
• 发券对照：有标签 vs 随机，看核销和客诉，而不是只看打开率
• 用户主动修改兴趣时，以用户为准覆盖推断

删除

• 长期不用、抽检差、与隐私政策不符的，及时停计算
• 重复标签合并，避免同一人被五个“高价值”定义来回拉扯

给运营看的界面

• 能按标签圈人，也能看到该标签的定义和更新时间
• 不要把敏感推断默认展示在客服工作台话术里

落地时的顺序

先对齐要解决的问题

• 是发券过频、还是根本不知道谁在复购
• 现有订单、会员、日志能不能连上
• 先做二十个以内可解释的规则标签，通常比上百个模型标签好用

再接计算与权限

• 谁能导出名单、导出是否脱敏
• 预测类标签单独开关

接到具体活动里

• 每次只用一两个标签做变量，否则无法复盘
• 效果差就改定义或停用，而不是继续堆标签

常见问题

Q1：用户很少能不能做画像？

A：可以做 RFM 和类目统计，帮助你自己看结构。用户很少时，模型推断不稳定，把精力放在商品资料和售后口径上更划算。没有“满多少人才能开始”的统一数字。

Q2：会不会侵犯隐私？

A：是否合法取决于目的限定、告知同意、最小必要、安全和留存，而不是“我们是为了更好体验”一句话。生成式工具、外接分析平台会扩大泄露面，合同和开关要单独审。个性化展示应提供弱化或退出方式。

Q3：怎样知道标得准不准？

A：事实标签对订单；推断标签看抽检和对照活动。预测类看后续是否真的发生，发生偏差就降权。不要用无法溯源的行业倍数当合格线。

总结

画像要能被运营讲清楚，并且随时可关：

• 能做的：把交易和自愿信息整理成可圈选的规则，辅助少打扰和货架过滤
• 做不到的：还原真实人格、保证 ROI、替你决定可以差价多少
• 必须人工：定义、抽检、名单导出审批、对客话术
• 合规：少采、脱敏、过期删除、不把推断标签展示给用户

价格策略如何与分层配合、以及私域里差价的观感，见AI智能定价。