{"id":"d3f7546e-6a44-429e-9601-ecda0f284185","shortId":"V5CGLE","kind":"skill","title":"p7b-intent-prediction-designer","tagline":"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。","description":"# 意图预测营销设计器\n\n## 一句话定位\n\n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。\n\n## 何时触发\n\n- 用户转化率低，内容触达不精准\n- 想从\"用户搜索了什么\"升级为\"用户可能需要什么\"\n- 需要设计 AI 驱动的个性化推荐系统\n- 获客成本持续上升\n\n## 输入\n\n产品场景 + 用户行为数据 + 当前触达方式。\n\n**示例输入**：\n```\n产品: 在线教育平台\n当前触达: 邮件推送课程推荐（基于浏览历史）\n问题: 打开率 2%，转化率 0.1%\n```\n\n## 设计流程\n\n### Step 1: 意图信号识别\n\n**任务**：识别哪些用户行为可以预测意图。\n\n**信号类型**：\n```\n显性信号:\n  - 搜索关键词\n  - 浏览路径\n  - 加购行为\n  - 直接询问\n\n隐性信号:\n  - 停留时长\n  - 重复访问\n  - 对比行为\n  - 时间规律（如每月月底看某类内容）\n\n上下文信号:\n  - 时间（工作日/周末/深夜）\n  - 地点\n  - 设备类型\n  - 上一动作\n```\n\n### Step 2: 意图分层\n\n**任务**：将用户意图分层，匹配不同的响应策略。\n\n```\n意图分层:\n  L0 无意图: 用户在漫无目的浏览 → 做好内容展示，不打扰\n  L1 弱意图: 用户在探索某个方向 → 提供引导性内容\n  L2 中意图: 用户在比较/评估 → 提供对比/评测内容\n  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）\n  L4 行动意图: 用户正在执行 → 提供辅助/加速内容\n```\n\n### Step 3: 触达策略设计\n\n**任务**：为每个意图层级设计触达策略。\n\n```\n触达策略:\n  L0: 做好推荐位，不打扰\n  L1: 侧边栏/推送卡片，轻量引导\n  L2: 内容弹窗/对比工具，主动帮助\n  L3: 定制化方案/限时优惠，促成决策\n  L4: 一键操作/自动填充，减少摩擦\n```\n\n### Step 4: 反馈闭环\n\n**任务**：设计从触达到模型更新的反馈闭环。\n\n```\n闭环:\n  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\n```\n\n## 综合输出格式\n\n```yaml\nintent_prediction_design:\n  input:\n    product: \"产品名称\"\n    current_approach: \"当前触达方式\"\n    problems: [\"当前问题\"]\n  \n  signals:\n    explicit: [\"显性信号\"]\n    implicit: [\"隐性信号\"]\n    contextual: [\"上下文信号\"]\n    available_now: [\"当前可用的信号\"]\n    need_to_collect: [\"需要额外收集的信号\"]\n  \n  intent_layers:\n    L0: { name: \"无意图\", strategy: \"不打扰\" }\n    L1: { name: \"弱意图\", strategy: \"轻引导\" }\n    L2: { name: \"中意图\", strategy: \"主动帮助\" }\n    L3: { name: \"强意图\", strategy: \"促成决策\" }\n    L4: { name: \"行动意图\", strategy: \"减少摩擦\" }\n  \n  feedback_loop:\n    data_collection: \"数据收集方式\"\n    model_update: \"模型更新频率\"\n    strategy_adjust: \"策略调整机制\"\n  \n  implementation:\n    phase1: \"第一阶段（30天）\"\n    phase2: \"第二阶段（90天）\"\n    phase3: \"第三阶段（180天）\"\n  \n  metrics:\n    primary: \"意图预测准确率\"\n    secondary: [\"转化率\", \"触达响应率\", \"用户满意度\"]\n```\n\n## 常见误判\n\n- **过度预测**：预测太激进，用户感觉被监视\n- **信号不足**：只依赖显性信号，忽视隐性信号\n- **忽视隐私**：意图预测需要行为数据，必须注意隐私合规\n\n## 一句判断\n\n> 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。\n\n## 核心概念\n\n### 概念 1：从人群包到意图预测\n\n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：\n\n| 局限 | 说明 |\n|------|------|\n| **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 |\n| **粗颗粒** | 把备孕、失恋、装修、跳槽等完全不同的人归为一类 |\n| **滞后** | 基于上个月的数据构建，用户需求可能已经变了 |\n\n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\"。**\n\n### 概念 2：1:1 规模化\n\nAI 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。\n\n> **1:1 规模化 = 实时意图理解 × 自动生成内容 × 动态策略优化**\n\n- 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\n- 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\n- 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\n\n### 概念 3：动态受众\n\n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\"。\n\n三个关键特征：\n1. **实时更新**：成员每时每刻都在变化\n2. **意图驱动**：基于\"用户此刻的意图\"定义，而非\"用户是谁\"\n3. **自动触发**：AI 系统自动识别符合条件的用户，自动触发触达\n\n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%。\n\n### 概念 4：上下文感知\n\n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：\n- 周一早上 8 点在办公室附近 → 推送\"到店自取 8 折\"\n- 周六下午 3 点在家里 → 推送\"外卖满减活动\"\n- 出差途中在机场 → 推送\"机场店位置导航\"\n\n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）。\n\n### 概念 5：意图预测的 LLM 新路径\n\n传统意图模型从行为序列中\"猜测\"意图。LLM 带来了质变：\n- **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\n- **从离散标签到连续语义空间**：不把用户硬塞进预设类别\n- **从单轮预测到多轮对话澄清**：\"你是想找台式还是嵌入式？\"\n- **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\n\n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。\n\n## 分步执行\n\n### Step 1：意图信号体系建设\n\n**任务**：建立完整的意图信号采集体系。\n\n| 层级 | 信号类型 | 示例 | 采集方式 |\n|------|---------|------|---------|\n| L1-显性信号 | 用户主动表达 | 搜索、咨询、收藏、加购 | 直接记录 |\n| 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 |\n| L3-上下文信号 | 环境因素 | 时间、地点、设备、网络 | 系统采集 |\n\nL1 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。\n\n**输出**：信号清单 + 采集方案 + 可用/待建信号分类\n\n### Step 2：意图模型构建\n\n**任务**：从行为序列中预测用户下一步的动作。\n\n**模型架构**：\n```\n输入：用户最近 N 个行为信号的时间序列\n处理：\n  1. 行为编码：将每个行为转换为向量\n  2. 序列建模：用 Transformer/LSTM 捕捉行为模式\n  3. 意图推断：从行为模式中推断当前意图\n  4. 上下文融合：结合时间、地点等上下文信号修正意图判断\n输出：意图概率分布\n```\n\n**输出**：意图模型方案 + 训练数据需求\n\n### Step 3：意图分层与策略映射\n\n**任务**：将意图分层，匹配不同的响应策略。\n\n```\nL0 无意图: 漫无目的浏览 → 做好内容展示，不打扰\nL1 弱意图: 探索某个方向 → 侧边栏/推送卡片，轻量引导\nL2 中意图: 比较/评估 → 内容弹窗/对比工具，主动帮助\nL3 强意图: 即将决策 → 定制化方案/限时优惠，促成决策\nL4 行动意图: 正在执行 → 一键操作/自动填充，减少摩擦\n```\n\n**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）\n\n**输出**：意图-策略映射矩阵\n\n### Step 4：效果评估与迭代\n\n**任务**：同时追踪三类指标，确保精准不以牺牲信任为代价。\n\n- **效率指标**：点击率、转化率、ROI\n- **体验指标**：推荐满意度、用户反馈评分、\"不感兴趣\"点击率\n- **健康指标**：用户活跃度变化、推送关闭率、APP 卸载率\n\n**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\"。\n\n**输出**：指标体系 + 迭代优化方案\n\n### 示例\n\n### 示例 1：在线教育平台的意图预测营销升级\n\n**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。\n\n**用户输入**：\n\n> 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。\n\n**执行流程**：\n\n1. **信号体系建设**：\n   - L1 显性信号：搜索关键词（如\"Python 入门\"）、收藏课程、咨询客服\n   - 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\n   - 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）\n2. **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）\n3. **策略映射**：\n   - L0 用户：不推送，优化首页推荐\n   - L1 用户：侧边栏展示\"热门学习路径\"\n   - L2 用户：推送\"Python vs Java 就业前景对比\"\n   - L3 用户：推送\"数据分析师转型套餐+限时优惠+学员案例\"\n4. **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\n\n**输出结果**：\n\n```yaml\nintent_prediction_design:\n  signals:\n    explicit: [\"搜索课程关键词\", \"收藏课程\", \"咨询客服\"]\n    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\"]\n    contextual: [\"访问时间\", \"设备类型\", \"学习场景\"]\n  intent_layers:\n    L0: { name: \"无意图\", strategy: \"优化首页推荐，不打扰\" }\n    L1: { name: \"探索\", strategy: \"侧边栏学习路径推荐\" }\n    L2: { name: \"比较评估\", strategy: \"课程对比内容+评测推送\" }\n    L3: { name: \"购买决策\", strategy: \"限时优惠+学员案例+一键报名\" }\n  expected_improvement:\n    open_rate: \"从 2% 提升至 8-12%\"\n    conversion_rate: \"从 0.1% 提升至 1-2%\"\n  implementation:\n    phase1: \"30天：信号采集体系搭建+行为埋点\"\n    phase2: \"60天：意图模型 v1 上线，覆盖 L2/L3 用户\"\n    phase3: \"90天：全意图层级覆盖+反馈闭环优化\"\n```\n\n### 示例 2：电商平台的动态受众与上下文触达\n\n**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。\n\n**用户输入**：\n\n> 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。\n\n**执行流程**：\n\n1. **意图信号识别**：\n   - 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\n   - 传统系统：打上\"母婴\"标签，推送母婴广告\n   - 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\"\n2. **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\n3. **上下文感知触达**：\n   - 工作日晚 8-10 点（浏览高峰）→ 推送深度对比测评\n   - 周末下午 → 推送\"限时折扣+用户真实评价\"\n   - 手机端 → 短视频形式的商品展示\n4. **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\n\n**输出结果**：\n\n```yaml\nintent_prediction_design:\n  dynamic_audience:\n    rule: \"过去7天浏览≥3款同类商品未下单+今日活跃\"\n    real_time_update: true\n    auto_trigger: true\n  context_awareness:\n    time: \"工作日晚8-10点推深度内容，周末推限时优惠\"\n    device: \"手机端短视频，电脑端详细评测\"\n    social: \"朋友推荐后推同款，搜索后推对比\"\n  expected_improvement:\n    ctr: \"从 1.2% 提升至 3.8%（+217%）\"\n    conversion: \"从 0.8% 提升至 2.5%（+213%）\"\n    roi: \"从 1:3 提升至 1:9（+200%）\"\n    complaint_rate: \"从 0.5% 降至 0.3%（-40%）\"\n  ethics_framework:\n    transparency: \"提供'为什么看到这个'的说明入口\"\n    controllability: \"用户可设置频率控制、类型控制、免打扰时段\"\n    restraint: \"敏感场景主动回避，疲劳度管理\"\n```\n\n## 精准与主权的平衡\n\n### 三大伦理原则\n\n1. **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\n2. **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\n3. **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\n\n### 过度精准的三个层次\n\n- **内容冒犯**：推送过于私密或敏感的内容\n- **频率侵入**：精准不等于可以无限增加频率\n- **存在感不安**：用户意识到\"算法一直在观察我\"\n\n**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。\n\n## 常见陷阱\n\n- **陷阱 1：过度预测**——预测太激进，用户感觉被监视\n- **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\n- **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\n- **陷阱 4：静态思维**——用静态画像代替动态意图，错失实时机会\n- **陷阱 5：精准即正义**——越精准越好？不，精准的边界是用户信任\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`p7a-data-flywheel-builder`（数据飞轮为意图预测提供数据燃料）\n- **下游应用**：`p7c-predictive-retention-designer`（意图变化可作为流失信号）\n- **并行参考**：`p7d-marketing-productizer`（营销产品化中的推荐机制依赖意图预测）","tags":["p7b","intent","prediction","designer","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p7b-intent-prediction-designer","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7b-intent-prediction-designer","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (7,410 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:33.828Z","embedding":null,"createdAt":"2026-05-01T01:03:01.871Z","updatedAt":"2026-05-18T18:57:33.828Z","lastSeenAt":"2026-05-18T18:57:33.828Z","tsv":"'+200':894 '+213':886 '+217':880 '-10':824 '-12':733 '-2':740 '-35':250 '-40':901 '0.1':50,593,606,737 '0.3':900 '0.5':898 '0.8':766,778,883 '1':53,244,287,288,292,293,298,299,334,423,484,584,609,739,768,781,785,889,892,917,955 '1.2':764,776,877 '10点推深度内容':865 '180天':221 '2':48,78,286,337,474,487,591,604,635,730,759,810,924,960 '2.5':885 '213':353 '217':351 '25':249,262 '3':112,321,329,344,372,492,505,641,650,769,782,816,820,890,931,965 '3.8':879 '30s':791 '30天':215,743 '3款同类商品未下单':851 '4':137,357,495,552,673,834,970 '40':355 '45s':793 '5':394,975 '60天':747 '7':327,814 '8':365,369,732,823 '9':893 '90天':218,755 'adjust':210 'ai':8,33,290,304,309,315,346 'app':569 'approach':156 'audienc':848 'auto':857 'avail':167 'awar':861 'builder':988 'collect':172,204 'complaint':895 'context':860 'contextu':165,695 'control':908 'convers':734,881 'ctr':875 'current':155 'data':203,986 'design':5,151,684,846,995 'devic':867 'dynam':847 'engin':412 'ethic':902 'expect':725,873 'explicit':161,686 'feedback':201 'flywheel':987 'framework':903 'implement':212,741 'implicit':163,690 'improv':726,874 'input':152 'intent':3,149,174,682,699,844 'java':665 'l0':84,117,176,510,652,701 'l1':89,120,181,432,457,466,515,611,656,707 'l1-显性信号':431 'l2':93,124,186,441,462,521,619,660,712 'l2-行为信号':440 'l2/l3':752 'l3':99,128,191,449,459,464,528,625,647,667,718 'l3-上下文信号':448 'l4':106,132,196,534 'layer':175,700 'llm':396,401,416 'loop':202 'market':1000 'metric':222 'model':206 'n':481 'name':177,182,187,192,197,702,708,713,719 'nativ':9 'need':170 'open':727 'p7a':985 'p7a-data-flywheel-builder':984 'p7b':2 'p7b-intent-prediction-designer':1 'p7c':992 'p7c-predictive-retention-designer':991 'p7d':999 'p7d-marketing-productizer':998 'phase1':213,742 'phase2':216,746 'phase3':219,754 'predict':4,150,683,845,993 'primari':223 'problem':158 'product':153,1001 'prompt':411 'python':615,639,663 'rate':728,735,896 'real':853 'restraint':912 'retent':994 'roi':560,767,779,887 'rule':849 'secondari':225 'signal':160,685 'skill':981 'skill-p7b-intent-prediction-designer' 'social':870 'source-gmaxxxie' 'step':52,77,111,136,422,473,504,551 'strategi':179,184,189,194,199,209,704,710,715,721 'time':854,862 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'transformer/lstm':490 'transpar':904 'trigger':858 'true':856,859 'updat':207,855 'v1':749 'vs':629,633,664 'yaml':148,681,843 '一二线城市':253 '一句判断':239 '一句话定位':18 '一家在线教育平台':587 '一键报名':724 '一键操作':133,537 '三个关键特征':333 '三个关键问题':540 '三大伦理原则':916 '上一动作':76 '上下文信号':69,166,450,626 '上下文包括四个维度':379 '上下文感知':358 '上下文感知触达':821 '上下文融合':496 '上游输入':983 '上线':750 '下游应用':990 '不':978 '不感兴趣':564,922 '不打扰':88,119,180,514,706 '不把用户硬塞进预设类别':406 '不推送':654 '不说':934 '不需要同比例增加人力':297 '与其他':980 '且今天活跃的用户':332,818 '两者融合':415 '个体预见':15,22,597 '个行为信号的时间序列':482 '中意图':94,188,522 '为什么看到这个':906 '为每个意图层级设计触达策略':115 '为这个用户':312 '主动帮助':127,190,527 '产品':41 '产品名称':154 '产品场景':37 '人群包只看到':261 '人群包是':281 '人群定向':13,20,247,595 '今日活跃':852 '从':19,729,736,876,882,888,897 '从人群包到意图预测':245 '从单轮预测到多轮对话澄清':407 '从垂直模型到通用基础模型':409 '从离散标签到连续语义空间':405 '从行为序列中预测用户下一步的动作':477 '从行为推断到语义理解':403 '从行为模式中推断当前意图':494 '任务':55,80,114,139,425,476,507,554 '优化首页推荐':655,705 '优惠':104 '传统意图模型从行为序列中':398 '传统模型处理高频':419 '传统系统':799 '传统营销的触达逻辑是':246 '但有三个绕不开的局限':257 '但没有下单':331 '体验指标':561 '何时推':543 '何时触发':25 '你是想找台式还是嵌入式':408 '侧边栏':121,518 '侧边栏学习路径推荐':711 '侧边栏展示':658 '促成决策':131,195,533 '信号不足':233,961 '信号中推断出接近':465 '信号体系建设':610 '信号最丰富但最嘈杂':460 '信号最准确但最稀疏':458 '信号清单':469 '信号类型':57,428 '信号采集体系搭建':744 '做好内容展示':87,513 '做好推荐位':118 '停留时长':64 '健康指标':566 '先用精准建立效率':572,948 '克制性原则':932 '免打扰时段':911 '入门':616 '全意图层级覆盖':756 '关键原则':571 '关闭':677 '内容冒犯':940 '内容弹窗':125,525 '内容类型':542 '内容触达不精准':27 '再用克制建立信任':573,949 '决策谨慎':809 '准妈妈':806 '减少摩擦':135,200,539 '出差途中在机场':376 '分享中':392 '分步执行':421 '分钟':642 '到':21 '到店自取':368 '加购':438 '加购行为':61 '加速内容':110 '动态优化触达策略':317 '动态受众':322 '动态受众构建':811 '动态受众的定义不是静态标签':323 '动态策略优化':303 '动态规则':325 '匹配不同的响应策略':82,509 '升级为':14,30,596 '即将决策':530 '卸载率':570 '反复访问同类课程':623,693 '反馈入口':923 '反馈闭环':138,674 '反馈闭环优化':757 '只依赖显性信号':234,962 '可以':305,310,316 '可控性原则':925 '可用':471 '同一个':361 '同时追踪三类指标':555 '周一早上':364 '周五酒吧':266 '周六下午':371 '周日在家的不同需求':267 '周末':72,382,630 '周末下午':828 '周末推限时优惠':866 '和':463 '咨询':436 '咨询客服':618,689 '商场':385 '回看行为':446 '在什么情境下推送':360 '在推荐内容旁标注推荐理由':920 '在用户明确表达之前':23 '在用户明确表达之前就提供相关内容':16 '在线教育平台':42 '在线教育平台的意图预测营销升级':585 '地点':74,453 '地点等上下文信号修正意图判断':498 '场景描述':586,761 '基于':7,339 '基于上个月的数据构建':274 '基于浏览历史':45,589,602 '基于行为序列构建意图预测模型':637 '处理':483 '处理高价值':417 '外卖满减活动':375 '天内浏览过至少':328 '天浏览':815 '失恋':270 '女性':252 '如':614 '如每月月底看某类内容':68 '存在感不安':944 '学习场景':698 '学员案例':672,723 '定义':341 '定义规则':812 '定制化方案':129,531 '实时意图理解':301 '实时更新':335 '实时理解个体意图':306 '实现了传统营销不可能的能力':291 '家里':386 '对比工具':126,526 '对比意图':836 '对比行为':66,624,694 '将意图分层':508 '将每个行为转换为向量':486 '将用户意图分层':81 '就业前景对比':666 '就预测他们需要什么并主动提供':24 '局限':258 '层级':427 '岁':251 '岁女性':263 '工作日':71,381 '工作日晚':822 '工作日晚8':864 '工作日晚8-10点推深度内容':863 '工作日晚上':628 '希望从':594 '希望引入意图预测和动态受众':770 '带来了质变':402 '帮助产品从':12 '常见误判':229 '常见陷阱':953 '并行参考':997 '序列建模':488 '建立完整的意图信号采集体系':426 '弱意图':90,183,516 '强意图':100,193,529,648 '当前可用的信号':169 '当前触达':43 '当前触达方式':39,157 '当前通过邮件推送课程推荐':588 '当前问题':159 '当前靠邮件推送课程推荐':601 '待建信号分类':472 '必须注意隐私合规':238,968 '忽略':676 '忽视隐性信号':235 '忽视隐性信号和上下文信号':963 '忽视隐私':236,966 '怎么推':545 '恰好不推送':578 '恰好推送':576 '想从':28 '想做意图预测营销':607 '想喝咖啡':362 '想引入意图预测做动态受众':783 '意图':400,549 '意图-策略映射矩阵':548 '意图信号体系建设':424 '意图信号识别':54,786 '意图分层':79,83 '意图分层与策略映射':506 '意图判定为':646 '意图变化可作为流失信号':996 '意图推断':493 '意图概率分布':500 '意图模型':636,748 '意图模型方案':502 '意图模型构建':475 '意图模型都在更新':308 '意图预测不是':276 '意图预测不是猜用户想要什么':240 '意图预测准确率':224 '意图预测是':283 '意图预测的':395 '意图预测的看家本领是从':461 '意图预测系统':804 '意图预测营销概念卡':11 '意图预测营销设计器':6,17 '意图预测还需要第四个维度':359 '意图预测需要行为数据':237,967 '意图驱动':338 '成员每时每刻都在变化':336 '我们是在线教育平台':600 '我们是电商平台':773 '我知道你是谁':282 '我知道你此刻想要什么':284 '或轻量微调适配不同场景':413 '手机':388 '手机碎片化学习':632 '手机端':832 '手机端短视频':868 '才':780 '打上':800 '打开率':47,590 '打开率才':603 '执行流程':608,784 '找到一群人推送给他们':277 '把备孕':269 '折':370 '指标体系':580 '捕捉行为模式':491 '探索':709 '探索意图':840 '探索某个方向':517 '推什么':541 '推断为':805 '推荐满意度':562 '推送':367,374,377,662,669,829 '推送关闭率':568 '推送卡片':122,519 '推送新鲜发现':841 '推送母婴广告':803 '推送深度对比测评':827 '推送给符合标签的人':255 '推送评测内容':837 '推送过于私密或敏感的内容':941 '推送限时优惠':839 '提供':905,921 '提供促成决策的内容':102 '提供对比':97 '提供引导性内容':92 '提供辅助':109 '提升投放效率':771 '提升至':731,738,878,884,891 '提升触达精准度':598 '搜索':435,644,796 '搜索关键词':59,613 '搜索后推对比':872 '搜索课程关键词':687 '收藏':437 '收藏课程':617,688 '效果评估与迭代':553 '效率指标':557 '敏感场景主动回避':913 '敏感性检测':935 '数据分析师转型套餐':670 '数据收集方式':205 '数据飞轮为意图预测提供数据燃料':989 '新路径':397 '无意图':85,178,511,703 '时机判断':937 '时间':70,380,452 '时间控制':929 '时间规律':67 '显性信号':58,162,433,612 '更新意图评分':143,678 '更新模型':146 '最可能的演进路径是':414 '最终用信任驱动更深层的精准':574,950 '月子中心':797 '朋友推荐后推同款':871 '未购买退出':794 '机场店位置导航':378 '某电商平台将人群包定向升级为动态受众后':349 '某电商平台目前使用传统人群包定向投放广告':762 '标签':264,802 '核心判断':947 '核心概念':242 '根据':248 '案例':103 '概念':243,285,320,356,393 '模型更新频率':208 '模型架构':478 '款同类商品但未下单':817 '款竞品':330 '正在为新生命做全面准备':807 '正在执行':536 '母婴':801 '每一次触达都是一次实验':318 '每一秒都在根据反馈调整':319 '比较':523 '比较评估':714 '没有信任的精准是短视的':951 '没有精准的信任是空洞的':952 '浏览婴儿床':798 '浏览婴儿推车':790 '浏览孕妇装':795 '浏览数据分析课程':643 '浏览时长':444 '浏览路径':60 '浏览高峰':826 '深夜':73,383 '深度控制':930 '滑动模式':445 '滞后':273 '漫无目的浏览':512 '点':825 '点击率':558,565,763,775 '点击率提升':350 '点在办公室附近':366 '点在家里':373 '热门学习路径':659 '独自':391 '猜测':399 '环境因素':451 '现在用人群包投广告':774 '理解一个人此刻想要什么':279 '用':489 '用户':653,657,661,668,753,787 '用户主动表达':434 '用户即将决策':101 '用户反馈评分':563 '用户可能需要什么':31 '用户可设置频率控制':909 '用户在探索某个方向':91 '用户在比较':95 '用户在漫无目的浏览':86 '用户对推荐内容的点击':675 '用户应该知道算法在做什么':919 '用户应该能够控制被触达体验':926 '用户意识到':945 '用户感觉被监视':232,958 '用户投诉率下降':354 '用户搜索了什么':29 '用户是谁':343 '用户最近':480 '用户正在执行':108 '用户此刻的意图':340 '用户每产生一个行为信号':307 '用户活跃度变化':567 '用户满意度':228 '用户真实评价':831 '用户行为变化':142 '用户行为推断':443 '用户行为数据':38 '用户转化率低':26 '用户输入':599,772 '用户需求可能已经变了':275 '用静态画像代替动态意图':972 '电商平台的动态受众与上下文触达':760 '电脑':389 '电脑深度学习':634 '电脑端详细评测':869 '疲劳度管理':914,936 '的关系':982 '的意图':363 '的说明入口':907 '直接理解用户自然语言表达中的隐含意图':404 '直接记录':439 '直接询问':62 '看不到她周一通勤':265 '看评论':792 '真正针对每个个体的个性化':295 '短视频形式的商品展示':833 '确保精准不以牺牲信任为代价':556 '示例':429,582,583,758 '示例输入':40 '社交':390 '空间':384 '第一阶段':214 '第三阶段':220 '第二阶段':217 '等标签组合出人群包':254 '策略映射':651,835 '策略映射矩阵':550 '策略调整机制':211 '算法一直在观察我':946 '算法应该学会':933 '类型控制':910,928 '粗颗粒':268 '精准不等于可以无限增加频率':943 '精准与主权的平衡':915 '精准即正义':976 '精准的最高境界不是':575 '精准的边界是用户信任':979 '精度的意图判断':467 '系统自动识别符合条件的用户':347 '系统采集':456 '结合时间':497 '给他最合适的回应':280 '综合输出格式':147 '网络':455 '而是':278,324,577 '而是在用户需要的时候恰好出现':241 '而非':342 '职业转型':649 '自动填充':134,538 '自动生成个性化内容':311 '自动生成内容':302 '自动触发':345 '自动触发触达':348 '自动识别比价用户群':819 '获客成本持续上升':35 '营销与增长':10 '营销产品化中的推荐机制依赖意图预测':1002 '行为信号':442,620 '行为埋点':447,745 '行为序列':789 '行为编码':485 '行动意图':107,198,535 '装修':271 '覆盖':751 '覆盖百万甚至千万级用户':296 '观察效果':145 '规模化':289,294,300 '触达响应率':227 '触达方式':546 '触达时机':544 '触达策略':116 '触达策略设计':113 '训练数据需求':503 '设备':387,454,631 '设备类型':75,697 '设计从触达到模型更新的反馈闭环':140 '设计流程':51 '访问时间':627,696 '评估':96,524 '评测内容':98 '评测推送':717 '识别哪些用户行为可以预测意图':56 '试看':638 '试看完播率':692 '试看视频的完播率':622 '说明':259 '课程':640 '课程对比内容':716 '课程预览停留时长':621,691 '调整下次触达策略':679 '调整触达策略':144 '购买决策':720 '购买意图':838 '越精准越好':977 '跳槽等完全不同的人归为一类':272 '转化率':49,226,559,592,605,765,777 '转化率提升':352 '转行数据分析师':645 '轻引导':185 '轻量引导':123,520 '输入':36,479 '输出':468,499,501,547,579 '输出结果':680,842 '过去':326,813 '过去7天浏览':850 '过度精准的三个层次':939 '过度预测':230,956 '这个场景':313 '这个意图实时生成全新内容':314 '这个逻辑运转了二十年':256 '迭代优化方案':581 '退出尊重':938 '透明度原则':918 '通过':410 '邮件推送课程推荐':44 '采集方式':430 '采集方案':470 '重复访问':65 '重视口碑':808 '错失实时机会':973 '闭环':141 '问题':46 '降至':899 '限时':105 '限时优惠':130,532,671,722 '限时折扣':830 '陷阱':954,959,964,969,974 '隐性信号':63,164 '需要毫秒级响应的场景':420 '需要深度语义理解的场景':418 '需要设计':32 '需要额外收集的信号':173 '静态':260 '静态思维':971 '预测太激进':231,957 '频率侵入':942 '频率控制':927 '驱动的个性化推荐系统':34","prices":[{"id":"5138626a-dd3e-4cd7-a19b-f3237953d2cd","listingId":"d3f7546e-6a44-429e-9601-ecda0f284185","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:01.871Z"}],"sources":[{"listingId":"d3f7546e-6a44-429e-9601-ecda0f284185","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p7b-intent-prediction-designer","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7b-intent-prediction-designer","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:01.871Z","lastSeenAt":"2026-05-18T18:57:33.828Z"}],"details":{"listingId":"d3f7546e-6a44-429e-9601-ecda0f284185","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p7b-intent-prediction-designer","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"dcc85bb1a25cffe487a5534cb6f61b76bca2ae3f","skill_md_path":"skills/p7b-intent-prediction-designer/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7b-intent-prediction-designer"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"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。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7b-intent-prediction-designer"},"updatedAt":"2026-05-18T18:57:33.828Z"}}