用户画像与人群洞察

技能文档

---
name: lingyi-user-persona-and-crowd-insight
title: 用户画像与人群洞察
category: 内容创作
description: "盘点数据基础与画像就绪度，设计标签体系（标准 CDP 六类分层）、分群模型、代表性用户画像与人群洞察，产出可被推荐/营销/内容/产品复用的画像资产及「洞察→运营动作」回路。当用户需要搭建用户画像、设计标签体系、做用户分群、定义精准营销人群或让画像驱动运营动作时触发。触发词：用户画像、人群洞察、标签体系、用户分群、精准营销、RFM。"
---

# 用户画像与人群洞察

把"用户是谁、值多少、要什么、**下一步怎么动**"这条**认知主线**建起来：先盘点数据基础与画像就绪度，再设计**标签体系（标准 CDP 六类分层）+ 用户分群模型 + 代表性用户画像**，并补上**人群洞察→运营动作回路**——把分群从"标签罗列"升级为"人群机会矩阵 + 洞察→动作映射 + 机会优先级评分"，让画像资产能驱动可执行的运营决策。本技能**可独立使用**，直接给业务背景与数据即可产出完整画像与洞察体系；若用户手上已有诊断或分层结论，可作为可选输入参考（非必需）。适合会员运营、用户运营、私域、CRM、用户增长、数据/算法、运营策略与产品等角色使用，输出可直接作为标签平台建设的需求文档、精准营销的人群定义、推荐/内容/产品决策的画像输入，以及运营动作的洞察依据。

> **本技能默认脱敏。** 除非用户明确要求保留其当次提供的名称，否则输出中不得出现真实客户名、品牌名、项目名、内部服务名、内部文件路径、未公开数据来源或可识别具体业务主体的信息；历史经验只用"某消费品牌""某零售业务""某订阅服务""某会员项目"等泛化表达。

> **Profile ≠ Persona（本 skill 同时产出两套，对标神策框架）**：User **Profile**=全量用户标签化+分群（`tag_system`/`segments`，给系统/算法用，驱动推荐/营销/圈选/风控）；User **Persona**=3-5 个代表性人物卡（`personas`，给团队/产品用，驱动设计/对齐）。两者互补：先 Profile（数据驱动）再 Persona（同理心驱动）。详见 [`references/industry-reference-map.md`](references/industry-reference-map.md)。

> **画像 ≠ 洞察（本 skill 在画像资产之外补洞察层）**：画像回答"用户**是谁**"（标签+分群+persona），洞察回答"**该动谁、怎么动**"（人群机会矩阵 + 洞察→运营动作回路）。只在画像层停步会"建完用不起来"——本技能用第 7 部分人群洞察与动作回路闭环到此问题。

## 目的

帮运营者把散乱数据/拍脑袋认知，沉淀成可量化、可复现、可落地的**画像资产 + 人群洞察**：先建画像（就绪度评分 + 标准六类标签 + 分群 + persona），再把画像升级为洞察（机会矩阵 + 动作回路 + 优先级评分），让"用户是谁"能驱动"下一步怎么动"。

这不是"列一堆人口属性"，也不是"分完群就结束"——画像要能回答"为什么有人复购、有人流失"，洞察要能落到"该对哪群人做什么动作、用什么指标衡量"。把画像资产从"只读不用的库存"变成"能驱动决策的资产"。

> **能力边界（✅做 / ❌不做）**：
> - ✅ 盘数据基础与就绪度（6维1-5评分）/ 设计标签体系（标准CDP六类分层）/ 设计分群模型（含量化规则）/ 生成3-5 persona / 给画像应用场景 / **产出人群洞察与动作回路**（机会矩阵+动作映射+优先级评分）；数据不完整时标"待补/待验证"并显式标注假设，不臆造数字。
> - ❌ 不做整体会员运营成熟度诊断（聚焦画像就绪度）；❌ 不定义用户生命周期阶段与转换条件（生命周期阶段定义属另一方法论主题）；❌ 不设计权益/触点/活动/复购具体规则（分层触达策略属动作出口主题，本技能产出画像+洞察作其输入）；❌ 不替算法建模型（预测标签给口径不输出代码）；❌ 不承诺画像/洞察一定带来增长。

## 输入

**最佳搭配：** 业务类型与核心目标（消费/订阅/高客单/内容社区；精准营销/推荐/内容/产品/高价值经营/流失预防）+ 用户与交易数据（哪怕粗略量级：会员规模、活跃、客单、复购、品类）。

**也有用：** 数据源现状（行为埋点/订单/属性/偏好/外部数据，身份是否打通）、现有标签或分群、应用场景与系统（画像给谁用、CDP/推荐是否就绪）、已有诊断或分层结论、合规要求（高敏行业必给）。

调用时附带的所有内容——技能名后的文本、粘贴的上下文，或附加的 `ARGUMENTS:` 行——都视为已给出的回答。直接使用并跳过其已覆盖的部分，不要重复提问。

**手头没有任何数据？那也可以。** 只给"业务类型 + 核心目标 + 粗略量级"也能跑——本技能产出定性画像 + 建议标签/分群口径 + 待补清单，但就绪度评分会就低、预测类标签只给口径不给值、规模为估算。

**缺失数据提示机制（本技能自动执行）**：产出前先做输入充分度检查，在交付物"缺失信息与假设"部分明确：①缺了什么（逐项列关键资料）；②影响哪部分（评分/分群/persona/洞察）；③采用的假设（如"假设活跃=近90天有行为"）；④补什么最值（按P0/P1排提升最大的数据项）。

**示例调用：** `为某消费品牌做用户画像与人群洞察——数据散在商城/小程序/社群三端、身份未打通、无统一标签、人群运营靠拍脑袋，核心目标是精准营销和推荐优化，有商城订单和部分行为埋点，没有标签平台和正式分群规则。`

### 输入字段与异常处理

| 字段 | 必填 | 异常处理（缺失/错误时怎么回） |
|---|:---:|---|
| 业务类型与核心目标 | 是 | 缺失→反问；或按"消费零售型 + 精准营销"处理并在结论中声明 |
| 用户与交易数据量级 | 是（最小可用） | 缺失→就低评分，标待补，不臆造规模 |
| 数据源现状 | 否 | 缺失→标数据基础缺口（P0），先做 OneID 再做画像 |
| 现有标签或分群 | 否 | 缺失→从 0 设计，给建议口径；与标准六类冲突→给映射建议 |
| 应用场景与系统 | 否 | 缺失→按触达决策默认，提示确认 |
| 已有诊断/分层结论 | 否 | 有→作可选输入参考；无→独立设计 |
| 合规要求 | 否 | 涉高敏行业（医疗/金融/未成年等）必给；缺失不强假设，涉及PII必须提醒合规审核 |

输出标准：9 部分字段见 [`references/output-schema.md`](references/output-schema.md)（单一事实源）；判定规则全部可量化（评分/六类≥4/分群rule量化/persona-分群一致/洞察action_map的target_segment在segments中且expected_metric量化，全"如果…则…"条件句，禁"较好/适度/一般"模糊词）。完整异常场景见下方「异常场景」节。

## 核心概念

### 什么是用户画像与人群洞察

用结构化标签（标准 CDP 六类分层）+ 分群模型 + 代表性 persona 构建用户画像资产，并在此基础上补人群洞察——把"用户是谁"的认知升级为"该动谁、怎么动"的决策依据。画像资产 + 洞察回路是双产出：前者给系统/算法/团队复用，后者驱动可执行运营动作。

### 画像 vs 人群洞察

| 画像（Profile + Persona） | 人群洞察（Crowd Insight） |
|---|---|
| 回答"用户**是谁**" | 回答"**该动谁、怎么动**" |
| 标签+分群+persona，资产化沉淀 | 机会矩阵+动作回路，决策驱动 |
| 给系统/算法/团队复用 | 给运营动作出口 |
| 不闭环则"建完用不起来" | 闭环到动作才产生价值 |

### 标签标准 CDP 六类分层

按业务域分六类（对标 CDP/神策/袋鼠云行业 SOP，详见 [`references/tagging-rules.md`](references/tagging-rules.md)）：

| 标签层(业务域) | 用途 | 典型标签 | 数据源 |
|---|---|---|---|
| 基础属性 | 人口统计刻画 | 性别/年龄段/城市/设备/会员龄 | 注册/授权/设备 |
| 行为 | 行为偏好刻画 | 浏览高频/互动活跃/内容偏好/活跃时段 | 埋点 |
| 消费价值 | 价值与复购刻画 | 客单带/复购频次/品类偏好/RFM分层/CLV段 | 订单 |
| 生命周期 | 阶段刻画 | 新客/活跃/潜力/高价值/沉睡/流失 | 行为+交易（可引用用户已有分层口径） |
| 渠道来源 | 来源与触点刻画 | 首次来源渠道/偏好渠道/线上线下偏好 | 来源埋点+交易 |
| 预测 | 意向/风险预测 | 购买意向/流失倾向/升级潜力/价格敏感度 | 模型分 |

> 六类业务域中**至少覆盖 4 类**（schema 硬门）；价值/预测类是高阶，数据不足时先做基础/行为/消费价值/生命周期四类，预测标"待补"。

### 人群洞察→运营动作回路（本技能核心增量）

画像资产的"最后一公里"是把人群机会转成可执行动作，避免"建完用不起来"。回路四步：

1. **洞察发现**：从分群+persona 找出机会人群（高价值待提客单、流失风险待召回、成长待提频、沉睡待唤醒）。
2. **机会量化**：用人群机会矩阵对每个分群打"价值×增长潜力"二维定位，筛出高优机会。
3. **动作映射**：每条洞察映射到具体运营动作（动作内容+触达渠道+预期指标），target 绑定到分群。
4. **指标咬合**：每个动作带可量化预期指标（核销率/召回率/复购率等），形成"洞察→动作→指标"闭环。

### 人群机会矩阵

对每个分群用**价值定位 × 增长潜力**二维定位（均高/中/低），筛出该先动的机会人群：

| 价值定位 | 增长潜力 | 机会类型 | 典型动作 |
|---|---|---|---|
| 高 | 高 | 核心增长 | 提客单+扩品类+推荐升级 |
| 高 | 低 | 价值守护 | 防流失前置+专属权益 |
| 中 | 高 | 成长加速 | 提频+习惯培养 |
| 低 | 低 | 低优 | 召回ROI决策或放弃 |

### 反模式（它不是什么）

- 不是只列人口属性——人口属性是基础属性层的一部分，画像要行为/消费/预测多维。
- 不是分完群就结束——分群只是画像资产，没有洞察→动作回路等于"建完用不起来"。
- 不是一次定终身——行为/预测标签需月度滚动更新，否则腐烂。
- 不是自嗨 persona——persona 绑定真实人群分群（可量化规模），不是虚构"小明"。

### 何时使用

- 要从"拍脑袋描述用户"转向"标签化、可量化的画像 + 可驱动动作的洞察"
- 画像/分群已建但用不起来，需要闭环到运营动作
- 要搭或梳理标签体系（标准六类）、设计分群模型（RFM+聚类）

### 何时不要使用

- 你要的是"按价值分配触达资源"的具体触达策略——那是分层触达方法论的活，本技能产画像+洞察作其输入
- 你要的是"用户生命周期阶段定义与流转"——本技能不输出阶段定义
- 私域刚起步、几乎无用户信号——先跑通基础触达攒数据，再画像

## 技能工作流

使用 [`references/output-schema.md`](references/output-schema.md)（**单一事实源**）作为 JSON 数据模型契约，按以下 9 步产出。最终把 Step 1–9 结果填成完整 JSON，交脚本校验渲染。

### 第 1 步：确认业务背景与目标

读取业务背景与现有数据/材料（若用户已有诊断或分层结论，作可选输入参考）；明确核心目标（精准营销/推荐优化/内容分发/产品决策/高价值经营/流失预防）与业务类型。**标签优先级由应用场景反推**——先定场景与商业目的，再定标签，而非先堆标签再找用途（神策原则）。

**质量检查：** 目标与业务类型已明确；标签优先级方向由场景反推得出，不是先堆标签。

### 第 2 步：盘点数据基础

读取行为、交易、属性、偏好、外部（生态/三方）数据源，判断哪些可用、哪些缺、身份是否打通。

**质量检查：** 数据源逐项标"可用/缺失"，身份打通状态明确。

### 第 3 步：评画像就绪度

对照 [`references/persona-scorecard.md`](references/persona-scorecard.md) 的 6 维 1–5 锚点（数据基础/标签体系/分群建模/画像刻画/应用落地/治理迭代），逐维写评分依据；缺数据按"就低不就高、必须标注"处理，不臆造。

**质量检查：** 6 维齐全且顺序固定；score = 六维算术平均（偏差≤0.2）；缺数据就低且标注。

### 第 4 步：设计标签体系

按 [`references/tagging-rules.md`](references/tagging-rules.md) 的**标准 CDP 六类分层**（基础属性/行为/消费价值/生命周期/渠道来源/预测）+ 命名规则 + 口径 + 数据源，列优先级标签（P0/P1/P2）。

**质量检查：** 六类至少覆盖 4 类；key_tags≥3 项且不全 P0；标签命名带口径与数据源。

### 第 5 步：设计分群模型

选分群方法（**RFM+K-means 组合为标准范式**：RFM 提特征→K-means 聚类→手肘法定 K→八分图打价值标签；或规则组合/价值分层/RFM-LTV，见 [`references/tagging-rules.md`](references/tagging-rules.md) 画像建模段），给**含量化规则**的分群定义、规模估算与价值定位。

**质量检查：** 分群≥3 项；每项 rule 含量化标记（时间窗+阈值：近X天/≥N次/Top%/待校准），禁纯定性。

### 第 6 步：生成代表性画像

为关键分群各产出 1 个 persona 卡（3–5 个），写快照/行为特征/需求/痛点/触点偏好/价值潜力，并关联到分群。

**质量检查：** persona 3–5 项；每项 linked_segment 在 segments 中出现；persona 鲜活可用而非人口统计罗列。

### 第 7 步：产出人群洞察与动作回路（核心增量）

基于分群 + persona，产出人群洞察闭环到运营动作：

1. **人群机会矩阵**：对每个分群打 value_level（高/中/低）× growth_potential（高/中/低），给 opportunity_type 与 rationale。
2. **洞察→动作映射**：每条洞察映射到 action（动作内容）+ channel（触达渠道）+ expected_metric（可量化预期指标），target_segment 绑定到分群，给 priority（P0/P1/P2）。
3. **机会优先级评分**：对每个机会打 1–5 分，给 reasoning，排执行先后。

**质量检查：** opportunity_matrix 的 segment 在 segments 中；action_map 的 target_segment 在 segments 中、expected_metric 含量化标记、priority≥3 项不全 P0；priority_scores 的 score 为 1–5 整数且 opportunity 有对应。

### 第 8 步：给画像应用场景

列推荐/营销/内容/产品/运营/客服/风控 怎么用画像 + 关联画像/分群 + 衡量指标。

**质量检查：** applications≥3 项；每项含 scenario/how_to_use/target/metric。

### 第 9 步：生成 JSON → 校验渲染 → 脱敏自检

把 Step 1–8 的结果按 [`references/output-schema.md`](references/output-schema.md)（**单一事实源**）填成完整 JSON，写入临时文件（如 `/tmp/persona-insight.json`）：

1. 运行 `python3 scripts/render_output.py <input.json> --out <output.md>`——脚本按 schema 逐字段硬门校验（6维齐全/均分/六类≥4/分群规则量化/persona-分群一致/洞察-分群一致/取舍），不合格以**非零退出码 + 中文报错**返回，修正 JSON 后重跑；合格则渲染出 output.md（9 部分）。
2. 运行 `python3 scripts/render_report.py <input.json> --out <report.html>`（playbook 案例可加 `--meta <case.json>`）渲染**白皮书 HTML 报告**（封面/执行摘要/雷达图/人物卡，与 md 同源；JSON 顶层可加可选 `report` 块，不加也会自动派生）。
3. 运行 [`scripts/persona_check.py`](scripts/persona_check.py) `<output.md>` 做结构 + 脱敏自检（密钥 FAIL / PII WARN）。

**交付物：`output.md`（结构化方案，9 部分）+ `report.html`（白皮书报告）**；临时 JSON 用完即删。

**质量检查：** 三脚本均 exit 0；最终 Markdown 由 render_output.py 一次性覆写，**禁止手动 Write/Edit/追加**输出 MD——要改内容就改 JSON 后重跑 render。

## 异常场景

在不同数据/输入/场景下稳定输出，避免"正常能跑、异常乱答"。每种含触发条件、响应、反馈文案、是否终止：

| 异常场景 | 触发条件 | Skill 响应 | 反馈文案示例 | 终止 |
|---|---|---|---|:---:|
| 缺业务类型/目标 | 未给业务与目标 | 反问；或按"消费零售+精准营销"处理并声明 | "未说明业务类型，先按消费零售+精准营销处理，结论中已声明" | 否 |
| 关键数据缺失 | 数据不足/充分度不够 | 触发缺失提示机制：列缺口+影响+假设+补料优先级；就低评分，预测只给口径 | "关键数据缺失，已列缺口与假设，就绪度按就低评分，预测标签只给口径" | 否 |
| 分群规则无法量化 | 仅定性 | 给建议量化口径+参考阈值，标待校准 | "分群规则需量化，已给建议阈值标待校准" | 否 |
| 已有画像/标签与六类冲突 | 用户已有非标标签体系 | 标注差异，给向标准六类映射的建议，不强制覆盖 | "您现有标签与标准六类口径不同，已给映射建议" | 否 |
| 洞察无动作出口 | 洞察未映射到运营动作 | 强制补 action_map，每条洞察有动作+渠道+指标 | "洞察需落到运营动作，已补动作映射" | 否 |
| 生成JSON/脚本退出码非0 | 校验失败 | 按中文报错定位修正 JSON 后重跑 render | "JSON校验失败（exit 2），已按报错修正重跑" | 否 |
| 高敏行业/含真实敏感信息 | 医疗金融等/真实品牌 | 默认脱敏泛化，PII最小化，提醒合规审核 | "涉高敏行业，已脱敏，PII合规以审核为准" | 否 |
| 拒绝脱敏要求保留真实 | 用户坚持留真实信息 | 拒绝输出真实客户名/PII/凭证，改泛化 | "真实客户名/PII不可保留，已泛化" | 是 |

## 示例

完整合格输出范例见 [`references/anonymized-examples.md`](references/anonymized-examples.md)（覆盖消费品牌 / 零售 / 订阅续费三种画像+洞察）。以下为精简示意：

**输入**：某消费品牌，数据散在商城/小程序/社群三端、身份未打通、无统一标签、人群运营靠拍脑袋，核心目标是精准营销和推荐优化，有商城订单和部分行为埋点。

**输出**（精简，完整版见 anonymized-examples.md 案例 1）：
```markdown
# 用户画像与人群洞察

## 一句话结论
画像建设卡在"数据未打通+无标签体系"：三端身份不统一、人群靠拍脑袋。优先方向：先做 OneID 打通与标准六类标签体系（P0），再建 RFM+行为分群，产出 3-5 persona，并补人群洞察→动作回路让画像驱动精准营销。

## 数据基础与画像就绪度
整体就绪度：1.8/5，「起步期——有零散数据，但未打通、无标签、无分群」。
（六维：数据基础2/标签体系1/分群建模1/画像刻画2/应用落地1/治理迭代2，略）

## 标签体系设计
（标准CDP六类分层表：基础属性/行为/消费价值/生命周期/渠道来源/预测，各给示例标签与数据源，略）
优先级标签（P0）：高价值标记、流失倾向、品类偏好。

## 用户分群模型
方法选型：RFM（价值）+ 行为聚类（偏好），从 0 建。
| 分群 | 定义 | 判定规则（量化） | 规模占比 | 价值定位 |
| 高价值 | 近180天消费Top20% | R≤90天 且 F≥4次 且 M进Top20% | ~5%（待验证） | 核心利润来源 |
| 成长 | 近90天复购≥2次 | F≥2 且 M未进Top | ~15%（待验证） | 复购提升主力 |
| 流失风险 | 近90天无行为且曾活跃 | R>90天 且 历史F≥2 | ~20%（待验证） | 召回对象 |

## 代表性用户画像
（3-5 persona 卡：如"精打细算的复购妈妈""尝鲜的高频年轻人""沉睡的高客单客"，各关联分群，略）

## 画像应用场景
- 精准营销：高价值分群→专属券；流失风险→召回触达（指标：核销率/召回率）
- 推荐优化：品类偏好标签→首页推荐分群（指标：点击率/转化率）

## 人群洞察与动作回路
人群机会矩阵：高价值(高×低→价值守护)/成长(中×高→成长加速)/流失风险(低×低→召回决策)。
洞察→动作映射：
| 洞察 | 目标分群 | 动作 | 渠道 | 预期指标 | 优先级 |
| 成长频次可提 | 成长 | 复购券+内容种草 | 企微1v1+社群 | 复购率+15%/30天 | P0 |
| 流失风险高 | 流失风险 | 召回券+召回触达 | 短信+企微 | 召回率8%/14天 | P1 |
机会优先级：成长加速(5分) > 防流失召回(4分) > 低优放弃(2分)。

## 项目事项清单
| 项目事项 | 优先级 | 需要输入 | 预期产出 | 建议负责人 | 依赖 |
| 三端OneID打通 | P0 | 商城/小程序/社群行为交易 | 统一身份ID+数据字典 | 数据/CRM | 数据权限、合规 |
| 标准六类标签落地 | P0 | 数据源、业务口径 | 标签库+命名规则 | 数据/标签平台 | OneID先行 |
| RFM+行为分群 | P0 | 订单、行为、阈值 | 分群规则+人群包 | 算法/CRM | 标签先行 |
| 画像应用对接 | P1 | 画像、营销/推荐系统 | 对接方案 | 产品/运营 | 画像可用 |

## 缺失信息与假设
- 假设：各分群规模为行业经验估算，需用真实数据跑数验证。
- 待补：三端身份匹配率、行为埋点覆盖率、RFM分布、预测标签的样本与离线指标。
```

## 常见陷阱

### 陷阱 1：画像不闭环为洞察
**症状：** 分群建完只输出"高价值/成长/流失"标签，没有动作回路
**后果：** 画像资产只用不用，"建完用不起来"，运营仍靠拍脑袋
**修正：** 必须产出第 7 部分人群洞察与动作回路——机会矩阵 + 洞察→动作映射 + 优先级评分，每条洞察落到 action+channel+metric

### 陷阱 2：分群规则纯定性
**症状：** 分群只写"高价值用户""活跃用户"
**后果：** 不可量化、无法圈选、无法复现
**修正：** 分群 rule 必须含量化标记（时间窗+阈值：近90天/≥4次/Top20%/待校准）

### 陷阱 3：标签六类口径混乱
**症状：** 标签层一会儿"交易+价值"拆分，一会儿"消费价值"合并，与行业 SOP 不一致
**后果：** 标签无法对齐 CDP/神策等标准平台，迁移与治理成本高
**修正：** 统一用标准 CDP 六类（基础属性/行为/消费价值/生命周期/渠道来源/预测），不自行拆分凑数

### 陷阱 4：预测标签无置信度
**症状：** 流失倾向写"0.8"但没置信度和日期
**后果：** 无法判断可信度与失效时点，盲目据此动作可能打错人
**修正：** 预测标签给口径与验证要求（正负样本/离线指标/上线AB），不臆造分数承诺

### 陷阱 5：身份未打通就估规模
**症状：** 多端多账号未做 OneID 就报分群规模
**后果：** 规模重复计算，画像失真
**修正：** 未做 OneID 时规模与画像声明去重前提，标为数据基础缺口（P0）

### 陷阱 6：persona 自嗨不绑分群
**症状：** persona 写成"小明，28岁，爱购物"，无关联分群与规模
**后果：** persona 不可量化、无法对应真实人群
**修正：** persona 绑定 linked_segment（在 segments 中出现），由定量标签 + 定性 persona 组成

## 参考

### 方法论边界

- 若只需回答"用户是谁"（轻量画像卡：事实/行为/预测三类标签），用轻量画像方法即可；本技能面向"画像资产+人群洞察"的完整体系（就绪度+六类标签+分群+persona+洞察→动作回路），重量级、带 schema 校验
- 本技能的洞察动作出口（对哪群人做什么动作）可由分层触达策略方法论承接落地

### 外部框架
- 神策框架（Profile ≠ Persona、标签优先级由应用场景反推）
- CDP/袋鼠云/腾讯云（标签双轴分层：计算方式×业务域，标准六类）
- RFM + K-means 画像建模范式（观远/腾讯云）
- NN/g（画像与旅程图互补）

> 方法论来源标注【领域知识·待印证】：具体出处年份待联网核验后补全；技能内用"业界广泛采用的…"稳表述，避免硬编某年/某公司具体出处。

## 免责声明

本技能产出的是基于方法论的结构化画像与洞察框架，就绪度评分、分群规模、预测标签得分、机会优先级分等均为建议性产出，需以真实业务数据回填与月度滚动更新为准；运营动作的预期指标为估算，需 AB 验证；重大运营决策建议结合实际数据人工复核。

## 脚本位置

- [`scripts/render_output.py`](scripts/render_output.py)：**JSON 校验 + Markdown 渲染**（硬门：schema 不合规 → exit 2 + 中文报错，必须修 JSON 重跑；产出 9 部分 output.md）。
- [`scripts/render_report.py`](scripts/render_report.py)：**白皮书 HTML 报告渲染**（封面/执行摘要/雷达图/人物卡；JSON 顶层可选 `report` 块，缺则从 dimensions/projects 自动派生，与 output.md 同源）。
- [`scripts/persona_check.py`](scripts/persona_check.py)：渲染后结构(9章节齐全) + 脱敏自检（密钥 FAIL / PII WARN）。

> 三脚本均为纯本地、免 Key 的辅助脚本（`render_output`/`render_report`/`persona_check` 依序跑通即完成校验渲染脱敏）。临时 JSON 每次覆写，不用 `>>` 追加。

## 通用原则

- 引用 reference 用相对于 SKILL.md 的路径。
- 纯方法论产出，免登录免 Key、不联网、不扣点，由 agent 直接产出画像与洞察体系；脚本仅做本地校验渲染脱敏，不联服务端。
- 字段定义以 [`references/output-schema.md`](references/output-schema.md) 为单一事实源，SKILL.md 与 render_output.py 都不得与之冲突；输出由脚本渲染，**禁止手动追加**输出 MD。
- 标签统一用标准 CDP 六类（基础属性/行为/消费价值/生命周期/渠道来源/预测），至少覆盖 4 类。
- 分群 rule 必须含量化标记；persona 绑定 linked_segment；洞察 action_map 的 target_segment 必须在 segments 中、expected_metric 必须量化。
- 缺数据时显式标注"初步判断/待补/待验证"，就低评分，不臆造规模、占比与预测分。
- 本技能聚焦"画像资产+人群洞察"；若用户要的是"按价值分层+触达策略"或"生命周期阶段定义"，可另行结合相应方法论使用，不强包。
- 涉及高敏行业或 PII 时，必须提醒以合规审核与最新法规为准（最小化采集、授权、脱敏存储）；不输出真实客户名、品牌名、项目名、内部文件名、密钥/凭证/PII。

使用说明

# 用户画像与人群洞察

把"用户是谁、值多少、要什么、下一步怎么动"一条线建起来：盘点画像就绪度、设计标准 CDP 六类标签体系与分群模型、产出 3-5 个代表性画像，并补上人群机会矩阵与"洞察→运营动作"回路，让画像真正驱动运营决策。

## 使用

```text
为某消费品牌做用户画像与人群洞察：数据散在商城/小程序/社群三端、身份未打通、
无统一标签，核心目标是精准营销和推荐优化
```

## 工作原理

1. 确认业务目标 → 盘点数据基础 → 按 6 维评分卡评估画像就绪度（缺数据就低评分并标注假设）
2. 设计标准六类标签体系（基础属性/行为/消费价值/生命周期/渠道来源/预测，≥4 类）与含量化规则的分群模型（RFM+K-means 标准范式）
3. 产出 3-5 个绑定真实分群的 persona 卡，构建"价值×增长潜力"人群机会矩阵，每条洞察落到动作+渠道+量化指标
4. JSON 经本地脚本硬门校验后渲染为结构化方案（output.md）与白皮书 HTML 报告，附脱敏自检

纯方法论产出，免登录免 Key、不联网；脚本仅做本地校验渲染。references/ 内含评分卡、标签规则、输出 schema 与完整案例。

如何安装此技能？

访问技能市场，点击「安装」按钮，按提示将技能包放入 AI 编程助手的 skills 目录即可。