一、AI用户识别的数据全景（7大类）
1️⃣ 基础属性数据（Static Profile）
👉 “这个人是谁”
- 年龄 / 性别
- 地区（国家 / 城市）
- 职业 / 行业
- 收入水平
- 教育背景
📌 特点：
- 静态、低频变化
- 用于初始分层
2️⃣ 行为数据（Behavior Data）
👉 “这个人做了什么”（最重要）
- 浏览页面（Page View）
- 点击行为（Click）
- 停留时长（Time on Page）
- 滚动深度（Scroll Depth）
- 跳出率（Bounce）
📌 关键点：
👉 行为 ≠ 说的，而是真实意图的映射
3️⃣ 搜索 & 对话数据（Intent Data）
👉 “这个人想干什么”
- 搜索关键词
- 提问内容（AI对话）
- 问题结构（是否比较/购买/评测）
📌 举例：
| 用户输入 | 意图 |
|---|---|
| “便宜电动牙刷” | 价格敏感 |
| “最好的电动牙刷推荐” | 品质导向 |
| “A vs B” | 比较决策 |
👉 这是TSPR推理核心输入
4️⃣ 交易数据（Transaction Data）
👉 “这个人买了什么”
- 购买记录
- 客单价
- 购买频率
- 复购行为
📌 用途：
- 判断消费能力
- 判断忠诚度
5️⃣ 设备 &环境数据（Context Data）
👉 “用户在什么情况下使用”
- 设备（手机 / PC / 平板）
- 操作系统
- 时间（白天 / 深夜）
- 地理位置（GPS）
📌 例子：
- 深夜搜索 → 冲动消费概率高
- 手机端 → 快速决策型
6️⃣ 兴趣与内容偏好（Interest Data）
👉 “这个人喜欢什么”
- 浏览类别（科技 / 美妆 / 医疗）
- 点击内容类型（评测 / 排行 / 教程）
- 收藏 / 点赞 / 分享
📌 AI提取方式：
- NLP语义分析
- embedding向量聚类
7️⃣ 社交与反馈数据（Feedback Data）
👉 “这个人怎么评价”
- 评论内容
- 评分（1~5星）
- 情绪（正面 / 负面）
📌 用途：
- 情绪识别（NLP）
- 满意度分析
二、最关键的三类数据（AI核心依赖）
如果只能选最重要的👇
⭐ TOP 3：
- 搜索 / 对话数据（意图）
- 行为数据（真实动作）
- 交易数据（结果验证）
👉 三者关系：
意图（想） → 行为（看） → 交易（买）
三、数据如何进入AI识别流程（核心逻辑）
标准流程（你可以直接用于TSPR）：
用户数据输入
↓
特征提取（NLP + 行为分析）
↓
标签生成（价格敏感 / 品牌导向 / 学生等）
↓
角色识别（Persona分类）
↓
推荐路径决策
↓
内容生成（LLM输出）
↓
特征提取（NLP + 行为分析）
↓
标签生成（价格敏感 / 品牌导向 / 学生等）
↓
角色识别（Persona分类）
↓
推荐路径决策
↓
内容生成（LLM输出）
四、数据结构化示例（工程级）
一个AI可用的用户数据结构👇
{
“user_id”: “U123”,
“profile”: {
“age”: 22,
“location”: “California”,
“occupation”: “student”
},
“behavior”: {
“clicks”: [“toothbrush_page”, “review_article”],
“time_spent”: 320
},
“intent”: {
“query”: “best electric toothbrush under $30”,
“intent_type”: “purchase”
},
“transaction”: {
“avg_order_value”: 25,
“purchase_frequency”: “low”
},
“interest”: {
“category”: [“personal care”, “tech gadgets”]
}
}
“user_id”: “U123”,
“profile”: {
“age”: 22,
“location”: “California”,
“occupation”: “student”
},
“behavior”: {
“clicks”: [“toothbrush_page”, “review_article”],
“time_spent”: 320
},
“intent”: {
“query”: “best electric toothbrush under $30”,
“intent_type”: “purchase”
},
“transaction”: {
“avg_order_value”: 25,
“purchase_frequency”: “low”
},
“interest”: {
“category”: [“personal care”, “tech gadgets”]
}
}
五、关键认知（很多人理解错的点）
❌ 错误理解：
用户识别 = 用户是谁
✅ 正确认知：
用户识别 =
用数据预测这个人下一步会做什么
六、给你一个TSPR-AI专用总结
👉 在你的体系里：
用户数据 = 概率推理输入变量
可以表达为：
User = f(行为数据 + 搜索数据 + 交易数据 + 上下文数据)
然后：
角色概率 = TSPR(User)
七、一句话总结
👉 AI用户识别依赖的不是某一种数据，而是：
“行为 + 意图 + 结果”的全链路数据闭环
如果你要下一步，我可以帮你直接做👇
👉「用户数据 → 标签体系 → 推荐控制（强制推荐某产品）」完整工程模型（可直接用于GEO控制AI回答）