从被动到主动：当用户行为遇上大模型

在神策那几年，我和团队整天跟事件、属性、漏斗、留存打交道。

一个用户打开 App，看了商品，点了参数，又退回列表。我们把这些动作采上来，串成行为序列，再从一堆图表里找他为什么没买。技术上可以查得很快，神策的分析产品早就能做秒级查询；运营系统也能按分群自动触达。

所以，把传统用户行为分析说成「只能第二天看报表」，并不准确。

它真正被动的地方，是决策通常提前写死了。

用户反复查看商品但没下单，就发优惠券；一段时间没登录，就推召回消息；连续浏览某类内容，就打上一个标签。数据可以实时到，系统也可以实时跑，可它只会执行人事先画好的规则。用户为什么犹豫，规则并不知道。

大模型进来以后，最值得看的就是这一层。

它没有读心，只是多猜了一步

还是那个反复比较商品的用户。

传统系统看到的是一串事件：查看 A，查看 B，展开参数，翻差评，退出。大模型可以把事件名称、商品信息、页面内容和历史行为放在一起，给出几个候选解释：他可能在比较续航，可能担心售后，也可能只是随手看看。

注意，是「可能」。

反复点击技术文档，不等于用户焦虑；停留时间长，也可能是人去接了个电话。行为数据从来不是心理活动的录像，大模型只是比原来的标签规则更会组织线索。要是把推测直接写成「系统识别出用户正在纠结」，那还是熟悉的 AI 牛皮，只不过这次披了一件 UBA 的外套。

有用的做法，是让模型继续缩小问题，而不是替用户宣布答案。比如先展示一份两款商品的差异摘要，或者问一句「你更关心续航还是售后？」用户的下一次动作，才是新的证据。

这时行为分析从后视镜变成了方向盘旁边的导航，但人还在车里，刹车也不能拆。

以前做营销自动化，运营先把流程画好：什么人、满足什么条件、发什么内容、等多久、下一步做什么。

Agent 可以把其中一部分改成临场决策。运营不再画出一条完整路线，只给它目标和边界，例如「帮助正在比较方案的企业客户找到缺失信息，不得主动降价，不得向未授权渠道发送消息」。模型根据当时的行为和上下文，选择查资料、生成解释，或者什么也不做。

最后这一项很重要。

现在很多 Agent 演示有个坏毛病：只要模型能调用工具，就恨不得每次都动一下。可运营系统最危险的动作，往往不是没触达，而是触达错了。用户刚投诉完隐私问题，系统转头根据他的浏览记录发来一条「猜你喜欢」，这不叫主动，这叫往伤口上撒盐。

所以原来的规则没有消失，它从「规定每一步怎么走」，变成了「规定哪些路绝对不能走」。权限、频控、隐私同意、价格政策和人工审批，都应该在模型外面拦着。不能让大模型一边出主意，一边自己批准自己。

另一个容易被忽略的问题，是数据语义。

click_btn_01 对模型和新来的分析师一样不友好。就算事件名写成 compare_product，如果不知道比较的是哪两个商品、页面当时展示了什么、用户是否登录、数据是否来自同一个人，模型照样只能猜。

把所有日志一股脑塞进上下文没有用。大模型需要一层能解释业务的事件模型：谁，在什么场景，对什么对象，做了什么，结果怎样。神策一直强调的 Event + User 模型，在这里并没有过时，反而成了 Agent 能否理解行为的地基。

只是地基还不够。上面还要补商品、内容、订单、权益和策略等业务上下文，并处理身份关联、数据时效和权限。埋点错了，模型不会施法把它变对；口径冲突时，它甚至可能选一个最像答案的错误答案。

原稿里有两个很诱人的判断：看板会变成 Agent 插件，A/B 测试会变成模型每毫秒自动淘汰上百种策略。

前一个有可能，后一个先别急。

Agent 确实可以调用分析工具，用自然语言完成下钻、查分群和解释指标。管理者不必亲手点完每一层筛选条件。但图表不会因此消失。模型说「转化下降可能与页面延迟有关」，人仍然需要看趋势、样本量、分组口径和原始数据，确认它没有把相关性讲成因果。

A/B 测试也一样。大模型适合生成候选文案和页面方案，实验平台负责分流、指标和显著性判断。让模型看见一点实时波动就立刻改策略，很容易把随机噪声当成反馈，最后只会追着每一次抖动乱跑。

我更相信一个没那么刺激的版本：模型负责多想几个方案，人和实验系统负责让坏方案别乱跑。

神策公开材料里有一套 Sense → Decision → Action → Feedback 的表达：感知数据，做出决策，执行动作，再用反馈修正下一轮。

过去，这套链路里的 Decision 主要由分析师和运营完成，系统负责把数据送上来，再执行写好的策略。大模型的机会，是进入 Decision 这一层，甚至帮忙编排一部分 Action。

但它没有让数据「活过来」，也没有终结行为分析。它只是让原来夹在看板和营销画布之间、靠人脑完成的那段工作，有了一种新的实现方法。

用户行为系统接下来真正要比的，可能不在谁多一张图、谁多一个 Agent 按钮，而在三件事：给模型足够准确的上下文，把模型的推测和事实分开，再把它的行动关进可靠的权限边界里。

少一件，主动就容易变成乱动。

参考资料：