Python 数据智能实战 (8)：基于LLM的个性化营销文案
写在前面
—— 告别群发轰炸，拥抱精准沟通：用 LLM 为你的用户量身定制营销信息
在前面的篇章中，我们学习了如何利用 LLM 增强用户理解（智能分群）、挖掘商品关联（语义购物篮）、提升预测精度（融合文本特征的流失预警）。我们不断地从数据中提取更深层次的洞察。
然而，洞察的最终目的是为了行动。在电商运营中，最直接的行动之一就是通过 营销活动 触达用户，引导转化。但是，千篇一律的群发营销信息，效果往往越来越差，甚至引起用户反感。
你是否也曾为以下问题而烦恼：
- 群发效果差，打开率、点击率、转化率持续走低？ 用户对同质化的营销信息早已审美疲劳，如何让你的信息在众多推送中脱颖而出？
- “个性化”停留在表面？ 仅仅在邮件开头加上用户的名字，或者根据粗略的标签推送同一类别的商品，这真的是有效的个性化吗？如何触及用户更真实的兴趣点和需求点？
- 内容生产效率低下，成本高昂？ 为不同的用户群体、不同的营销场景（促销、新品、召回等）、不同的渠道（邮件、短信、App Push、社交媒体）撰写大量不同的文案，需要耗费大量的人力和时间成本。
- 创意枯竭，难以持续输出高质量文案？ 面对繁重的营销任务，文案人员常常感到灵感枯竭，难以持续产出既有吸引力又能有效转化的内容。
- A/B 测试耗时耗力？ 想测试不同风格、不同卖点的文案效果，需要准备大量素材并进行复杂的 A/B 测试，周期长、成本高。
LLM：你的专属“智能文案助手”
LLM 在理解语言和生成文本方面的天赋，使其成为解决上述营销痛点的理想工具：
- 深度理解用户与产品： LLM 可以结合我们提供的用户画像（包含行为数据和 LLM 提取的文本特征）和商品信息（名称、描述、卖点、评论反馈等），更深刻地理解目标用户的偏好以及产品的核心价值。
- 个性化内容生成： 基于对用户和产品的理解，LLM 能够为 不同的用户群体 甚至 单个用户 生成 量身定制 的营销文案，突出最能打动他们的卖点或利益点。
- 多样化风格与表达： LLM 可以根据指令生成不同 语气风格（专业、幽默、亲切、紧急等）、不同侧重点（强调价格、功能、情感价值等）、不同长度和格式（邮件标题、短信正文、推送短句等）的文案。
- 提升内容生产效率： LLM 可以 快速、批量 地生成大量文案变体，极大地缩短内容创作周期，降低人力成本。
- 辅助创意与 A/B 测试： LLM 可以提供多种文案创意供选择，并能快速生成大量 A/B 测试所需的素材，加速测试迭代过程。
本篇博客，我们将实战演练：
- 设计面向营销文案生成的 Prompt 框架。
- 结合用户画像特征，利用 LLM 生成针对不同用户群体的个性化营销邮件标题和正文。
- 根据商品特点和促销信息，利用 LLM 生成吸引人的 App 推送通知。
- 探讨评估 LLM 生成文案效果的方法和注意事项。
一、Prompt 设计：清晰的“写作任务”
要让 LLM 生成高质量、符合要求的营销文案，Prompt 的设计至关重要。一个好的 Prompt 应该包含以下要素：
- 明确的角色设定 (Role): 告诉 LLM 它扮演的角色。
- 示例: “你是一位经验丰富的电商营销文案专家…”
- 清晰的任务描述 (Task): 明确说明需要生成什么类型的文案，用于什么目的和渠道。
- 示例: “…请为以下用户群体撰写一封促销邮件的标题和正文…” “…生成一条吸引用户点击的新品上市 App 推送通知…”
- 关键的上下文信息 (Context): 提供生成文案所需的背景信息。
- 目标用户信息 (Target Audience): 提供用户画像的关键特征，例如用户群组名称、价值等级、兴趣偏好、近期行为、痛点、情感倾向等（这些可以来自我们的数据分析和用户分群结果，包括 LLM 提取的特征）。
- 产品/服务信息 (Product/Service Info): 提供要推广的商品名称、核心卖点、价格、折扣信息、活动链接等。
- 营销目标 (Marketing Goal): 说明这次营销活动的主要目标是什么？是提升点击率？促进复购？还是新品宣传？
- 渠道限制 (Channel Constraints): 告知文案的载体和限制，例如短信长度限制、邮件标题吸引力要求、App 推送的简洁性等。
- 具体的输出要求 (Output Format & Constraints):
- 格式要求： 要求输出特定的格式，例如 JSON、列表、或者直接是标题和正文。
- 风格与语气： 指定文案的语气风格（例如：活泼、专业、紧急、关怀）。
- 长度限制： 明确字数或字符数限制。
- 关键要素包含： 要求必须包含某些关键词、优惠信息或行动号召 (Call to Action, CTA)。
- 提供示例 (Few-Shot): 给出 1-2 个符合要求的文案示例，能极大提升 LLM 理解需求和输出质量。
通用 Prompt 框架示例 (可根据具体任务调整)：
# 角色设定
你是一位顶尖的电商 [渠道，例如：邮件/短信/App Push] 营销文案专家，擅长为不同的用户群体撰写高度个性化且富有吸引力的文案。# 任务描述
请为 [目标用户群体描述] 用户群体，针对 [推广的产品/活动名称] 撰写一份 [文案类型，例如：促销邮件标题和正文 / App 推送通知]。# 上下文信息
* **目标用户信息:** [提供用户画像关键特征，例如：该群体是高价值的年轻时尚女性，近期浏览过夏季连衣裙，对折扣敏感，评论中常提及“款式新颖”。]
* **推广产品/活动:** [商品名称：新款波西米亚风印花连衣裙，核心卖点：轻薄透气、设计独特、度假风，活动信息：限时 8 折优惠，活动链接：example.com/dress]
* **营销目标:** 引导用户点击链接了解详情并完成购买。
* **渠道限制:** [例如：邮件标题不超过 20 字，正文简洁明了；App 推送不超过 50 字，突出优惠。]# 输出要求
* 请提供 [数量，例如：3个] 不同的 [文案类型] 方案。
* 文案风格要求 [风格描述，例如：活泼、时尚、突出优惠]。
* [文案类型，例如：邮件标题] 需要包含用户的名字（用 [名字] 占位）。
* [文案类型，例如：邮件正文/推送通知] 必须包含明确的行动号召 (CTA) 和活动链接。
* [可选] 请参考以下成功案例的风格：[示例1] [示例2]请输出结果。
Prompt Engineering 是一个迭代优化的过程，需要根据实际效果不断调整和完善。
二、实战演练 1：生成个性化营销邮件
假设我们通过之前的用户分群（结合了行为和 LLM 特征），识别出了一个 “高价值时尚敏感型” 用户群体 (Cluster A) 和一个 “价格敏感实用型” 用户群体 (Cluster B)。现在我们要针对这两个群体，推广同一款 “新款智能手表”，撰写不同的营销邮件。
import pandas as pd
from openai import OpenAI # 假设使用 OpenAI# --- 模拟用户群组信息 ---
user_personas = {"Cluster A": {"description": "高价值时尚敏感型：购买频率高，客单价高，对新品和设计感兴趣，评论常提及外观、品牌。","name_placeholder": "[Alice]" # 假设已知部分用户名用于个性化},"Cluster B": {