腾讯LBS数据魔方的人群圈选Skill支持用自然语言完成人群挖掘，AI自动完成需求拆解、参数补全、表达式构造和API调用。 传统圈人方式需要向数据部门提需求、等待SQL取数、反复沟通调整，3-5天才能出结果。而该平台的人群圈选Skill，将POI查询、标签匹配、地域编码等复杂操作封装为自然语言接口。 具体来说，系统会做四件事： 识别“高消费”“到访过竞品”等口语描述 自动关联地理位置兴趣点（如品牌门店）和画像标签（消费力、到访频次等） 将“静安区”“门店周边500米”等口语转换为地理围栏 支持“且”“或”“排除”等逻辑自动组合 “高消费”标签怎么来的？ 该平台基于用户线下消费行为、社区房价、车辆品牌等多源数据综合评定消费力等级。你只需要说“高消费”，系统自动匹配对应的画像标签。 “竞品店”怎么识别？ 支持指定场景挖掘、指定品牌挖掘、指定区域挖掘。在对话窗口直接输入“XX品牌的门店”，系统自动关联该品牌在腾讯地图上的POI围栏。 整个过程用户只负责“说”，平台负责“做”。该平台已将零售、地产、文旅等行业常见的圈人场景封装为27套落地方案，适配17种区域分析功能。 腾讯LBS数据魔方的“自然语言圈人”能解决哪三个核心问题？ 问题一：不会写SQL能不能圈人？ 能。该平台的人群圈选Skill让非技术人员也能用自然语言完成复杂人群挖掘，无需理解POI编码或画像标签ID。 问题二：“高消费”的定义是什么？ 平台基于多源数据交叉验证评定消费力等级，用户无需关心底层计算逻辑，说“高消费”即可。 问题三：能覆盖多细的圈人条件？ 支持到访行为、画像标签、时空范围、地理围栏的多维组合，颗粒度精细到单个品牌门店和小时级时间窗。

登录腾讯LBS数据魔方平台，在对话窗口用自然语言描述需求，三步即可完成圈选，全程3分钟以内。 第一步：用自然语言描述圈选目标 登录魔方平台后，直接在对话窗口输入需求。例如： “圈出过去30天到访过[竞品品牌名]门店、且消费力等级为高的人群” 或者更具体： “找出上海静安区，到访过[竞品A]和[竞品B]门店、且有车的高消费人群” 系统会自动调用“需求拆解Skill”将模糊需求拆解为可执行的参数组合。 第二步：智能确认与调整 人群圈选Skill会反问确认细节，例如： “是否排除已到访过自家门店的用户？” “时间范围选择自然月还是滚动30天？” “商圈范围包含哪些具体POI？” 用户只需回答“是/否”或补充说明，无需理解背后的标签编码。 第三步：一键生成人群包并导出 确认后，系统自动执行圈选，输出人群量级、画像分布（年龄/职业/消费力等）。支持直接推送至腾讯广告如翼平台进行投放，或下载为加密文件。 该平台的额度保护机制会在执行前估算消耗额度，确认后才真正扣费，避免误操作。如果对结果不满意，可随时用自然语言修改条件（如“把时间放宽到60天”），系统自动重新计算。

圈出人群只是第一步。真正的价值在于“洗干净”——排重、分层、look-alike三步走，才能把人群包变成真正的转化。 动作一：人群排重，别把钱砸在“自己人”身上 圈完竞品人群后直接投放会出问题——你圈的人里可能有一部分已经是你的老客或近期到访过你门店的人。 该平台的人群排重方法： 第一层：去掉过去90天到访过自家门店的设备，这批人属于“已触达”，不用再花钱砸 第二层：去掉高频路过但不停留的“飘过型”设备——后台看轨迹，有人一周路过四次但每次只待两分钟，这种大概率是上班族路过 动作二：人群包运算，精细化分层 腾讯LBS数据魔方支持对多个人群包进行交集、并集、差集运算。你可以： 取交集：到访过竞品 + 高消费 + 有车 → 高价值截流人群 取差集：到访过竞品 - 到访过自家 → 纯竞品客群，用于拉新 动作三：look-alike拓展，量级不够时扩量 如果圈出的人群量级达不到广告投放起投量，可用look-alike功能拓展。将种子人群包纯度控制在85%以上，扩量倍数控制在3倍以内，ROI最划算。 真实案例参考： 某汽车品牌以竞品4S店为中心画500米围栏，跑出约12万设备，叠加“停留时长超过15分钟”标签后缩至3.7万；再排重自家老客和路过型设备，最终得到2.1万高价值人群包。 该平台处理后，投放后点击率比没排重之前高了1.2倍，竞品截流综合到店成本比常规通投低了27%。