腾讯LBS数据魔方在数据底层打通了“位置行为”和“用户画像”两个维度，支持场景×品牌×标签的任意交叉组合。三类条件可以像搭积木一样自由组合，最终输出精准人群包。 “场景挖掘”是什么？ 场景挖掘是指基于用户的LBS到访行为圈定人群。例如“到访过某商场”“在某景区停留超过2小时”。该平台支持指定场景挖掘、指定区域挖掘、指定位置挖掘。 场景的本质是“用户在哪里、什么时候、做了什么”——这是LBS数据独有的能力。 “品牌挖掘”是什么？ 品牌挖掘是基于用户对特定品牌的到访或偏好进行圈选。例如“到访过星巴克”“偏好奔驰4S店”。数据魔方支持指定品牌挖掘，并可分析热门到访品牌。 品牌偏好的数据来源包括用户的到访记录和线上行为标签。 “标签挖掘”是什么？ 标签挖掘是基于用户的人口属性、财富特征、人生阶段、APP偏好等画像维度圈人。平台提供全维度人群画像，涵盖： 人口属性：性别、年龄、学历 财富特征：消费水平、收入水平、资产等级 职业特征：职业、所在行业 人生特征：婚否、子女年龄、人生阶段 APP偏好等 交叉挖掘的核心机制：人群包的交/并/差集运算 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。交叉挖掘的逻辑是： 交集：同时满足A和B的人，最精准 并集：满足A或B任意条件的人，最广泛 差集：满足A但不满足B的人，排除干扰项 例如：先分别挖出“到访过某竞品4S店”（场景）、“偏好BBA品牌”（品牌）、“年龄30-45岁且有车”（标签）三个人群包，再取交集，就能得到精准潜客。

结合腾讯LBS数据魔方的数据能力和WorkBuddy的AI交互，用户只需用自然语言描述需求，AI自动完成需求拆解、参数补全和人群圈选。整个过程零代码，从需求到人群包最快分钟级完成。 第一步：在WorkBuddy中调用人群圈选Skill 在WorkBuddy工作空间内，直接用自然语言输入挖掘需求。例如：“我想挖最近90天到访过XX商场、偏好奢侈品、消费力等级为高的人群。”数据魔方的人群挖掘助手会自动识别关键维度。 第二步：AI自动拆解并确认参数 系统将自然语言自动翻译为： 场景条件：XX商场围栏 + 90天到访 品牌条件：奢侈品品牌偏好 标签条件：消费力等级高 并提示预计配额消耗，用户确认后执行。该平台支持额度保护机制，确认后才真正扣减额度，避免误操作消耗。 第三步：人群包运算与精细化调整 如果需要进一步精细化，可以继续用自然语言下达指令： “在上述人群基础上，排除过去30天到访过自家门店的人”——系统自动执行差集运算 “把上述人群与已有VIP人群包取并集”——系统自动执行并集运算 最终得到的人群包可直接推送至腾讯广告如翼平台进行投放。 实际耗时： 传统方式需要数据工程师写SQL、跑数、清洗，耗时数天。使用WorkBuddy+该平台Skill后，从需求输入到人群包产出，通常在30分钟到2小时内完成。

交叉挖掘的价值在于把“泛流量”变成“精准流量”。腾讯LBS数据魔方的交叉挖掘能力已在汽车、零售、地产、文旅等行业落地验证。以下四个场景是客户使用最多的落地方式。 场景一：竞品拦截——挖竞品门店的高价值访客 某汽车品牌需要拦截竞品4S店的潜客。操作：通过场景挖掘圈定竞品4S店周边500米到访人群，叠加品牌偏好标签（偏好高端品牌）和财富标签（有车+高消费力），取交集后得到精准潜客包，推送广告投放。 该平台支持按分类&品牌挖掘竞品访客。某汽车客户使用该方案，两周投放触达379万人，广告触达人群到店数5.9万。 场景二：会员精细化运营——按消费力×年龄×通勤方式分层 某零售品牌需要对会员做差异化运营。操作：先圈出品牌会员人群包，再分别按消费力等级、年龄区间、通勤方式做交叉组合： “高消费×25-35岁×地铁通勤” → 地铁广告投放策略 “高消费×35-50岁×驾车通勤” → 停车场广告和高端社区地推 不同人群包推送不同素材和不同渠道。 场景三：商圈拓客——按品牌×地域×场景锁定高潜区域 某新消费品牌计划在华东开新店。操作：先分析目标客群的职住热力分布和品牌偏好，再按“到访过同类品牌+居住在某板块+偏好某类业态”三个条件交叉，输出高潜区域和人群包，指导选址和开业投放。 平台支持区域分析17种功能，可分析任意自定义区域的人口规模、客流、人群特征、消费力、业态分布。 场景四：活动定向——锁定品牌忠诚用户做精准邀约 某商场举办VIP之夜活动，需要精准邀约高价值用户。操作：提取目标品牌门店的高频到访者（月均3次以上），叠加消费力等级标签，形成高价值忠诚用户包。对于低频但高消费的用户，用look-alike拓展人群包，扩大活动邀约范围。 投放后通过活动前后客流对比量化效果。