AI辅助下的城市停车用户画像构建实录

新闻

作者：微信文章
我在上一篇文章讲用户细分的时候提到了早前写的一篇基于停车缴费行为的用户细分，没想到它的阅读量迅速破千。这种在刚开始写公众号做分享的阶段就收到正向反馈，对我而言是莫大的鼓励。今天我就再分享一下，借助AI工具对城市停车数据进行用户画像构建的探索。一、背景：所有的工作都值得用AI再重新做一遍AI时代已扑面而来，有一句话叫做：之前所有的工作都值得用AI再重新做一遍。为了不被时代抛弃，我也在不断尝试各种AI工具，探索AI和自身业务领域结合和应用的机会。过去我主要依赖 Excel 做一些基础的数据分析工作，这次我尝试借助AI辅助，使用专业的数据分析工具进行深入探索：从停车订单数据中提炼车主用户的标签和分组，最终目标是构建一个初步可用的用户细分模型。当前阶段更关注方法的可行性与流程的完整性，而非标签本身的精准度。
二、基础数据和样本来源
数据来源于我前期负责的某城市级智慧停车项目，共计22万多条有效的停车订单数据（数据已脱敏，合规流程取得），均为已支付停车费订单。主要数据字段如下：车场ID、车牌号（已脱敏）、入场时间、出场时间、支付渠道、支付时间、订单金额、优惠金额、实付金额、审核状态、申诉状态。这些字段在大多数停车收费系统中均为基础配置，因此具有较强的通用性和可参考性。
三、工具和方法：借助AI完成0基础数据建模
这次我使用的是 ChatGPT + Anaconda + Jupyter Notebook 的组合。

Anaconda 是一个集成开发环境，内置 Python 及常用的数据分析库（如 pandas、numpy、matplotlib 等）；


Jupyter Notebook 提供了代码编写和结果可视化的操作界面；


ChatGPT 并不是直接完成分析，而是我通过提问（Prompt）让其生成合适的 Python 代码，再在本地运行、调试和修改。本来工作量并不大，一天就可以完成的，但每天免费token是有限的，4o模型的用完后自动换模型、后来再降速、降智到最后完全用不了，需要等第二天token重置了再开始。

分析流程如下：（具体细节和过程不再赘述，感兴趣的联系我交流。）

数据清洗：剔除无效、缺失或异常订单；
标签设计：根据业务逻辑构建基础行为标签，例如停车频次、平均缴费金额、优惠使用情况等；
RFM 模型分析：评估用户的活跃度、消费频率和价值贡献；
聚类分析：使用 K-means 等方法对用户进行自动化分群；
标签融合：整合结构化标签，生成综合用户画像表。

四、初步结果：用户画像雏形已现

标签字段	标签取值	用户数量
活跃度标签	低频	20244
	新用户	5489
	中频	408
	高频	21
时段偏好	白天型	16838
	混合型	6915
	夜间型	2409
停车时长偏好	中停	14471
	长停	11691
车场使用偏好	多点型	11967
	小范围多点型	7743
	单点型	6452
支付渠道偏好	微信偏好	21326
	未知	3698
	支付宝偏好	495
	混合使用	171
优惠使用偏好	从不使用	22085
	经常使用	2655
	偶尔使用	1422
有无退款记录	TRUE	26162
有无申诉记录	TRUE	26162
用户分群	投诉风险用户	26146
	核心用户	16
丰富用户分群	投诉风险用户	25580
	流失高价值用户	566
	高活跃高价值用户	16
支付行为偏好	批量支付型	21849
	延迟支付型	1859
	混合支付型	1631
	即时支付型	823
信用等级	D（低信用）	26162
RFM分群	流失用户	8650
	重要忠诚客户	7732
	新用户	4431
	普通客户	4000
	高频低值用户	1349

五、实践反思与未来方向总的来说，目标达到了，0技术基础的我，在AI的辅助下用了大概三、四个小时间，通过对二十多万条数据的挖掘分析，完成了用户画像标签的构建。有了 AI 的协助，我第一次真正意义上“跑通”了一个完整的建模链路。相比以往，我可能需要几周甚至数月的技术积累才能完成。未来我计划从以下四个方向进一步完善：

细化标签定义规则：例如“高频停车用户”的划分标准，或“信用分”计算的具体规则；


融合更多数据维度：引入如会员数据、车辆类型、场景类别等，提升画像颗粒度；


构建自动化分析工作流：沉淀为模板，提高数据分析效率；


探索实际运营应用：将用户画像应用到优惠策略、会员体系、定价模型等运营场景中。

六、数据价值与伦理边界的思考
在兴奋于 AI 提升效率的同时，我也陷入了某种“价值冲突”的思考：用户画像固然能帮助运营方更精准地定价和营销，但若使用不当，也可能演变为对忠诚用户的“价格歧视”。

举例来说，以往平台可能面向所有用户发放停车优惠券；而有了“优惠使用偏好”标签后，就可能只对“敏感型用户”发放优惠，反而让忠诚用户承担更高成本。从运营角度来看，这是“精细化”；但从用户价值角度看，却可能有失公平。

如何在商业利益与用户信任之间找到平衡，如何运用技术做一些具有用户长期价值的事情，这是值得认知思考的问题。
尾声





这次实践让我对 AI 技术的赋能有了更深的体会——它不是代替我们去工作，而是帮助我们以更低的成本、更高的效率实现原本难以完成的目标。

我会继续在城市级智慧停车与AI应用之间探索交叉地带，也欢迎您关注我，留言交流，共同探讨如何在AI浪潮中，找到属于自己的方法与价值。

作者：于奎
智慧停车从业十年 / 市场营销+运营管理实践者 / MBA
个人公众号：于奎（记录行业观察、商业思考和个人成长）