# Ideal Customer Profile

> 生成 B2B/B2C 企业的理想客户画像（ICP），支持多行业场景与结构化输出；包含框架构建、信息收集与文档生成；适用于营销策略制定、销售目标定位与客户细分。

- Skill: `dvcrn/ideal-customer-profile` (Agent Skill)
- Install (CLI): `npx skillmds@latest add dvcrn/ideal-customer-profile`
- Raw SKILL.md: https://api.skillmd.com/api/skills/dvcrn/ideal-customer-profile/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: dvcrn (https://skillmd.com/u/dvcrn)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/dvcrn/ideal-customer-profile

---


# Ideal Customer Profile Generator

## 任务目标
本 Skill 用于帮助营销人员、销售团队和业务开发者系统化地构建理想客户画像（ICP），通过结构化的框架和智能体分析能力，将零散的业务信息转化为可执行的客户定位文档。

核心能力包含：
- 基于行业标准的 ICP 框架构建
- 通过智能对话收集和提炼关键信息
- 生成结构化的 ICP 文档并提供优化建议

触发条件：
- 用户需要定义目标客户群体
- 用户希望系统化地描述理想客户特征
- 用户需要为营销策略或销售目标定位提供依据

## 核心框架

### ICP 核心维度
ICP 框架包含以下核心维度，详见 [references/icp-framework.md](references/icp-framework.md)：

**B2B 场景维度**：
1. 公司维度：行业、规模、地理位置、增长阶段
2. 决策者维度：职位、决策权限、痛点、目标
3. 需求维度：预算、采购周期、技术要求、合规需求
4. 合作维度：采购流程、评估标准、风险偏好

**B2C 场景维度**：
1. 人口统计维度：年龄、性别、收入、教育、职业
2. 心理特征维度：价值观、生活方式、兴趣爱好
3. 行为维度：购买习惯、媒体消费、品牌偏好
4. 场景维度：使用场景、触发事件、购买动机

### 框架选择原则
- 默认使用 B2B 框架（适用于企业级产品和服务）
- 当产品面向个人消费者时使用 B2C 框架
- 混合场景时根据主要客户类型选择主框架

## 操作步骤

### 1. 信息收集与场景确认
智能体通过结构化对话收集关键信息：

**场景确认**：
- 询问用户目标客户类型（B2B 或 B2C）
- 明确产品/服务类型和核心价值
- 了解行业背景和业务目标

**关键信息收集**（根据框架动态调整）：
- 对于 B2B：行业细分、目标公司规模、决策链、典型痛点
- 对于 B2C：目标年龄段、收入水平、消费场景、核心需求
- 对于通用：地理范围、预算水平、购买频率

**信息补全策略**：
- 当用户提供信息不完整时，主动追问关键维度
- 当用户提供示例而非规则时，提炼共性特征
- 当用户信息模糊时，提供选项引导

### 2. 框架匹配与特征提取
根据收集的信息匹配 ICP 框架维度：

- 阅读 [references/icp-framework.md](references/icp-framework.md) 获取完整框架
- 将用户信息映射到对应维度
- 识别信息缺口并基于行业标准补全合理假设
- 区分"必需特征"（必须有）和"加分特征"（最好有）

### 3. 画像生成与文档输出
使用 [references/icp-template.md](references/icp-template.md) 生成结构化文档：

- 按照模板组织信息，保持一致的格式和层级
- 为每个维度提供清晰的描述和量化标准
- 识别并标注关键决策特征（优先级高的特征）
- 提供 ICP 评分标准（用于潜在客户匹配度评估）

**输出格式**：
- 使用 Markdown 格式
- 包含完整的维度说明
- 提供可量化的标准
- 附带使用建议

### 4. 优化与验证
对生成的 ICP 进行质量检查：

**完整性检查**：
- 核心维度是否全覆盖
- 关键特征是否具体可执行
- 是否包含量化标准

**一致性检查**：
- 不同维度的特征是否冲突
- 是否符合行业常识和业务逻辑
- 与用户原始需求是否一致

**可执行性检查**：
- 特征是否可用于客户筛选
- 标准是否清晰可测量
- 是否支持后续营销和销售行动

**提供优化建议**：
- 指出需要进一步调研的维度
- 建议可能的客户细分方向
- 推荐验证 ICP 的方法

## 资源索引

### 领域参考
- [references/icp-framework.md](references/icp-framework.md) - ICP 核心框架详细说明，包含 B2B/B2C 维度定义和问题引导
- [references/icp-template.md](references/icp-template.md) - 标准 ICP 文档模板，包含输出格式和结构规范
- [references/icp-examples.md](references/icp-examples.md) - 行业 ICP 示例，参考不同行业的最佳实践

### 何时读取参考
- 步骤 2 开始时读取 icp-framework.md
- 步骤 3 生成文档时读取 icp-template.md
- 需要行业参考时读取 icp-examples.md

## 注意事项

### 信息收集原则
- 优先理解业务本质，而非表面描述
- 区分"期望客户"和"实际可行客户"
- 保持追问的深度，避免过度泛化
- 当信息冲突时，优先选择可操作的定义

### 框架应用原则
- 严格遵守框架结构，确保维度完整
- 灵活调整问题引导，适应不同用户
- 区分必需特征和加分特征
- 保持描述的具体性和可测量性

### 输出质量标准
- 每个 ICP 必须包含 3-5 个核心优先特征
- 特征描述必须具体，避免模糊表述
- 优先特征必须可量化或可验证
- 必须提供清晰的评分或匹配标准

### 智能体能力利用
- 充分利用智能体的分析推理能力处理复杂信息
- 利用结构化思维构建清晰的维度层级
- 利用内容创作能力生成规范的文档
- 利用对话交互能力收集完整信息

## 使用示例

### 示例 1：B2B SaaS 产品
**用户输入**：
"我们是一家提供 HR 自动化软件的 SaaS 公司，目标客户是中型企业，主要想服务有 100-500 人的公司，特别是科技行业。"

**智能体处理流程**：
1. 确认场景：B2B 场景，SaaS 产品
2. 信息收集：追问行业细分、决策者、典型痛点、预算范围
3. 框架匹配：映射到 B2B 框架维度
4. 生成画像：输出结构化 ICP 文档
5. 优化建议：建议补充 HR 团队规模、现有系统等信息

### 示例 2：B2C 消费品牌
**用户输入**：
"我们卖高端健身补剂，想找 25-35 岁的健身爱好者。"

**智能体处理流程**：
1. 确认场景：B2C 场景，消费品
2. 信息收集：追问收入水平、健身频率、消费习惯、购买渠道
3. 框架匹配：映射到 B2C 框架维度
4. 生成画像：输出结构化 ICP 文档
5. 优化建议：建议细分健身目标（增肌、减脂等）和品牌偏好

### 示例 3：制造业 B2B
**用户输入**：
"我们是精密钣金加工厂，想找欧美五金/钣金加工代理商。"

**智能体处理流程**：
1. 确认场景：B2B 场景，制造业
2. 信息收集：追问代理商业绩、客户类型、采购频率、质量要求
3. 框架匹配：映射到 B2B 框架维度（重点关注需求维度和合作维度）
4. 生成画像：输出结构化 ICP 文档
5. 优化建议：建议补充地缘政治考量、供应链稳定性等因素