解析 NAPLRS、DCIU、XGBoost 數據模型，91APP CDMP 從分群到預測，打造精準私域與廣告獲客矩陣

在獲客成本屢創新高的全通路時代，品牌經營者都面臨著一個共同的痛點，系統裡累積了龐大的會員資料，卻不知道誰才是「當下」最該溝通的人。

傳統的行銷手法往往依賴靜態的歷史報表，或是行銷人員的直覺來發送促銷簡訊。然而，在消費者跨通路移動軌跡日益複雜的今天，單一維度的數據觀察，早已無法應付瞬息萬變的購物意圖。

為了解決這個「數據黑箱」的難題，我們必須跳脫傳統的分析框架。今天，我們將深度拆解 91APP 專為零售業打造的三大核心數據模型：以交易週期為基礎的 NAPLRS、以行為意圖為核心的 DCIU，以及具備機器學習預測能力的 XGBoost。這不僅是一場從靜態標籤到動態預測的技術升級，我們更將探討如何透過「模型矩陣交乘」，打破單一數據的盲點，並將這些精煉出的高價值名單輸出至 Meta 與 Google 廣告，為品牌打造一套精準無比的全通路獲客與變現引擎。

模型總覽：從靜態標籤到行為預測，透視 91APP 三大數據模型的核心價值

在深入實戰之前，我們必須先釐清品牌手中的數據武器庫。當一個消費者與品牌發生互動時，會留下各式各樣的足跡，包含他買了什麼（交易數據）、他逛了什麼（行為數據），以及他過去長期的消費頻率（歷史軌跡）。如果只看其中一面，品牌很容易做出錯誤的行銷決策。

為此，91APP 提出了三個不同維度、不同觀測視角的數據模型，幫助品牌看透會員全貌：

1. NAPLRS 模型，這是一個強大的 CRM（顧客關係管理）底層模型，主要透過「長效生命週期」來檢視會員的健康度與活躍狀態。
2. DCIU 模型，這是一個 顧客意圖數據模型，除了交易紀錄，純粹透過會員在站內的互動軌跡，來探測其「30天內購物意圖」的熱度。
3. XGBoost 模型，這是一位 AI 算命師，透過極度複雜的機器學習演算法，從海量的歷史軌跡中尋找規律，直接給出「未來購買機率」的預測分數。

這三大模型分別代表了過去的累積、現在的行為與未來的預測。唯有理解它們的獨立價值，我們才能在後續的實戰中，將它們巧妙地編織成一張無漏的行銷捕星網。

NAPLRS 模型全景生命週期：從「註冊未購」到「深度封存」的動態分群

在討論顧客分群時，傳統的 RFM 模型（最近消費 R、頻率 F、金額 M）是最常被提及的工具。但 RFM 的致命傷在於它採用「絕對時間（例如固定抓 90 天或 180 天）」來切分，且標籤過於靜態，無法直觀呈現會員在生命週期中的流動狀態。

91APP 升級推出的 NAPLRS 模型，完美解決了這個痛點。它同樣基於 RFM 的交易原理，但捨棄了死板的絕對時間，改以各品牌專屬的「3 倍購物週期」作為分水嶺，精準定義出會員的六種動態狀態：

1. R (Ready to Buy) 註冊未購：剛註冊成為會員，但尚未產生任何一筆交易的潛在客群。
2. N (New) 首購：完成第一次購物的潛力新星。
3. A (Active) 活躍：在三倍購物週期內有持續回購的非首購會員，這群人是品牌最核心的營收基石。
4. P (Potential) 潛力：二次以上消費但超過三倍購物週期未購
5. L (Lost) 流失：一次以上消費但超過三倍購物週期未購
6. S (Sealed) 封存：超過一年以上完全沒有任何購物紀錄的深度流失會員，通常喚回成本極高。

透過 NAPLRS，品牌主管只需一眼，就能看穿整個會員池的健康度。這是一個用來觀測會員「長期生命週期走向」的最強羅盤，幫助品牌判斷現在該把行銷資源投資在首購推進，還是沉睡客的挽回。

DCIU 模型透視數位足跡：靠「站內互動」精準探測短期購買意圖

如果 NAPLRS 看的是長期的生命週期，那 DCIU 模型 捕捉的就是消費者「當下這一秒」的購物衝動。這是一個依據行為數據（Behavioral Data）運算的分群模型。

在真實的購物情境中，消費者的意圖變化極快。他可能昨天才剛發薪水，瘋狂把商品加入購物車；但今天結帳完後，明天的購買意圖瞬間降為零。DCIU 模型除了交易資料，也包含透過追蹤會員在站內的瀏覽分類、關鍵字搜尋、加入購物車、加入收藏等高頻互動行為，將短期購買意圖分為四個等級：

1. D (Decided) 最高意圖：官網互動極為頻繁，且產生了大量如「加入購物車」、「編輯購物車」等趨近結帳底線的深度行為。這群人只要推一把就會買單。
2. C (Considering) 高意圖：有將商品加入購物車或頻繁瀏覽特定商品，但近期活躍頻率稍低，正處於猶豫比價階段。
3. I (Interested) 低意圖：偶爾進站隨意瀏覽，看看新品或活動，但沒有明確的選購目標。
4. U (Un-interested) 無意圖：近期完全沒有任何站內互動行為的會員。

DCIU 模型的價值在於「即時性」。它能真實反映消費者當下的熱度變化，讓品牌在對的時間點，針對對的人發送最適合的促購訊息。

XGBoost 模型AI 算命師：從歷史軌跡預測「七天內最容易買單」的客群

除了長期的 NAPLRS 與短期的 DCIU，91APP CDMP 服務更提供品牌強大預測能力的 XGBoost 模型。這是一種基於決策樹的進階機器學習演算法（Extreme Gradient Boosting）。

這個模型就像是一位精通數據的 AI 算命師。它不僅僅是單一的演算法，而是一種強大的「集成學習（Ensemble Learning）」模型。它的預測神準，主要歸功於以下三大底層技術原理：

1. 決策樹的連續接力賽（Sequential Tree Boosting）： XGBoost 內部包含了數以百計的「決策樹」，但它不是讓樹獨立運作，而是採用「循序漸進」的接力方式訓練。每一棵新生成的決策樹，都是專門為了糾正前面所有樹預測時所留下的「殘差（Residual errors，即預測錯誤的部分）」而建立。透過這種不斷針對錯誤進行彌補的迭代機制，模型能將無數個「弱學習器」集結成一個預測能力極度強大的「強學習器」。
2. 自帶防護機制的「正則化（Regularization）」： 機器學習最常遇到的致命傷是「過度擬合（Overfitting）」，也就是模型「死背」了過去的歷史資料，卻對未來的預測失準。XGBoost 在運算目標函數時，內建了強大的 L1 與 L2 正則化懲罰項。這意味著演算法在追求最低預測誤差的同時，也會自動抑制模型長得過於複雜，確保它在面對未知的新數據時，依然能保持極高的準確度與泛化能力。
3. 強大的稀疏數據處理能力（Sparsity-aware）： 在真實的零售與電商場景中，消費者的數位足跡往往充滿空白（例如：客人沒有點擊某分類、沒有使用某折價券）。XGBoost 具備獨特的「稀疏感知（Sparsity-aware）」技術，能夠在樹狀分裂的過程中，自動為這些「缺失值（Missing data）」學習出最佳的預設路徑。它能同時平行處理數百個變數（如：近期搜尋習慣、瀏覽深度、加車頻率等），經過龐大運算後，直接為每位會員打出一個「未來一個月內最有可能買單」的預測分數

簡言之，XGBoost 模型的運作邏輯，是讓 AI 系統自動去分析品牌過去一年內所有「已購會員」的複雜數位軌跡。系統會同時處理數百個變數，包含他們近期的搜尋習慣、瀏覽深度、加車頻率、過去購買的客單價、甚至對特定促銷的敏感度。經過龐大的交叉運算後，XGBoost 會為每一位會員打出一個「預測分數」。

這個分數代表著「該會員在未來7天內，最有可能發生購買行為的機率」。

對於品牌而言，這份由 XGBoost 精煉出來的高購率名單（例如：預測分數最高的前 10% 會員），就是短期衝刺業績（GMV）、大型檔期（如雙 11、週年慶）極速收網的終極武器。當行銷預算有限，只能發送五萬封簡訊時，直接對準 XGBoost 名單發送，往往能創造出令人驚豔的轉換率與投資報酬率。

矩陣交乘實戰打破單一盲點！NAPLRS ✕ DCIU ✕ XGB 創造極致轉換

以下為您解析四個極具效益的交乘情境實戰：

1. R (Ready to Buy) ✕ DCI：鎖定「猶豫期準新客」，一擊必殺 註冊未購 (R) 客群通常佔了品牌極大比例，但普遍轉換率極低。如果對所有 R 客群盲發簡訊，只是把錢丟進水裡。但如果我們交集出「近期產生 D/C/I 意圖」的 R 客群，意義就完全不同了！這代表他們雖然還沒買過，但「最近正在瘋狂逛網站」。這群人正處於對品牌感興趣的猶豫期，此時只要立刻透過個人化行銷推播專屬的「首購大禮包」或「免運券」，打破他們的心理門檻，首購轉換率將呈現指數型飆升。

2. S (Sealed) ✕ DCI：「起死回生」的封存客，不可錯過的挽回黃金期 沉睡超過一年以上的封存會員 (S)，在常規操作中通常會被行銷人員放棄，以節省簡訊與 EDM 費用。然而，如果有極少數的 S 客群，突然在近期交集出了 D/C/I 意圖，這絕對是最高級別的警訊！這代表這位老客人可能突然看到了某個社群廣告，或是聽了朋友推薦，「起死回生」重新回到了品牌網站。面對這群罕見甦醒的深度流失客，品牌必須立刻投入最高規格的優惠資源（如深度折扣券）進行加碼收網，將他們重新拉回活躍循環。

3. A (Active) ✕ D：含金量破表的超級鐵粉，推動高客單價的絕佳利器 活躍會員 (A) 本身就是高頻消費者，若再交集出當下最高的購買意圖 (D)，這群人無疑是品牌含金量最高、且「極短期內就會自動結帳」的絕對鐵粉。針對這群人，溝通重點絕不是發送流血折扣（因為他們本來就準備要買了），而是應該推薦「高單價新品」、「多件組合包」或是「跨品類聯銷商品」。利用他們對品牌的高度信任與當下的購物衝動，極大化提升客單價（AOV），創造最大利潤。

4. D ✕ XGB (預測分數最高前 10%)：強強聯手，轉換率的絕對無敵名單 將「當下具有最高行為意圖 (D)」的會員，與「AI 歷史軌跡預測未來最易買單 (XGB 前 10%)」的會員進行交集，這是一份融合了「現在與未來」、剔除掉所有雜訊的終極名單。這群人不僅在歷史數據上展現出極強的購買基因，在當下也確實展現出強烈的加車與瀏覽行為。在大檔期（如雙 11 最後倒數幾小時），將所有剩餘資源重押在這份名單上，往往能創造出 ROAS 最驚人的業績爆發力。

公域廣告放大數據！將 AI 模型名單轉為 Meta / Google 廣告精準種子

當我們透過上述矩陣交乘，精煉出這些極具價值的高轉換名單後，如果只把他們應用在私域的簡訊、EDM 或 LINE 推播上，那就太浪費數據的潛力了！在外部獲客成本飆漲的今天，我們更應該讓「數據出圈」，將這些精準名單轉化為公域廣告平台（Meta / Google）的最強獲客武器。

策略一：利用 Lookalike (類似受眾) 放大尋找精準新客 品牌可以將「A ✕ D（高意圖活躍客）」或是「D ✕ XGB 前 10%」這類高含金量的終極名單，透過 91APP 系統同步串接至 Meta 或 Google 廣告後台。運用廣告平台的 Lookalike (類似受眾) 功能，讓 AI 去茫茫網海中，尋找與這些「超級鐵粉」具備相似興趣、相似消費能力的新客。這種以「高價值模型名單」作為種子的類似受眾，其帶進來的新客品質與首購客單價，將遠遠輾壓一般憑直覺設定興趣標籤的廣告受眾。

策略二：餵養 AI 廣告（ASC / PMax）的精準訊號源 現在的數位廣告已全面進入 AI 自動化時代（如 Meta 的 ASC 或 Google 的 PMax），廣告系統需要優質的「第一方數據訊號」來學習如何找客人。將上述矩陣交乘出的高購買機率名單（如 S ✕ DCI 喚回名單、XGB 高潛力名單）直接投入 AI 廣告活動中作為受眾訊號（Audience Signals），能大幅縮短廣告系統的學習期。不僅能精準對舊客進行再行銷（Retargeting），更能引導廣告演算法精準鎖定外部的潛在買家，有效壓低轉換成本（CPA）並顯著提升整體廣告的 ROAS。

結論：數據驅動的終極佈局

走過這場數據深潛之旅，我們可以清楚看見，現代零售業的競爭早已脫離了單純的商品與價格戰，全面升級為「數據應用能力」的軍備競賽。

從導入 NAPLRS 模型 掌握長效的會員生命週期，到利用 DCIU 模型 捕捉稍縱即逝的短期購買意圖，再到借助 XGBoost 的 AI 算力預知未來商機。91APP 的三大數據模型，為品牌提供了一套從巨觀到微觀的完整透視鏡。

更重要的是，數據不該是各自為政的孤島。唯有透過「矩陣交乘實戰」，品牌才能真正打破盲點，精準定位出「猶豫新客」、「復甦流失客」與「極致鐵粉」。而這套數據邏輯的最終極展現，是將私域精煉出的黃金名單，作為公域廣告（Meta/Google）的精準種子，讓數據跨越內外通路的界線。

這套從「洞察、分群、私域精準收網」到「公域放大獲客」的完整佈局，正是零售品牌在現今嚴峻環境中突破成長天花板的最佳解方。現在就開始重新盤點您的數據資產，善用模型矩陣的力量，為您的品牌打造一台自動運轉、生生不息的全通路獲客與業績。