Agentic Commerce 的資料困局：為什麼 CDP 升級成 CDMP 是零售品牌的下一步

AI 代理購物（Agentic Commerce）正在重塑零售業的顧客互動模式。Walmart 在 2025 年底與 OpenAI 合作推出 ChatGPT 即時結帳功能，卻在數月後因轉換率不佳而改用自建的 Sparky 購物助手。

這個案例清楚說明，AI 代理的效果取決於背後的資料品質與整合深度，而非接上哪一個大型語言模型。同一時間，MarTech 產業研究指出 B2B 電商技術堆疊正從 CRM、CMS 快速擴展到 CDP、DXP 等數據驅動工具。

AI 行銷專家也警告，缺乏業務脈絡的 AI 輸入將產生系統性偏差，導致行銷決策失準。這三股趨勢共同指向一件事：品牌需要的不只是 CDP，而是能整合線上線下第一方資料、支援 AI 預測模型的顧客資料管理平台（CDMP）。本文從 Walmart 案例出發，結合國際產業研究，拆解 Agentic Commerce 對資料架構的真實需求，以及 91APP CDMP 如何成為品牌在 AI 代理時代的競爭基礎。

Agentic Commerce 是指由 AI 代理代替消費者完成搜尋、比較、甚至下單的購物模式。品牌能被 AI 代理「選中」的前提，是擁有結構化、即時且具脈絡的第一方資料。過去半年，Walmart 轉向自建資料引擎、B2B 技術堆疊擴展到 CDP、AI 專家警告資料偏差問題。三條線索共同指向：

資料基礎設施才是 AI 代理時代的真正瓶頸。

Walmart 的教訓：為什麼自建資料引擎比接 API 更重要

2025 年 10 月，Walmart 宣布與 OpenAI 合作，讓消費者在 ChatGPT 對話中直接完成購買。不到半年，Walmart 調整策略，改用自建的 AI 購物助手 Sparky，嵌入 ChatGPT 和 Gemini 等多個模型。透過 Sparky 的購買完成率已達 Walmart.com 直接購買的 70%。

初版合作把商品目錄交給通用模型，缺乏庫存即時性、區域偏好、顧客歷史行為等脈絡。Sparky 的改善在於 Walmart 將第一方零售資料直接注入推薦邏輯：門市即時庫存、區域消費偏好、會員交易記錄，讓推薦反映供給與需求的真實狀態。

與其說 Sparky 換了對話介面，不如說是在模型與消費者之間插入了一層自有資料驅動的決策引擎。模型是公共財，資料深度才決定轉換率。

B2B 已經在動：技術堆疊從 CRM 擴展到 CDP 的產業訊號

零售品牌如果覺得 91APP CDMP 是未來式，看看 B2B 的動作。根據 MarTech.org 報導，B2B 電商技術堆疊正經歷結構性擴張：過去以 CRM 和 CMS 為核心的配置已不夠用，CDP、DXP、PIM、CPQ 成為必要投資。CDP 能整合行為、交易與企業屬性資料，建立即時帳戶級顧客視圖。

台灣零售業同樣面對類似挑戰：同一會員帳號背後可能是夫妻或親子共用，消費偏好混雜難以拆解。B2B 買家開始要求「跟 B2C 一樣的個人化體驗」，反向推動企業建構更完整的資料基礎設施。CRM 記錄交易結果，CDP 整合行為軌跡，CDMP 再加入興趣數據、線下數據、AI 預測與自動化串接。AI 代理購物需要什麼資料？全通路、即時、帶有行為脈絡的第一方資料：這正是 91APP CDMP 的守備範圍。

AI 偏差的根源：輸入資料缺乏上下文，不是模型不夠聰明

AI 工具給出偏頗建議，多數時候問題不在模型。RPE Origin 執行長 Ryan Phelan 在 MarTech 專欄分享案例：一位高階主管將原始資料直接丟給 AI，得到帶有負面偏差的策略建議，因為數據是促銷期間收集的，缺乏業務脈絡，AI 依字面數據產出錯誤結論。

Phelan 提出「memorializing」概念：組織應系統性記錄決策邏輯與業務脈絡，作為 AI 的輸入上下文。這直接對應零售品牌的 OMO 場景：顧客三個月沒在線上下單，傳統 CDP 標記為流失客，但門市 POS 顯示她上個月實體店消費兩次、導購紀錄顯示她試穿了新品。

缺少線下脈絡，AI 判斷就會出錯。關鍵不在資料有沒有洗乾淨，而在有沒有足夠的情境。

從 CDP 到 CDMP：第一方資料 × OMO 整合 × AI 預測的三角關係

CDP 和 CDMP 差在哪？表面上都在整合顧客資料，但 CDMP 多做三件關鍵的事。

第一，OMO 原生整合。傳統 CDP 以線上行為為主，門市 POS、導購互動、LINE 官方帳號等線下接觸點需額外開發串接。CDMP 從架構層設計為線上線下同時收、同步更新。

第二，內建 AI 預測模型。CDP 告訴你「顧客過去做了什麼」，CDMP 根據瀏覽興趣數據及購物行為，進一步計算「顧客接下來可能做什麼」。包含購買機率、回購品類偏好、最佳觸及時段。

第三，直接串接自動化行銷引擎。CDMP 的核心在於將資料整合、AI 預測與行動觸發串成閉環。具體場景：會員在門市試穿外套未購買，隔天在 APP 瀏覽同款，LINE 開信率連續下降兩週。CDMP 串聯三筆訊號計算購買意圖分數，自動觸發個人化推播：從「紀錄型平台」到「預測行動型平台」，差距就在這裡。

品牌實戰：用 CDMP 建構 AI 代理可信賴的資料底盤

Gartner 預測 2028 年將有 25% 的線上購買由 AI 代理參與，品牌現在就該思考：你的資料準備好了嗎？CDMP 為 AI 代理時代提供三層價值。

第一層：統一顧客身份。 同一位顧客可能用不同手機加 LINE、用 email 註冊官網、用會員卡在門市消費。跨通路 ID 整合是分析與預測的前提。根據 Forrester 研究，整合線上線下資料的 CDP 導入企業，行銷回應率提升 20-30%。

第二層：行為脈絡與偏好標籤。 看了沒買、退貨原因、門市停留時間、訊息已讀未點擊。這些弱訊號讓 AI 預測模型區分「價格敏感型回購客」與「品牌偏好型新品嘗鮮客」，避免把不同動機的顧客丟進同一推薦池。

第三層：即時預測訊號。 購買機率、回購品類推薦、最佳觸及時段：每天甚至每小時更新的動態數值。能提供即時預測訊號的品牌，就是 AI 購物代理優先推薦的品牌。

Agentic Commerce 改變的從來不只是購物介面，而是品牌能不能被 AI 正確理解、正確判斷、正確推薦的底層能力。Walmart 的轉向已經說明，真正決定成效的不是接上哪一個模型，而是品牌是否掌握完整、即時且具脈絡的第一方資料。

當 AI 代理逐漸成為消費者與品牌之間的新入口，資料平台的角色也必須升級：從記錄顧客行為的工具，變成能整合 OMO 場景、理解情境差異、輸出預測訊號並驅動行動的決策基礎設施。

這也是 91APP CDMP 的真正價值。未來品牌之間的競爭，不只是哪一家比較會投廣告、做促銷，而是哪一家能先把資料底盤建好，讓 AI 不只看見顧客，更真正看懂顧客。能做到這件事的品牌，才有機會在 AI 代理時代持續被選中、被推薦，也被買單。

FAQ：關於 Agentic Commerce 與 CDMP，品牌最常問的問題

Q1：Agentic Commerce 跟傳統電商推薦有什麼不同？
傳統推薦是品牌主動推內容給顧客；Agentic Commerce 是 AI 代理替顧客搜尋、比較、下單，品牌變成被挑選的對象，勝出關鍵從曝光量轉為資料結構化程度。

Q2：中小型品牌也需要關注 Agentic Commerce 嗎？
需要。AI 代理不認品牌大小，只認資料品質。中小品牌若整合好第一方資料與 OMO 行為軌跡，AI 推薦勝率不一定輸給大品牌。

Q3：CDMP 導入的優先步驟是什麼？
第一步盤點資料來源，第二步透過 OMO 會員整合模組建立跨通路 ID 對應，第三步啟用 AI 預測標籤與自動化行銷旅程引擎，從流失客挽回等高價值場景切入驗證。

Q4：91APP CDMP 跟國際 CDP 產品的差異在哪？
最大差異是 OMO 原生整合。國際 CDP 多以線上行為為主，導入線下整合相對費用和工程浩大。91APP CDMP 涵蓋門市 POS、導購 APP、LINE 官方帳號，並內建 AI 預測模型與自動化行銷引擎。