門市 AI 導購怎麼做？讓店員一開口，就接得上顧客的線上紀錄

店員手上的 AI，已經從總部走進賣場

2024 年 6 月，美國零售商 Target 宣布要把一個生成式 AI 工具放進店員的手持裝置，在 8 月前推到旗下將近 2,000 家門市。這個叫 Store Companion 的工具先在約 400 家店試行，從測試到預定全面上線只花了六個月。

一年後，Walmart 在 2025 年 6 月公布給 150 萬名門市店員使用的 AI 工具組；同年 5 月，居家修繕零售商 Lowe's 把 Mylow Companion 推到 1,700 多家門市的全體店員。到了 2026 年 8 月，Home Depot 的 AI 助理 Magic Apron 已在全美 2,000 多家店提供在地化的店內資訊。

兩年之內，美國前幾大零售商都讓 AI 站上了賣場第一線。細看這幾家公布的功能，會發現一個共同點：它們大多在回答「這個流程怎麼做」「這個商品在哪」「還有沒有貨」。至於「站在面前的這位顧客是誰、上次買了什麼、這次該推什麼」，官方新聞稿裡幾乎沒有著墨。

這正是門市 AI 導購的下一道關卡。工具已經進到店員手上，資料還沒跟著進來。

我們在專櫃前看到的那一兩秒

我們團隊常想到一個畫面。週六下午，一位熟客走進專櫃，店員一眼就認出她，熱情地打了招呼，接著推薦了一瓶新上市的精華液。顧客笑了一下，說這瓶上個月已經在 App 買過了。

店員愣住的那一兩秒，其實很讓人惋惜。她記得這位顧客的臉、記得她喜歡清爽的質地，卻看不到顧客在 App 與官網留下的紀錄。顧客沒有不高興，只是心裡默默記下：這個品牌，線上和門市各過各的。

這種尷尬，在台灣做 OMO（線上線下整合經營）的品牌很常見，雖然我們不便公開個別案例。它跟店員夠不夠用心沒有太大關係，問題出在店員開口之前，手上能看到什麼。

門市 AI 導購的三層能力

為了說明「AI 進到門市」到底進到哪裡，本文提出一個三層分法，從店員最常問的問題往上疊：

前兩層的資料來自品牌內部文件與商品主檔，整理好就能餵給 AI，屬於「一次建好、所有顧客共用」的知識。第三層完全不同，每位顧客的內容都不一樣，而且資料散在電商後台、POS、App、LINE 官方帳號與客服系統裡。

我們把真正能叫做「導購」的能力放在第三層。前兩層讓店員做事更快，第三層才讓店員推薦得更準。

四家美國零售商，各自走到哪一層

Target：先解決店員最常卡住的流程問題

依 Target 官方新聞稿，Store Companion 以 App 形式裝在店員的手持裝置上，回答作業流程問題、帶新進人員上手、協助門市營運管理。新聞稿舉的提問例子是「怎麼幫顧客申辦 Target Circle Card」和「停電時怎麼重新啟動收銀機」。

Target 的內部技術團隊用全美各地門市累積的常見問題與作業文件建置這個工具。這是很典型的第一層：把散在手冊裡的流程，變成店員在賣場上幾秒就能查到的答案。

Walmart：任務排序、即時翻譯與對話式助理

Walmart 2025 年 6 月公布的工具組涵蓋任務、翻譯與對話三類工具：

1. 任務管理：AI 判讀並排序待辦工作，先從夜班補貨開始。依官方說法，組長與店長估計排班規劃時間從 90 分鐘縮到 30 分鐘。
2. 即時翻譯：支援 44 種語言，讓店員與顧客跨語言對話，還認得 Walmart 自有品牌的名稱。
3. 對話式 AI：每週超過 90 萬名使用者、每天超過 300 萬次提問，後續改版要把冗長的作業指引拆成逐步說明。

Walmart 的投入重心在第一層的流程效率，翻譯功能則碰到了「店員與顧客怎麼溝通」，但仍沒有進入「這位顧客過去買過什麼」。

Lowe's：把商品與專案知識交到店員手上

Lowe's 的 Mylow Companion 與 OpenAI 合作開發，裝在賣場用的裝置上，提供商品細節、施工專案建議與庫存資訊，並支援語音輸入。官方舉的例子是「哪種肥料最適合百慕達草」「漏水的水龍頭怎麼修」。

這是第二層做得很完整的例子。居家修繕的顧客常帶著一個專案走進來，店員能不能答出專業建議，直接決定顧客會不會在這家店把材料買齊。

Home Depot：顧客自己也能問店內的 AI

Home Depot 2026 年 8 月的公告指出，Magic Apron 已在全美所有門市納入在地化的店內資訊，幫顧客與店員更快找到商品、詢問商品問題、取得專案建議，每月處理數百萬個問題。顧客可以在 Home Depot App 的店內模式使用，或掃店內看板上的 QR code 直接開啟。

Home Depot 的做法提醒品牌，AI 導購的提問者不一定是店員，顧客也可以自己問。當顧客在走道上就能問 AI，店員的價值就更集中在 AI 給不了的部分，也就是判斷、陪伴，以及對這位顧客的了解。

四個案例放在一起看

這四家都是美國大型連鎖，店數動輒上千、商品以居家與民生用品為主，和台灣多數品牌的門市規模、品類差異很大，數字不能直接拿來當目標。這四份官方公告顯示，大型零售商已把 AI 用在流程與商品資訊，但公告沒有提供足以判斷答覆正確率或營運成效的資料。它們的參考價值在方向：第一層與第二層用的是品牌共用的知識，大型零售商已經開始大規模部署；第三層要靠各家自己的會員資料，能不能做出差異，取決於會員識別、資料品質、權限設計與門市是否真的用起來。

為什麼「認得顧客」這一層最難

資料要先歸戶，AI 才有東西可讀

AI 要在店員開口前提示「這位顧客上個月在 App 買過這瓶」，前提是門市系統認得她跟 App 上的帳號是同一個人。很多品牌的線上會員、門市會員卡、LINE 好友還各自有一套編號，品牌要先建立可驗證的會員識別與跨系統對應規則，店員那一端才可能查到完整的跨通路紀錄。接著還要處理資料多久更新一次、錯誤合併的會員怎麼拆開、誰有權限查看，這些沒顧好，提示反而會出錯。

這一步沒做好，AI 再聰明也只能根據門市那半邊的資料推薦，結果就是開頭那個畫面：推薦了顧客早就買過的東西。

店員推薦了，業績要算得回來

第二個卡點在店員的動機。店員在門市花了十分鐘介紹，顧客說回家再想想，三天後在 App 下單，這筆業績如果完全算在電商，店員下次就沒有理由認真推薦線上通路，AI 導購只會讓這個老問題更明顯，因為 AI 會建議店員「這款門市缺貨，可以幫顧客改從官網下單」。

所以 AI 導購的設計，要同時回答「推薦了什麼」和「推薦成功後算給誰」。後者沒解決，前者的建議就很難被執行。

店員看得到的，要落在告知內容與合法利用範圍內

第三個卡點是個資邊界。店員手上能看到的顧客資料越多，越要確認每一個欄位都在當初蒐集的目的範圍內。台灣個人資料保護法第 5 條要求個資的蒐集、處理與利用不得逾越特定目的之必要範圍；第 20 條則規定，當事人表示拒絕接受行銷時，應即停止利用其個人資料行銷，首次行銷時也要提供拒絕的方式。

落到門市現場，有兩條要先定下來：店員畫面上該顯示哪些欄位、哪些只留在總部分析用，要事先定好；顧客若已表示拒絕行銷，AI 也不該再提示店員對他推銷。我們擔心的情況是，品牌急著把所有資料攤給店員看，反而讓顧客覺得被盯著。

一張好的導購提示，長什麼樣子

把三個卡點都考慮進去，店員手上的 AI 提示應該短、可解釋、知道界線。以下是示意寫法：

1. 這位顧客上次購買是 40 天前，買過清爽型化妝水，依她過去的回購間隔，差不多快用完了。
2. 她兩週前在 App 收藏了一款防曬乳，還沒結帳，這家店目前有貨。
3. 不要再推這瓶精華液，她上個月已經在 App 買過。

每一句都附上「為什麼」，店員才敢照著說；第三句「不該推什麼」常被忽略，卻是最能避免尷尬的一句。遇到未登入的顧客、家人共用的帳號、身分對不太起來、資料過期或退貨還沒更新的情況，系統應該停止給個人化提示，交回店員自己判斷，錯誤的提示比沒有提示更傷信任。

這套提示也不一定要從生成式 AI 開始。品牌可以先用規則整理好的顧客卡片或既有的會員系統完成導購提示，等提示量變大、更新變頻繁，再評估交給 AI 自動產生。

把會員資料接進店員手上：91APP 的做法

回到資料這一層，91APP 的 OMO 方案在門市端有店員幫手工具，店員可以查詢會員的消費紀錄、留下服務註記，也能幫顧客把商品加入線上購物車；推薦人機制則把顧客後續的線上訂單認列回服務的店員，處理前面提到的業績歸屬問題。

AI 導購需要的「這位顧客可能需要什麼」，則來自會員資料的整理與分群。91APP CDMP 把線上與門市的交易、App 與 LINE 的互動歸到同一位會員身上，再依購買週期、偏好與購買意圖貼上標籤，例如「依回購間隔快要用完的人」「收藏未結帳的人」。這些標籤原本用來規劃推播與再行銷名單，同一套資料也能整理成店員看得懂的提示。現階段可以先把歸戶與分群後的資料做成店員提示；若要由 AI 自動產生，仍要另外確認介接方式、權限與產品可用範圍。

當品牌想讓店員一開口就接得上顧客的線上紀錄，實務上要把三塊接在一起：門市看得到的會員視圖、能解釋給店員聽的標籤、推薦成功後算得回來的業績。工具本身反而是最後一塊。

先把資料、業績歸屬與個資規則跑通，再決定要不要接上 AI

1. 盤點店員開口前看得到什麼：拿一位熟客實際走一遍，列出店員在門市系統查得到、查不到的資料（預期效果：知道第三層缺哪幾塊；建議週期：第一週完成）。
2. 把顧客資料濃縮成三句話：上次買什麼、可能需要什麼、不要推什麼，先用人工整理幾位熟客的卡片，請店員試用並回饋哪句最有用（預期效果：確認提示的格式店員真的會看；建議週期：兩週試用）。
3. 先講好業績怎麼算：用推薦人綁定或代客加入購物車，讓店員推薦後的線上訂單算得回門市或個人（預期效果：店員願意推薦線上通路；建議週期：與試行同步上線）。
4. 劃出店員畫面的個資紅線：逐欄確認哪些資料可以給店員看，拒絕行銷的會員要在畫面上清楚標示（預期效果：降低顧客被冒犯與法遵風險；建議週期：試行前由法務與門市營運一起確認）。
5. 選兩三家店小範圍試行：觀察店員實際使用頻率、提示被採用的比例、錯誤提示的比例、顧客婉拒的比例，以及之後有沒有跨通路成交或退貨，再決定要不要把 AI 接進來自動產生提示（預期效果：用自家數據決定投資規模；建議週期：一個完整檔期，約一到兩個月）。

試行時也要預留門市現場的負擔。檔期壓力大的時候，再好的工具都可能被擱著，提示要少、要準，店員才會在忙的時候還願意看一眼。

如果品牌已經在評估把 AI 代理用進門市與營運，可以參考零售品牌用 AI 代理處理門市、供應鏈與行銷工作的整理；要衡量試行成果，則可以搭配門市與線上數據串接後的成效衡量方法。

把那一兩秒，留給更好的開場

回到週六下午的專櫃。那位店員缺的從來不是熱情，是一行字：「她上個月在 App 買過了，這次可以問問她用得怎麼樣。」

AI 進到門市，我們最在意的，是讓那一兩秒的停頓變成一句「上次那瓶用得還習慣嗎」，讓店員少背一點 SOP，多記得一點顧客。顧客記得的，往往是被認出來的那一刻。

不少台灣品牌的門市規模不大，店員和熟客的關係本來就近，這反而是做好第三層的好條件。先把資料接上，AI 才有機會幫店員把這份熟悉放大到每一家店。

品牌最常問的門市 AI 導購問題

Q1：門市 AI 導購是什麼？
A1：門市 AI 導購（國際上常稱為 clienteling，一對一顧客經營）是讓店員在服務顧客時，透過手持裝置取得 AI 整理的提示，包含作業流程、商品與庫存資訊，以及這位顧客的購買紀錄與可能需求，讓推薦更貼近顧客實際狀況。它可以分成知道流程、知道商品、知道顧客三層，真正影響推薦準確度的是第三層。

Q2：門市 AI 導購跟一般的門市 AI 助理有什麼不同？
A2：一般門市 AI 助理多半回答流程與商品問題，例如退換貨步驟或庫存查詢，所有顧客共用同一套答案。AI 導購多了「認得顧客」這一層，要讀取個別會員的線上線下紀錄，因此需要先完成會員歸戶，並處理業績歸屬與個資邊界。

Q3：門市不多的中小品牌也能做 AI 導購嗎？
A3：可以從小處開始。先不必導入新系統，用人工幫幾位熟客整理「上次買什麼、可能需要什麼、不要推什麼」三句話的卡片，讓店員試用。確認格式有用、會員資料能對得起來之後，再評估用顧客數據平台自動產生提示。

Q4：導入門市 AI 導購多久能看到效果？
A4：時程取決於會員資料歸戶的完整度。資料已經打通的品牌，可以用一個完整檔期、約一到兩個月做兩三家店的試行，觀察店員使用頻率與提示採用比例；資料還分散在多個系統的品牌，要先預留歸戶整理的時間。

Q5：店員需要很懂科技才能用 AI 導購嗎？
A5：不需要。好的導購提示應該短、白話、附上理由，例如「依她過去的回購間隔，這瓶差不多快用完了」。店員要做的是判斷時機與開口方式，把顧客關係顧好，技術細節應該由總部與系統處理。

Q6：讓店員看到顧客資料，會不會有個資風險？
A6：會有，所以要事先設計。台灣個人資料保護法要求個資利用不得逾越蒐集的特定目的，顧客拒絕行銷時應即停止利用其資料行銷。品牌應逐欄確認店員畫面可顯示的資料，並清楚標示已拒絕行銷的會員，避免店員或 AI 對他們推銷。

延伸閱讀

1. OMO 做了卻沒成效，是制度問題還是系統問題：從業績歸屬規則就看得出來
2. 門市會員註冊 APP 卻從不線上買？用 OMO 健康度找出不跨通路的真正障礙
3. Ask Advisor 這類 agent 再強，也救不了破碎的第一方數據（2026）

想了解品牌的會員資料怎麼接到門市現場，歡迎留下資訊，91APP 團隊會與您聯繫，一起討論適合的做法。