Meta 廣告
Meta Ads CLI 是什麼：官方 AI Connectors 如何把重複的廣告投放變成可自動化的指令
Meta 在 2026 年 4 月推出 Meta Ads CLI，把廣告投放的 campaign、成效、商品目錄、Pixel 設定變成可腳本化、可交給 AI 代理的指令。這篇寫給行銷主管：當重複操作被自動化，廣告投手的價值會移到策略、受眾治理與資料判斷，而餵給機器的受眾標籤品質才是成效關鍵。
Brick Liao
廖重榮（Brick Liao），91APP 數據產品整合部副總經理。長期帶領 91APP CDMP 產品與數據顧問團隊，協助台灣零售與電商品牌把第一方數據變成可操作的受眾標籤，涵蓋會員分群、廣告受眾、OMO 整合與個人化行銷
第一方資料
第一方資料才是 AI 代理的燃料：受眾標籤品質決定 Meta 廣告自動化的成效上限
Meta Ads CLI 上線後，AI 代理能自動拉成效、建受眾、審查 Pixel 與 CAPI 訊號，但這些動作全都吃第一方資料。這篇拆解指令層、訊號層、受眾層三層結構，說明為什麼受眾標籤品質，才是 Meta 廣告自動化真正的成效上限。
Meta Ads CLI
Meta Ads CLI 與 AI Connectors 上線：當廣告投放開放給 AI 代理，台灣零售品牌拿什麼贏
Meta 在 2026 年以開放測試推出 Ads CLI 與 AI Connectors，把廣告投放開放給支援 MCP 的 AI 代理呼叫。當廣告執行被自動化，台灣零售品牌的競爭優勢會從「會不會操作平台」，移到餵給 AI 代理的第一方數據與受眾標籤品質，以及人的判斷。這是理解整個轉變的系列總論。
廣告平台操作實務
成效追蹤自動產報表：用 AI 代理與 CLI 拉 Insights，把週報變一鍵
成效追蹤自動化正在改寫行銷團隊的一週。Meta Ads CLI 與 AI 代理讓拉取 insights、跨維度切分、輸出 JSON 與表格、生成週報幾乎變成一鍵完成。但報表拉得快，不保證看得對，門檻已經移到選對指標與誠實面對歸因。這篇談自動化工作流怎麼搭、指標與歸因怎麼判讀，以及成效如何回寫成受眾標籤，讓週報從交差文件變成會累積的決策資產。
廣告平台操作實務
AI 廣告工作流工具箱：CLI、MCP 與 AI skill 的分工與選型
一套 AI 廣告工作流該配哪些工具？本文拆解 CLI 終端執行、MCP 對話式閘道與 AI skill 三層分工，說明官方連結器的第一方認證邊界、資安與治理原則，並點出工具只負責搬運、投放精準度仍取決於受眾標籤與第一方數據品質的選型邏輯。
OMO 全通路洞察分析
OMO 方案卡在門市現場？低摩擦執行與檔期節奏怎麼設計
再完整的 OMO 方案，只要加重門市店員負擔或違反現場限制就跑不動。這篇談門市落地的隱形天花板，以及怎麼設計低摩擦、業績能歸戶的機制，搭配多波段檔期溝通節奏與跨部門協作的 lead time 控管。
OMO 全通路洞察分析
會員支付不是綁卡衝一波：用儲值金做出「資金沉澱」的留存
用信用卡活動衝支付數字，常常只是把支付方式換一個，錢沒留下來。這篇談會員支付經營的另一條路：用儲值金做出資金沉澱與預付鎖定，喚回沉睡的支付用戶，也談何時不該急著推儲值。
91APP EngageOne
告別分眾疲乏：用年齡×品類×購物週期把名單越切越準
同一份高含金名單反覆全域投放，回報會一路衰退。這篇談分眾疲乏的來源，以及怎麼用年齡、品類、購物週期的多維交叉分眾，搭配不同分群不同 KPI 的漏斗設計，把名單越切越準、把訊息越打越有效。
OMO 全通路洞察分析
紙本回饋券、實體 DM、儲值金：把被低估的實體第一方資產變成 OMO 燃料
紙本回饋券、每月寄出的實體 DM、儲值金，都是門市每天產生卻沒進會員數據的第一方資產。這篇談怎麼把這些實體資產數位化歸戶，用可攜式價值與跨通路券，讓線上線下的會員經營真正接起來。
OMO 全通路洞察分析
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
門市會員註冊了 APP，卻幾乎不在線上買。與其加碼推播，不如先用會員 OMO 健康度分群，找出他們不跨通路的真正障礙：消費習慣、線上線下商品落差、觸及不到純實體客。先做障礙地圖，再決定怎麼經營。
OMO 全通路洞察分析
導入顧客數據平台卻「無感」？實體品牌先重排價值指標與 OMO 量測
實體為主體的品牌導入顧客數據平台，半年後常覺得「無感」。問題多半不在工具，而在價值指標錯位與 OMO 量測斷點。這篇拆解無感的可能原因，以及接手品牌前 30 天該先重排哪些可感知的價值指標與線下歸因方式。
AI 技術與數據優化
先拆解任務，再決定要不要 multi-agent：AI 系統的架構取捨
一個會員搬家、要改訂單收件地址的 AI 客服需求，看起來像一句話，背後卻是任務拆解（task decomposition）、工具選型與 multi-agent 架構的連鎖決策。這篇用最基礎的觀念把原理講透，並回答一個被低估的問題：什麼時候根本不該上 multi-agent。