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

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。

AI 技術與數據優化

用經理人思維設計 AI 工作流：從確定性程式到模糊系統的四個轉變

agentic workflow 與傳統軟體的差別，重點不在用了哪個模型，而在設計者要從寫死每一步的工程師，換成給方向與邊界的經理人。本文用基礎觀念講透 deterministic 與 probabilistic 的差異、agent 三個核心旋鈕、雙層記憶與自主權三檔，幫技術決策者想清楚 ai 工作流怎麼設計才不會失控。

AI 技術與數據優化

你的 AI 到底做對沒有？用評估框架與 LLM 評審科學化衡量

AI 客服與 agent 上線後，最常被跳過的不是模型，是 eval（評估）。本文把 LLM 評估的三維矩陣、LLM as judge 四種玩法、rubric 設計與 A/B 一次一變數講清楚，讓非該領域的決策者也讀懂底層原理，知道怎麼科學化衡量「AI 到底做對沒有」。

AI 技術與數據優化

該微調，還是該做 RAG？拆解強化 AI 的成本、時效與決策順序

很多團隊強化 AI 的第一個念頭是訓練自己的模型，但這常是成本最高、最快過時的選項。本文從基礎觀念拆解 Prompt、RAG 與微調三條路：你的問題是知識不夠，還是行為不對？為什麼 context window 變大，RAG 仍不可取代？微調的四個地雷與少數該動手的例外，加上一條從便宜到昂貴的決策順序，幫你把錢花在對的地方。

AI 技術與數據優化

提示詞工程不是寫咒語：鋸齒邊界、人機協作與 Prompt Chaining

提示詞工程（prompt engineering）不是寫咒語，也不是專屬職業，而是工程師的基本功。本文從 BCG 與哈佛的鋸齒邊界研究談起，拆解半人馬與生化人兩種人機協作模式、提示詞黃金三要素，再深入 Prompt Chaining 提示詞串聯與 Chain-of-Thought 的底層差異，講清楚為什麼把任務拆開能換來可觀察性與可獨立 debug。

AI 技術與數據優化

為什麼換更強的大模型，解不了你的問題？LLM 的四個限制與擴增地圖

換更強的 base model 是極少數巨頭的賽道，一般公司施力點在另一條軸：擴增 LLM（augmenting LLM）。這篇拆解大模型的四個工程限制，包括知名的 lost in the middle，並給出 Prompt、RAG、Fine-tuning 三招的擴增地圖。

91APP CDMP

行銷自動化工具怎麼選？先確認資料、分群、旅程與衡量是否到位

選行銷自動化系統，多數品牌在比功能表，這是常見的選錯起點。真正決定自動化跑不跑得動的，是五項底層能力：資料整合、分群、決策樹、跨通路、衡量。本文用一份能力盤點清單，帶零售品牌行銷主管從功能比較轉向能力盤點，並用公開可查的國際品牌案例，說明資料統一後成效如何發生。

91APP CDMP

AI 行銷自動化是什麼？行銷自動化 vs AI，疊加運用才能做到深度個人化

自動化不等於 AI。行銷自動化處理已知規則的即時反應，AI 負責未知答案的預測與生成，兩者疊加運用才強，而疊加的關鍵是會定規則的人。本文釐清傳統行銷、規則式自動化、AI 驅動三層差異，拆解 Walmart Sparky 的公開案例，並說明 91APP CDMP（即 91APP 的 CDP）三大模型如何成為人機協作的判斷素材，讓 CS 顧問設計的決策樹跑得動。

91APP CDMP

雙11 行銷自動化備戰指南：用四階段檔期決策樹接住大檔流量

雙11 的營收差距，取決於檔期前三到四個月的佈局深度。把整季資源壓在一次群發，等於把賭注押在無法回頭的時間點。本文拆解預熱、開賣、補刀、收尾四階段的檔期決策樹，搭配第一方數據底座與 Customer Success 顧問的解讀，讓會員行為即時觸發分支，每一波訊息都打到對的人。內容含四階段分支拆解、國際大檔的公開數據，以及台灣品牌的備戰做法。

91APP CDMP

行銷自動化應用情境與範例：常態腳本如何讓品牌全年自動接住高意圖訊號

行銷自動化最大的浪費，是把它當成大促才開的活動工具。真正的基本盤是 always-on 常態腳本：迎新、購物車未結帳、喚醒、生日、回購，這五條腳本全年無休地接住每一個訊號。本文用購物車 70.22% 放棄率、自動化信件 19 倍轉換差距與 Starbucks 生命週期經營，拆解常態腳本的設計邏輯，以及台灣品牌如何用 91APP CDMP 與個人化旅程落地。

91APP CDMP

行銷自動化是什麼？拆解觸發、決策樹，與背後的 CDP 數據底座

行銷自動化的本質是一棵「觸發條件 → 判斷 → 分支行動」的決策樹。本文拆解行銷自動化的三層結構與常見腳本，並說明為什麼自動化跑得動的真正前提，是底層的第一方數據底座（CDP，也就是 91APP CDMP），以及為什麼最後決定成敗的，是會解讀數據的 Customer Success 顧問。

91APP CDMP

RFM 分析怎麼做：用最近購買、頻率、金額三軸把會員分群並落地行動

RFM 分析是用最近購買（Recency）、購買頻率（Frequency）、累計金額（Monetary）三個維度，把會員依實際購買行為分群的方法。本文拆解三軸定義、五分位的計分做法、八大常見分群（高價值、即將流失、新客等）與各群的行動建議，並說明分群完之後怎麼串到個人化溝通、標籤落地與自動更新，讓 RFM 從一次性報表變成每天運轉的常駐機制。

91APP CDMP

新品上市行銷怎麼做：上市前蓄水、檔期引爆、上市後回購的完整節奏

新品上市行銷的勝負，往往在開賣前就決定。做得準的品牌會走三段節奏：上市前用既有會員測水溫蓄水、上市檔期集中引爆、上市後把首購者接成回購者。本文拆解每一段的做法，並說明為什麼背後的會員數據底座，才是讓新品行銷做得準的關鍵。

AI Agent

Agentic Workflow 是什麼？為什麼 RAG 知識檢索是 AI Agent 的底層蹲馬步

模型走向公共財，真正拉開 AI Agent 差距的是它讀不讀得到對的知識。本文拆解 Agentic Workflow 的運作、RAG 檢索增強生成的建置心法，以及零售電商與行銷廣告為什麼該把知識檢索當成最底層的蹲馬步功夫。

91APP EngageOne

團購會員經營：把一次性團購客留成回購常客的數據藍海

團購會員經營決定了團購生意是賺一檔還是賺一群人。多數品牌辦完一檔團購就失去那批名單，下一檔又花錢從零招客，把首購客當成辦完就丟的訂單紀錄。真正的藍海，在於把團購名單依關係階段拆成首購、回購、沉睡三群，貼標分群、在對的時機觸發回購、跨檔期持續溝通，讓一次性的價格敏感客變成可重複動員的第一方數據資產，把利潤留在自己口袋。

AI Agent

AI agent 工具提升工作效率：上班族該怎麼選即用與需設定的清單

AI agent 工具正從聊天框走進你的會議記錄、信件、簡報與跨工具流程。這篇盤點 Microsoft Copilot、Gemini、Notion AI、ChatGPT、Claude、Manus、n8n、Zapier 與會議記錄 agent，標清楚哪些即開即用、哪些要先設定，也說明為什麼個人效率工具救不了組織級的資料破碎，第一方數據底座才是品牌真正的差距。

91APP EngageOne

SMS、 Email、 LINE、App Push 搭配怎麼選？四通路分工組合策略

簡訊、Email、LINE、App Push 不是選一個用到底，而是依即時性、成本與內容深度分工。本文拆解四個觸達通路的定位、開封與成本差異，給一套依會員分群決定通路組合的選擇方法，讓行銷預算花在對的人對的通路上。

AI Agent

AI agent 數據分析工具盤點：agent 接得住哪些活，哪些判斷仍需人

AI agent 數據分析工具正把寫 SQL、拉報表、做儀表板，變成用自然語言問一句就有答案。本文盤點行銷數據分析者今天用得上的 AI agent 工具，依四個自動化層級拆解 agent 接得住哪些活、哪些判斷仍需人，並點出讓 agent 洞察可信的前提：第一方數據底座是否整合乾淨、能否把同一顧客的足跡歸戶。

91APP CDMP

新客行銷怎麼做？從拉新到首購轉換的完整旅程設計

新客行銷的真正戰場不在「拉到人」，而在「拉到的人會不會買第一次、買完會不會回來」。本文拆解拉新管道、註冊到首購的轉換設計、首購誘因，以及用顧客數據平台把註冊到回購的旅程串成一條線，讓每一筆新客成本都有機會被養成長期價值。

AI 工具與自動化

AI agent 工具用在品牌行銷，要照內容生產鏈分工才選得準

AI agent 工具進品牌行銷後，內容企劃、社群、SEO 與 GEO 的分工全變了。本文依內容生產鏈盤點 ChatGPT、Claude、Jasper、Perplexity、Notion AI 與 GEO 優化工具的真實位置，說明為何被 AI 引用要靠第一方數據底座撐住，並給台灣品牌一份能立刻照做的補強順序。

91APP EngageOne

團購提升銷量怎麼做？一場真能衝銷量的品牌團購設計全解

團購提升銷量的關鍵不在折扣有多深，而在社群信任、限時壓力與揪團機制的組合設計。本文拆解品牌團購怎麼做：團購為什麼有效、社團購／官網限時團／開團主三種類型如何依名單歸屬與信任來源來選，以及一場團購從選品、定機制、養社群、收單到名單回流的完整五步設計，並用方法論說明團購帶進來的人如何歸戶貼標，從一次性銷量事件變成品牌可重複經營的長期會員資產。

AI 工具與自動化

AI agent 工具零售電商指南：依經營者一天的待辦任務挑工具

零售電商經營者一天要顧商品、會員、客服、庫存。這份 AI agent 工具指南把工具依「經營者的待辦任務」分類，每類推真實工具、說清最適用例與注意點，並解釋為什麼工具的答案會跟著你的會員資料底座一起好或一起壞。

OMO 全通路洞察分析

OMO CRM 整合分析怎麼做：線上線下會員歸成一筆檔案，才看得清誰真正在花錢

OMO CRM 整合分析的核心，是把同一個會員在官網、門市、App、LINE 留下的足跡歸成一筆檔案，再用跨通路消費力比較與會員看板做決策。本文拆解線上線下會員為什麼會破碎、身分解析的識別碼比對順序、歸戶之後該怎麼看跨通路客分析，以及從各通路各自為政走向單一會員視角的四層落地方法。

AI 工具與自動化

AI agent 工具廣告投放怎麼用？平台收走受眾權後，廣告人的四個施力點

當 Google Performance Max 與 Meta Advantage+ 把受眾操作權收進黑盒，廣告人的 AI agent 工具該用在哪？本文盤點受眾調研、素材切角、成效診斷、跨平台自動化四類真實工具，並說明平台收走執行層後，廣告人能控制成效的只剩餵什麼名單、給什麼素材、設什麼目標，而這三件事都回到你自己的第一方數據與策略。

91APP EngageOne

個人化行銷：跨通路行銷自動化：用顧客旅程編排取代月曆排程的觸發節奏

跨通路行銷自動化的關鍵不在發更多訊息，而在讓觸發依顧客行為而非月曆排程。本文拆解新客、培養、回購、挽回四階段各自該用哪些通路、自動化觸發流程怎麼設計、頻次與疲勞如何管理，以及通路之間如何接力，帶你從按月曆群發的靜態排程，走向隨顧客行為即時分岔的動態旅程編排，並看清為什麼整合的會員數據底座是這一切能運作的前提。