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

廣告報告自動化

用 Claude 定期自動跑廣告報告：跨平台月報從吃掉兩週到自動排程產檔

每月初手動拉 Google、Meta、GA4 三個後台再拼成一張表，以我們協助品牌客戶的經驗，一份跨平台月報從撈數到交付常吃掉約兩週。用 Claude 接上 MCP 再加排程，人工搬運可以降到近乎零，機器在每月固定時間數分鐘內把報告產好。這篇拆解怎麼組、自然語言怎麼查、唯讀邊界與資料乾淨度這兩道前提，以及為什麼報告品質最後取決於你的第一方數據。

Ads MCP

Google、Meta、TikTok 都推了 Ads MCP：台灣電商先接哪一個（2026）

Google 在 2025 年秋天先開了唯讀版的官方 Ads MCP，Meta、TikTok 則在 2026 年春天三個月內接力推出，讓 AI 代理人能讀取甚至操作廣告帳戶。三家在讀寫、託管、成熟度上差很多。這篇拆解三平台的真實差別，並說明台灣電商決定先接哪一個的關鍵，其實藏在自家第一方數據的成熟度裡。

Google Ads

Google Ads 開了官方 MCP，卻只給 AI「看」不給「動」：2026 讀懂唯讀背後的設計選擇

Google 開源了官方 Google Ads MCP server，讓 AI 用自然語言查廣告帳戶，卻刻意設成唯讀：能看報表、不能改預算。這不是技術做不到，是設計選擇。這篇拆解 MCP 是什麼、三個工具、唯讀的理由、自架與寫入的路徑，最後收斂到一件真正卡住台灣品牌的事：餵給 agent 的第一方數據夠不夠乾淨。

Google Marketing Live

GML 2026 全解讀：Google 把廣告交給 agent 的一年

GML 2026 的主軸只有一句話：Gemini 成為 Google Ads 的作業系統。我們把版位、投放、創意、電商、衡量五組新功能一次拆給台灣品牌看，並回答一個更關鍵的問題：當操作誰都會，品牌靠什麼贏。

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。

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。

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

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

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

行銷自動化是什麼？從應用範例到常態腳本設計

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。