快時尚第一方數據對決：UNIQLO、Zara、SHEIN 誰把數據變成速度武器

當一天上新數千款，快時尚比的已不只是交期

2021 年 7 月至 12 月，媒體 Rest of World 追蹤 SHEIN App 後發現，平台每天新增約 2,000 至 10,000 款新商品。這是Rest of World 於 2021 年發布的實測調查，屬次級來源，數字反映特定期間的上架量，不宜直接當成今日固定水準。這個案例顯示，除了工廠能多快交貨，品牌能多快讀取需求、決定追單，再把商品訊號接回會員溝通，也逐漸成為速度的來源。

UNIQLO、Zara、SHEIN 都在縮短這條路，只是起點不同。UNIQLO 從會員與顧客回饋出發，Zara 把門市與庫存接成反應系統，SHEIN 則把瀏覽、加車、購買與小批量生產連在一起。速度不再只是供應鏈指標，它逐漸成為一項由第一方數據累積出來的經營能力。

新品會議最常卡住的地方：三邊都有資料，需求卻對不到同一位顧客

我們在零售現場常看到一個畫面：商品團隊說某款賣得快，電商團隊看到另一款被大量瀏覽，門市則反映客人一直問缺貨尺寸。三邊都有資料，會議卻花最多時間確認哪一份才接近真實需求。當訊號無法指向同一位顧客、同一件商品與同一個時間點，快只會發生在局部。

把「快」拆成需求、決策與關係三層

快時尚數據的差距，不適合只用「上新天數」衡量。品牌真正要縮短的是需求出現到下一次顧客行動之間的距離，可以拆成三層。

1. 需求感知速度：品牌多久能知道顧客正在找什麼。搜尋、瀏覽、收藏、加車、試穿詢問、缺貨登記與退貨原因，都是需求訊號。資料若只停在各自系統，團隊看到的是分散事件；能以商品、會員與時間串起來，判讀需求升溫或降溫的精度會提高，也能減少同一需求被重複計算。
2. 商品決策速度：知道需求後，品牌多久能調整配貨、補貨、內容與價格。這一層連接商品企劃、庫存、門市與電商。它也說明為何新品上市不能只排一張宣傳日程，還要預先定義哪些訊號會觸發追單、轉店、候補通知或素材更換。
3. 關係反應速度：商品上架後，品牌多久能找到較可能有興趣的人，並排除近期已購、退貨或明顯在比價的行為。傳統做法常在新品上線後對全會員群發；第一方數據較完整的品牌，能分辨剛瀏覽、已加車、門市試穿未買、買過相近版型與已完成購買的人，避免把同一封優惠訊息送給所有人。CRM 個人化的重點是讓資料走到行銷動作前面，而非等活動結束才回頭看報表。

這三層彼此相扣。若需求判讀仍慢，只改善商品交期，會讓判斷錯誤更快進入生產；只改善推薦，庫存與門市沒有同步，顧客點進去仍可能缺貨；只擴大會員數，身分與行為沒有接起來，也無法縮短再行銷時間。

三個品牌對照：同樣追求速度，資料入口完全不同

以下三個品牌是三種速度機制的對照，不是誰快誰慢的成效排名。它們的資料層級與可得指標並不相同（UNIQLO 談會員與回饋，Inditex 與 Zara 談集團庫存基礎，SHEIN 談商品測試與生產），重點在看清各自把速度建立在哪裡。

UNIQLO：會員是產品回饋網，不只是折扣名單

UNIQLO 的路線以 LifeWear 長銷商品為主，並不追求每天製造大量新款。它更重視把顧客回饋、交易、App 與門市服務接回商品改善。Fast Retailing 在2021 財年分析師會議資料中表示，旗下 UNIQLO 與 GU 當時全球合計約有 1.4 億名註冊 App 會員，其中日本兩個 App 合計約 5,700 萬名。這是 Fast Retailing 集團合計數字，也是 2021 財年的歷史節點，不代表目前人數，但足以說明 App 已是品牌直接理解顧客的重要入口。

同一份官方說明提到，品牌把 App 與電商會員平台收到的意見，連同門市人員回報與購買資訊，用於理解顧客需求。到 2024 財年，Fast Retailing 2024 整合報告顯示，集團電商銷售約占整體銷售 15%（統計口徑以該報告為準），並將線上與門市購物者放在同一套顧客理解脈絡中。這不代表每個市場已完成相同程度的會員歸戶，卻可確認其公開策略並非把電商當成門市之外的獨立商店。

時間軸很清楚：

UNIQLO 的速度來源，是「回饋密度」。基本款生命較長，品牌可以持續收集版型、材質、尺寸與使用情境的回饋，再把學習帶回下一次商品改善。對台灣品牌的提醒是，會員價值不只在可發多少訊息，也在能否把顧客語句轉成可追蹤的商品問題。

Inditex 與 Zara：用庫存可視性，把門市變成需求感測器

Zara 所屬的 Inditex 以門市回報、銷售資訊、鄰近供應與集中物流回應流行變化。公開資料較少描述單一顧客層級的會員機制，因此本文不把 Zara 寫成與 SHEIN 相同的演算法選款模式。可以確定的是，Inditex 很早就把門市與線上庫存視為同一個供貨問題。

Inditex 2022 年報指出，RFID 與整合庫存管理系統 SINT 已把旗下各品牌的庫存管理合併，員工可快速定位商品，不論商品位於哪裡，並提供給顧客。到了 2023 財年，Inditex 2023 年報揭露線上銷售達 91 億歐元，較前一年成長 16%，活躍 App 帳戶達 1.52 億，線上造訪為 65 億次。這些是集團數據，屬於 Inditex 整體而非單一 Zara 品牌，只能看出集團實體與數位接點的規模。各年造訪與帳戶數的統計口徑可能不同，時間軸的成長僅供概覽，不宜直接逐年相減。

時間軸呈現的是庫存與接點逐步匯合：

Zara 的速度來源，是「庫存位置與需求位置同步」。當門市銷售、線上訂單與可售庫存能互相校正，理論上品牌可縮短庫存確認與供貨反應的時間，不必等季末報表才知道商品在哪裡被需要；公開資料並未提供實際縮短的幅度。這也讓門市不只負責成交，還持續提供地區、尺碼與款式變化的訊號。

SHEIN：把商品當小規模實驗，再由行為決定追單

SHEIN 的做法更接近數位原生測試。品牌先在 App 與網站觀察顧客互動，再以小批量商品測試真實需求。SHEIN 在2024 永續與社會影響報告中說明，每個款式初始批量約 100 至 200 件，之後依顧客反應決定是否補貨。這是 SHEIN 自行發布的企業資料，適合用來確認其公開方法，不等於第三方對庫存效率或永續成效的驗證。

資料來源也有清楚界線。SHEIN 官方治理頁面（2026 年 7 月查閱）表示，平台使用來自行動 App 與網站第一方互動的彙總資料。可以合理判斷，瀏覽與購買反應會協助商品與供應決策；但公開資料沒有交代哪些行為訊號直接觸發追單，也沒有交代模型權重、個人層級欄位與決策門檻，因此本文不推定未公開的演算法細節。

時間軸可分成兩種證據：

SHEIN 的速度來源，是「測試頻率」。先用小量商品取得市場反應，再把有效訊號交給供應端，降低單一款式首批就大量生產的風險（這不等於降低整體庫存或滯銷總量）。代價也很明確：測試越密集，資料治理與推薦透明度的壓力越直接；商品品質與供應責任也同時浮現，需要採購規格、稽核與產能一起承擔。

三方沒有單一的快慢冠軍。公開資料呈現的主要機制各異：UNIQLO 把關係做長，Zara 讓庫存回應地區需求，SHEIN 以高頻測試縮短選款判斷，呈現的是機制差異，不涉成效優劣排名。對品牌經營者而言，真正有用的比較，是辨認自己的瓶頸位於回饋、庫存，還是測試與再行銷。

從上新表象走進機制：速度取決於訊號能否完成一次學習

表象：大家都在縮短新品週期

上新數、交期與補貨速度最容易被看見，也最容易被模仿。品牌可以增加商品數、縮短拍攝時間、提高推播頻率，但這些動作若沒有共同訊號，往往只會增加組織忙碌。真正難複製的是每次顧客反應能否成為下一次決策的輸入。

SHEIN 的小批量模式讓購買反應成為補貨與追單決策的參考；Zara 的庫存系統把商品位置接到供貨；UNIQLO 的顧客中心與 App 回饋把使用意見接到商品改善。三者的共同點是資料沒有停在「知道發生什麼」，而是進入下一個營運決定。

機制：把弱訊號變成可比較的決策單位

單一瀏覽不等於需求，單一門市缺貨也不等於全市場熱賣。快時尚數據要能用，至少要完成三次整理。

1. 統一商品：同款不同色、不同尺寸、套裝與替代品要有一致的商品層級，否則熱度會被拆散，或把局部缺碼誤認成整款需求。
2. 統一顧客：會員在 App 瀏覽、官網加車、門市試穿與最後購買若被視為四個人，品牌會重複溝通，也較難完整觀察成交前的接點序列。線上與門市業績不該各算各的，顧客歸戶後才能看完整購物路徑；至於哪個接點真正推動成交，仍需對照實驗或增量衡量才能判斷。
3. 統一時間：商品團隊看週報、電商看即時流量、門市看每日銷售，若沒有共同觀測窗，大家會用不同時間尺度解釋同一款商品。新品可用小時或日觀察，長銷品則應依補貨與回購週期判斷。

經營邏輯：第一方數據讓品牌擁有可重複的學習

廣告平台帶來流量，媒體聲量帶來注意，但這些接點可能受平台政策、競價與追蹤限制影響。Apple 的App Tracking Transparency 官方規範要求跨不同公司 App 與網站追蹤時取得使用者允許，提醒品牌不能把外部辨識能力視為固定資源。

品牌直接蒐集，並依適用法規、告知內容、處理目的與合法基礎使用的會員、交易、瀏覽、客服與門市資料，價值在於能連續比較：哪一群人先看後買、哪個尺寸詢問後仍缺貨、哪種內容帶來回購、哪個門市承接線上需求。這些資料不保證判斷正確，也不因品牌自行取得就當然可跨目的串接；在事件定義、觀測窗與實驗條件維持一致、並控制季節與促銷等外部變動的前提下，團隊能保留對照、修正假設，再進行下一輪測試。

因此，快時尚的速度不等於上更多商品。它是一次完整學習所需的時間：需求出現、訊號被辨認、商品與庫存採取動作、顧客收到合適回應，最後把結果寫回下一次決策。任何一段斷開，前段再快也只會把錯誤放大。

台灣零售如何把速度映射到 91APP CDMP 方法

台灣服飾品牌雖少有全球快時尚集團的供應規模，仍可追問：一筆需求訊號，多久能走到下一個商品或會員動作。資料散在 POS、官網、App、LINE OA、客服與廣告後台時，行銷看得到瀏覽，商品只收到銷售，門市試穿未買的顧客又被電商視為新訪客。此時需要一個能按身分、商品與時間理解訊號的資料基礎。

91APP CDMP 可以放在這條學習路徑中理解。先透過 OMO 歸戶，把同一位顧客的門市交易、官網與 App 行為合成可判讀的輪廓。這一步呼應 Inditex 與 Zara 對「跨通路一致性」的啟示，只是把整合對象從商品與庫存，換成同一位顧客的身分：資料若按通路分開，品牌只看得到局部需求。團隊要能區分「線上看過後到店購買」「門市買過後回 App 找同系列」與「跨通路都未成交」等路徑。零售資料雲的整合重點，是讓不同系統共用一致的顧客事實。

接著把行為轉成可執行的優先順序。DCIU 依站內瀏覽、搜尋、收藏、加車等訊號區分短期購買意圖，適合回答「現在誰比較熱」；XGBoost 高轉換預測則用歷史軌跡估算未來 7 天購買機率，適合回答「有限預算先給誰」（以上為 91APP 公開產品說明的方法描述，實際可用欄位、預測窗與版本以當期產品文件為準）。兩者不應混為一談。前者反映近期行為熱度，後者提供預測分數。服飾品牌可以把高意圖未購者接到補貨提醒、尺寸到貨或相近款推薦，並依商品屬性設定購後冷卻期，排除不適用的同款促購（多件、不同色尺碼與搭配銷售另計），避免剛結帳又收到同款折扣。NAPL、DCIU 與高轉換預測各自處理不同的會員問題，交叉使用前要先定義商業情境。

會員標籤自動化，延伸自 UNIQLO 回饋閉環的啟示：顧客回饋要回到下一次溝通（這是由該啟示延伸的台灣品牌做法，非 UNIQLO 已公開的既有機制）。標籤可隨瀏覽品類、價格帶、尺碼、購買週期與通路偏好更新。缺貨款補到指定門市時，系統可重新判斷仍有意圖的人；顧客已購買，則離開未購名單。這裡的底層邏輯是讓標籤跟著行為改變，不把活動名單當成永久身份。

最後才是溝通節奏。SHEIN 的啟示不在每天發更多訊息，而在高頻測試與快速停止。台灣品牌可以先選一個新品系列，建立實驗組與保留組，比較補貨提醒、穿搭內容與價格誘因對成交的差異；每個腳本設頻率上限、排除近期購買者，並確認會員同意狀態。自動化留客腳本應按行為與時間觸發，不能把群發搬進系統後就稱為個人化。

衡量時不要只問推播開信率，還要看訊號到名單、名單到溝通各花多久，成交與補貨結果是否回寫。持續記錄這些時間，CDMP 才能縮短學習週期。

把快時尚數據變成週期管理，品牌可從這五步起步

1. 建立一張「需求訊號到動作」清單。做法：選一個新品系列，列出瀏覽、搜尋、收藏、加車、缺貨登記、門市詢問與退貨原因，為每種訊號指定負責團隊與下一個動作。預期效果：減少資料有人看卻沒人處理的空白。建議週期：兩週內完成初版，每月按實際案例修正。
2. 用商品與顧客兩種身分做歸戶。做法：先統一 SKU、色碼與尺寸，再檢查會員於官網、App、POS 與 LINE OA 的識別規則；資料量與通路增加後，可評估以 91APP CDMP 承接 OMO 歸戶。預期效果：避免重複計算需求，也能辨認線上看、門市買的真實路徑。建議週期：以下為示意時程，實際依通路數、舊系統與資料品質先盤點再估；一般可先用四至八週完成高銷售品類與主要會員接點，之後逐批擴充。
3. 為新品設定「追單門檻」與「停止門檻」。做法：依品牌自己的毛利、交期與退貨風險，定義哪些瀏覽、加車、售罄與候補組合值得補貨，哪些訊號代表熱度已退。預期效果：商品團隊能以同一套規則討論，不被單日聲量帶著走。建議週期：每週檢查新品，檔期結束後用實際銷售校正一次。
4. 把再行銷改成小型對照實驗。做法：針對高意圖未購、到貨等待與相近款已購三群，分別測試到貨通知、內容推薦與搭配建議，保留未觸達對照組並限制頻率。預期效果：辨認是商品、時機還是訊息造成差異，避免把自然成交全算給行銷。建議週期：先依樣本量、基準轉換率與最小可偵測效果估算所需觀測期，兩至三個新品波段僅作初步操作參考，再決定是否擴大。
5. 每月追一個速度指標與一個品質指標。做法：速度可選「訊號出現到名單產生時間」，品質可選「實驗組成交率減去隨機對照組成交率的增量」，並固定分組、觀測窗與歸因規則，不要同時堆滿指標。預期效果：團隊知道改善速度是否真的增加有效成交，而非只增加推播量。建議週期：每月檢查，連續一季後再調整指標定義。

真正的速度，是每一次顧客反應都能讓下一次決定更快、更準

2021 年那段每日新增數千款商品的紀錄，讓市場看見極高頻上新的力量，也提醒品牌別把速度縮成商品數量競賽。台灣品牌不必複製全球快時尚的規模，仍可從一個品類、一段會員旅程與一套共同指標開始，把需求到上架、再到下一次溝通的等待逐段縮短。當顧客的重要互動，在合法、必要且品質足夠的前提下都能留下可驗證的學習，速度才會成為品牌自己的資產。

常見問題

Q1：什麼是快時尚第一方數據？

快時尚第一方數據，是顧客直接與品牌互動時留下、且品牌依適用法規、告知內容與合法基礎取得的資料，例如會員註冊、官網與 App 瀏覽、搜尋、收藏、加車、購買、退貨、客服與門市服務紀錄。它的用途不只在投放廣告，也能協助商品、庫存與會員溝通更快回應需求。

Q2：用第一方數據經營，和過去看銷售報表有什麼差異？

銷售報表多半記錄已經成交的結果，第一方行為資料還能呈現成交前的訊號，例如某尺碼被反覆搜尋、商品被大量收藏卻未購買。兩者合併後，團隊可形成較早的需求假設，再用後續成交、退貨與對照測試驗證是否正確。

Q3：小型服飾品牌也能做快時尚數據管理嗎？

可以。小品牌不必先追求大量模型或複雜系統，可從單一品類開始，統一商品編碼，整理會員購買與加車資料，再建立補貨、到貨通知與相近款推薦規則。資料與流程範圍較小，責任分工較容易收斂，但要留意樣本量不足可能讓效果估計不穩。

Q4：多久能看到數據改善商品與再行銷的效果？

到貨通知、加車未購分群等動作，在下一個新品波段就能開始觀察；補貨準確度、回購與跨通路行為則要經過數個商品週期。品牌應先設實驗組、對照組與觀測窗，避免把檔期、天氣或折扣造成的自然波動誤認為資料策略成效。

Q5：一定要有資料科學家或大型技術團隊嗎？

起步不一定。商品編碼、會員識別、事件定義、同意狀態與分群規則，通常由電商、行銷、資訊與門市共同完成。當資料量、通路數與即時需求超過人工可維護範圍，再評估顧客數據平台與預測模型，會比先買工具再找用途更穩妥。

Q6：快時尚數據最常見的風險與誤解是什麼？

常見誤解是把更多追蹤等同更懂顧客。資料必須有清楚目的、合法同意、保存期限、權限管理與退出機制；模型也可能把短期瀏覽誤判為真實需求。品牌應限制蒐集範圍、定期刪除不必要資料，並用對照組與人工檢查驗證結果。

延伸閱讀

1. 看懂 OMO 歸戶如何還原全通路顧客價值
2. 從客戶資料走到個人化溝通的實務步驟
3. 用 NAPL 觀察會員生命週期與跨通路時機
4. 以自動化腳本承接首購、回購與留客訊號
5. 91APP CDMP 的資料模型與購買預測方法