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

零售品牌每天送出的行銷訊息，超過七成沒有打中對的時機。根據 Baymard Institute 2025 年的彙整，全球線上購物車平均放棄率為 70.22%。這代表每十個把商品放進購物車的顧客，有七個在結帳前離開。多數品牌的回應方式，是把同一封提醒信群發給所有人，期待靠數量補回轉換。問題在於，群發的回收效果近乎於零。Omnisend 2026 年電子報基準報告（分析 2025 年逾 27,000 個品牌、超過 200 億封群發信件與 4.7 億封行為觸發信件）顯示，一次性群發信的轉換率只有 0.08%，依行為觸發的自動化信件轉換率達 1.49%，差距接近 19 倍。

差距不在於誰更努力發信，而在於誰能在對的時機、對對的人、說對的話。這件事牽涉到兩種完全不同的技術能力：一種叫行銷自動化，一種叫 AI。把這兩個詞混為一談，是台灣許多品牌在導入 MarTech 時最常踩的第一個坑。

自動化等於 AI 嗎？兩者是不同能力，混用會買錯工具

自動化不等於 AI。行銷自動化是「規則化的及時反應」，AI 是「預測與生成」，這是兩種不同的能力，混用會讓品牌買錯工具、設錯期待。

91APP 團隊在輔導品牌導入時，最常遇到的場景是這樣的：客戶說「我們想用 AI 做行銷自動化」，但實際需求其實只是「顧客加入購物車後三十分鐘沒結帳，自動發一張折價券」。這件事完全不需要 AI，它需要的是一條清楚的規則：觸發條件、等待時間、分支動作。把它叫成 AI，反而會讓團隊在採購時陷入「為什麼這個 AI 不會自己變聰明」的困惑。

反過來的場景也常見。客戶說「我們已經有行銷自動化了，不需要 AI」，但他們真正想解決的是「哪些沉睡會員值得花成本喚回」。這是一個預測問題，規則寫不出來，因為沒有人能用 if-else 窮舉「值得喚回」的所有條件。這時候需要的就是 AI，用模型從歷史資料裡算出每個會員的回購機率。

把這兩種能力的邊界畫清楚，品牌才知道自己缺的是哪一塊。行銷自動化處理的是「已知規則的執行」，AI 處理的是「未知答案的預測與生成」。當品牌把所有期待都壓在「AI」這個詞上，往往會錯過自動化本身就能解決的八成日常問題，也會在需要預測能力時，誤以為一條規則就能搞定。釐清這層差距，品牌才能精準採購對的工具，這也是每個品牌都喊 AI 時，拉開差距的地方。

傳統行銷、規則式自動化、AI 驅動：三層差異一次看懂

傳統行銷、規則式自動化、AI 驅動是三個不同的層級，差別在於「誰決定要對誰說什麼」。傳統行銷由人手動決定，規則式自動化由人預先設定規則讓系統執行，AI 驅動則由模型從資料中算出對象與內容。

下面這張兩欄表把三層的關鍵差異攤開：

三層的關係不是互相取代，而是逐層疊加。規則式自動化沒有取代傳統行銷的內容創意，它取代的是人工挑名單與手動發送的勞動。AI 驅動也沒有取代規則式自動化，它補上的是規則寫不出來的那一塊：預測誰會回購、誰快流失、哪個商品適合推給這個人。

關鍵的觀念是，這三層共用同一個底座，那就是第一方數據。傳統行銷靠人腦記憶顧客樣貌，規則式自動化靠系統記錄的行為事件觸發，AI 驅動靠歷史資料訓練模型。沒有乾淨、即時、可串接的第一方數據，三層全部失靈。這也是為什麼許多品牌買了自動化工具卻跑不動，因為沒有先把分群做對，越自動化反而越糟，系統只是用更快的速度發出更不相關的訊息。

行銷自動化的本質是一棵決策樹：觸發條件，判斷與等待，分支行動。顧客加入購物車是觸發條件，等待三十分鐘是判斷與等待，已購買就貼標、未購買就發券是分支行動。AI 的角色，是讓這棵決策樹的每個判斷節點變聰明，把「等三十分鐘」這種固定規則，升級成「這個人最可能在多久後回頭，現在該不該打擾他」這種預測。決策樹要轉得動，需要第一方數據底座，也就是 CDP（Customer Data Platform，顧客數據平台）。沒有 CDP，決策樹的每個節點都讀不到資料，整棵樹就是空轉。對 91APP 服務的品牌來說，這個第一方數據底座就是 91APP CDMP（即 91APP 的 CDP）；後續的個人化旅程，則是把決策樹畫出來並執行的可視化層。

Walmart Sparky 的啟示：AI 接手預測，人定義什麼叫「對」

Walmart 的 Sparky 是大型零售商公開推進 AI 購物助手的代表案例之一。根據 Walmart 2025 年 6 月的官方公告，Sparky 是內建於 Walmart App 的生成式 AI 購物助手，它解讀顧客想完成的任務，例如「規劃一場四人露營要買什麼」這類意圖型查詢，直接回傳整理好的推薦組合，取代一頁排序清單。

Sparky 的價值在哪？Modern Retail 2026 年 2 月報導轉述 Walmart 財報電話會議內容，執行長 John Furner 表示使用 Sparky 的顧客平均訂單金額比未使用者高約 35%（此為媒體轉述財報電話會議，非 Walmart 官方公告原文）。同一條賽道上，Amazon 的 Rufus 也交出類似訊號：根據 Amazon 官方說明（2026 年更新），在購物過程中與 Rufus 互動的顧客，完成購買的機率比未互動者高 60%。

以上數字屬品牌方自行揭露，並非獨立第三方審計。Walmart 與 Amazon 的顧客規模、商品廣度與資料厚度，與台灣零售品牌差異極大，這些百分比應視為「AI 個人化有方向性效益」的證據，而非可直接套用的 KPI 目標。台灣品牌真正能學的是機制，不是數字。

機制是什麼？Kellogg 商學院在 2026 年的個案分析中點出，Sparky 的差異化在於「代理深度」，也就是多步驟的規劃與行動，而非單次問答。但個案沒有明說的另一半是：AI 能規劃、能生成、能推薦，卻不能決定「什麼叫一次成功的推薦」。是訂單金額？是顧客滿意度？是長期回購？這個標準必須由人來定義，AI 只是朝著人給的標準優化。台灣品牌不需要複製 Sparky 的代理人規模，但需要複製同一套工作分工：資料供應判斷、模型產生預測、顧問定義成功標準、旅程負責執行。

這就帶出人機協作的核心。AI 處理「預測與生成」這件機器擅長的事，人處理「定義什麼是對」這件機器做不到的事。決定一套 MarTech 服務成敗最關鍵的角色，是會解讀數據、把洞察翻成決策樹的 Customer Success 顧問，工具本身只是放大這個角色的槓桿。

一位稱職的 CS 顧問，做三件系統做不了的事：

1. 定義判斷標準。AI 算得出每個會員的回購機率，但「機率低於多少才算沉睡」「回購週期超過幾天才該喚回」，這條線要由顧問依品牌的客單價、毛利結構、品類特性來畫。同樣的數字，美妝品牌與家電品牌的沉睡定義天差地遠。
2. 設定分岔規則。AI 給出預測分數後，要把分數轉成行動：高機率的人給什麼誘因、低機率的人要不要放棄、中間帶要用哪個管道接觸。這些分岔規則是顧問依成本效益設計的決策樹，不是模型自己會長出來的。
3. 用成效回收調整下一輪。第一輪發完，哪個分支的回收好、哪個賠錢，顧問要把結果讀回來，調整下一輪的門檻與誘因。這個閉合的調整迴圈，是人機協作的價值所在，也是破解「買了 CDP 就有 AI」這個迷思的關鍵。

當搜尋與購物的入口正在被 AI 助手重新定義，品牌更需要能把第一方數據翻成決策的人，這也是在 Google AI Mode 時代守住主導權的前提。

91APP CDMP 三大模型，把預測能力裝進決策樹的判斷節點

91APP CDMP（即 91APP 的 CDP）透過 NAPLRS、DCIU、XGBoost 三類模型，讓行銷自動化的決策樹能讀取第一方數據與預測分數，成為 CS 顧問設計決策樹時可以調用的判斷素材。

這三個模型各自回答一個規則寫不出來的問題：

1. NAPLRS 生命週期模型，回答「這個會員現在處於什麼階段」。NAPLRS 把會員依購買行為分成註冊未購、首購、活躍、潛力、流失、封存等生命週期狀態，讓決策樹的觸發條件可以掛在「狀態轉換」這個事件上，例如從活躍掉到潛力流失邊緣的當下就觸發喚回。
2. DCIU 購買意圖模型，回答「這個人現在想不想買」。DCIU 從瀏覽、加入購物車、即時行為等訊號，算出當下的購買意圖強度，讓決策樹的判斷節點可以依意圖高低決定要不要打擾、給多大誘因。
3. XGBoost 高轉換預測模型，回答「對誰出手最划算」。XGBoost 是一種梯度提升決策樹演算法，從歷史資料訓練出每個會員的轉換機率，讓品牌把有限的行銷預算集中在最可能回應的名單上，而不是全體群發。

這三個模型是預測引擎，它們不會自己決定要對誰做什麼。承載決策的，是個人化旅程這個可視化的執行層。

個人化旅程把 CS 顧問設計的決策樹變成一條看得見、改得動的流程：從名單觸發開始，發券或發通知，進入等待計時器，判斷顧客是否進站或購買，再依結果分支貼標、進入下一輪再行銷。它支援 A/B 分流（同一個節點分兩組測試不同誘因）與管道遞補（推播沒開就改發簡訊），圈選對象時可以用會員屬性、行為偏好、消費屬性、即時事件等多條件交叉。

舉一個具體的組合方式。XGBoost 算出一批高轉換機率的沉睡會員，這是判斷素材；CS 顧問判斷「客單價較高的品類值得用較大誘因喚回」，這是決策標準；個人化旅程把這個判斷實作成一條旅程：圈選 XGBoost 分數前 20% 且最近一次購買超過 NAPLRS 流失門檻的會員，發送限時折價券，等待七天，進站未購買者改發簡訊提醒，仍未購買者貼上「深度沉睡」標籤轉入低頻維繫旅程。模型供應預測、顧問供應標準、旅程供應執行，這套組合把模型分數、顧問判斷與旅程執行接在一起。關於這三個模型如何串接成完整的數據策略，可以參考NAPLRS、DCIU、XGBoost 的策略全解。

當購物入口逐漸被 AI 代理人接手，品牌擁有自己的第一方數據與決策邏輯，會是不被平台架空的關鍵，這也是 Agentic Commerce 時代 CDMP 角色越來越重要的原因。

台灣品牌導入時，先分清楚哪些用規則、哪些用 AI

台灣品牌在自動化與 AI 之間做選擇時，最務實的起手式是先盤點問題類型，把規則能解的交給自動化，把規則解不了的才交給 AI。以下五個步驟，把做法與預期效果併在一起說明：

1. 盤點現有的行銷情境，標記哪些是規則題、哪些是預測題。購物車提醒、生日禮、首購禮這類條件明確的，是規則題，先用自動化跑起來。沉睡喚回、商品推薦、預算分配這類沒有標準答案的，是預測題，留給 AI。效益：讓團隊停止用 AI 解決規則就能解的事，把資源花在刀口上。
2. 先把第一方數據底座盤乾淨，再談自動化或 AI。確認會員的瀏覽、加購、購買、回應事件都有被正確記錄與串接，這是三層全部的共用底座。效益：避免買了工具卻因為資料斷裂跑不動，這是最常見的導入失敗主因。
3. 從一條會回收的決策樹開始，不要一次建十條。挑一個放棄率明確、誘因清楚的情境（例如購物車提醒）先做，跑兩到三輪確認回收為正。效益：用最小成本驗證流程，建立團隊對自動化的信心與肌肉記憶。
4. 把 AI 模型當成決策樹的判斷節點，不要當成全自動黑盒。讓 XGBoost 或 DCIU 的分數成為旅程裡的一個判斷條件，由顧問決定門檻與分支。效益：讓 AI 的預測能力被人的判斷框住，避免模型誤判直接變成發出去的錯誤訊息。
5. 建立成效回收的固定節奏，把上一輪的結果讀回下一輪。每輪結束盤點各分支的回收，調整門檻與誘因。效益：讓整套系統越跑越準，把一次性的活動變成會自我優化的資產。

有幾種情況，建議先別急著導入 AI：會員量還太少、行為事件追蹤不完整、購買週期尚未定義清楚、毛利與折扣上限還沒抓出來時，先把規則式自動化與資料治理跑穩，AI 的預測才有乾淨資料可學。這五步的共通點是，人始終在迴圈裡。AI 的作用是放大那個會解讀數據、會定規則的人的產能，而非把人請出辦公室。

把規則交給自動化、把預測交給 AI、把判斷留給人

AI 行銷自動化的核心，是用第一方數據、模型分數與人的判斷共同決定下一步，而不是讓工具自行決策。回到開頭那個數字，七成的購物車在結帳前被放棄：自動化能在顧客離開的三十分鐘內送上一張券，AI 能算出哪些人值得這張券、該給多大，而決定「什麼叫值得」的，是那個懂這門生意的人。

工具會一直進化，今天的生成式 AI 明天會變成更聰明的代理人。機器負責把對的訊息送到對的人手上，人負責定義什麼叫「對」。把這兩件事分清楚，品牌就不會在每一波新技術來臨時，重複問同一個問題：這個 AI 為什麼不會自己變聰明。它需要一個懂生意的人，先告訴它什麼叫聰明。

想釐清你的品牌該從「規則式自動化」還是「AI 預測」起步，可以從盤點現有行銷情境的規則題與預測題開始，再評估第一方數據底座是否齊備。需要協助時，歡迎與 91APP 顧問團隊一起檢視，把決策樹真正跑起來。

常見問題 FAQ

Q1：自動化等於 AI 嗎？ 不等於。行銷自動化是「規則化的及時反應」，由人預先設定 if-then 規則讓系統執行，例如購物車放棄三十分鐘後自動發券。AI 是「預測與生成」，由模型從資料中算出規則寫不出來的答案，例如預測誰會回購。兩者是不同的能力，自動化處理已知規則的執行，AI 處理未知答案的預測，疊在一起才是完整的個人化。

Q2：行銷會被 AI 取代嗎？ 行銷工作中可被規則化與可被預測的部分，會被自動化與 AI 大量接手，但定義目標、設定判斷標準、解讀成效並校準下一輪的工作不會。AI 能算出每個會員的回購機率，卻不能決定「機率低於多少才算值得放棄」，這條線必須由懂品牌客單價與毛利結構的人來畫。被取代的是重複勞動，被放大的是判斷力。

Q3：行銷自動化需要 AI 嗎？ 不一定。購物車提醒、生日禮、首購禮這類條件明確的情境，只需要規則式自動化就能跑得很好，不需要 AI。需要 AI 的是規則寫不出來的情境，例如沉睡會員喚回、個人化商品推薦、行銷預算分配。務實的做法是先盤點問題類型，規則能解的用自動化，規則解不了的才導入 AI。

Q4：傳統行銷、規則式自動化、AI 驅動有什麼差別？ 差別在於「誰決定要對誰說什麼」。傳統行銷由人手動挑名單或全體群發；規則式自動化由人預設規則、系統自動觸發執行；AI 驅動由模型從資料中算出對象與內容。三者的關係是逐層疊加，後者補上前者做不到的部分，且共用同一個第一方數據底座，沒有乾淨可串接的數據，三層全部失靈。

Q5：什麼是 CDP？它和行銷自動化的關係是什麼？ CDP（Customer Data Platform，顧客數據平台）是整合、清理、串接第一方數據的底層平台。行銷自動化的決策樹要轉得動，每個判斷節點都要讀得到顧客的即時資料，這些資料就由 CDP 供應。沒有 CDP，自動化的決策樹讀不到資料就是空轉，AI 模型也沒有乾淨的歷史資料可以訓練。CDP 是自動化與 AI 共同的底座。

Q6：91APP CDMP 的三大模型分別解決什麼問題？ 91APP CDMP（即 91APP 的 CDP）提供三個模型作為人機協作的判斷素材。NAPLRS 生命週期模型回答「會員現在處於什麼階段」，DCIU 購買意圖模型回答「這個人現在想不想買」，XGBoost 高轉換預測模型回答「對誰出手最划算」。這三個模型是預測引擎，由 CS 顧問決定判斷標準與分支規則，再由個人化旅程把決策樹實作成可執行、可調整的流程。

延伸閱讀

1. 行銷自動化是什麼？拆解觸發、決策樹，與背後的 CDP 數據底座
2. 行銷自動化常態腳本：迎新、購物車、喚醒、生日、回購全年自動接住高意圖訊號
3. 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
4. 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