母親節行銷怎麼做？用會員分群和商品標籤，讓檔期業績不再靠折扣撐

根據美國零售聯合會（NRF）年度調查，2025 年母親節消費支出預估達 341 億美元，連續三年維持在 330 億以上的高檔水位。這個數字代表的不只是送禮商機，而是消費者在特定節慶願意主動提高客單價、跨品類購買的明確訊號。

母親節消費規模年年創新高，但多數品牌的備戰方式十年沒變

台灣的母親節同樣是全年最重要的大檔之一。美妝保養、保健食品、家電小物在這段期間的搜尋量與廣告競價同步飆升。但多數品牌的備戰流程仍停留在「看去年賣什麼、今年打幾折、廣告預算加多少」的循環裡。問題在於，這套做法完全沒有回答一個關鍵問題：今年該對誰說話、說什麼、什麼時候說？

答案不在經驗裡，在數據裡。而且不是活動開跑那天才看數據，是活動前 30 天就該用數據決定整場仗怎麼打。

大檔期的業績結構：七成答案藏在既有會員裡

品牌備戰母親節時，最直覺的反應是加大廣告預算拉新客。但實際拆開檔期業績結構，會發現一個被反覆驗證的事實：大檔期的主力營收來自既有會員，不是新客。

原因很簡單。根據 91APP CDMP 歷年專案觀察，導引一個新客的成本是舊客的 10 倍以上，而新客在檔期中的轉換路徑更長，從看到廣告到完成首購，中間的流失率極高。反觀既有會員，他們已經有品牌認知、有購買記錄、有偏好可追蹤，只要在對的時間給對的推力，轉換效率遠高於冷流量。

更值得注意的是，根據 91APP 平台數據，首購後 50% 的會員會在前 3 個月內完成首次回購。如果品牌能在母親節檔期把握這個黃金窗口，用對溝通策略推動首購客回購，這批人的長期價值（LTV）會比純靠折扣拉進來的新客高出數倍。

所以母親節備戰的第一個決策，不是「廣告預算要花多少」，而是「既有會員裡，哪些人最可能在這個檔期買單」。

CDMP 檔期備戰三步驟：圈人、選品、排程

用 CDMP 規劃母親節檔期，核心邏輯是三個步驟依序執行，每一步都有對應的數據工具和產出。

三步驟的關鍵在於「順序不能反」。很多品牌是先決定要推什麼商品（選品），再想辦法找人來買（圈人），最後趕在活動前幾天密集推播（排程）。這個順序讓品牌永遠在用商品找人，而不是用人找商品。

CDMP 的做法是反過來：先用數據鎖定人，再根據每群人的偏好決定推什麼，最後按照每群人的購買節奏安排溝通時間。同一個母親節檔期，A 群可能在活動前 14 天就該收到早鳥提醒，P 群可能要等到活動最後 3 天才適合用限時優惠喚回。

用 NAPL 分群決定母親節該對誰說話

NAPL（NAPLRS）是 91APP CDMP 的核心會員生命週期分群模型，根據購買行為與購物週期將會員分為六群。在母親節檔期，每一群的策略完全不同。

R 群（註冊未購）：根據 91APP 平台數據，這群人佔全會員的 70%，從未消費過。母親節是推動首購的好時機，但不該用全站折扣吸引，而是用「送禮推薦」的內容切入，搭配限定組合降低決策門檻。溝通重點是「幫你挑好了」，不是「全站下殺」。

N 群（一年內首購）：剛買過一次的客人，對品牌還在觀望期。母親節如果能促成第二次購買，這批人留存率會大幅提升。推薦與首購品類互補的商品，例如首購買了保養品的客人，推薦同系列的面膜組合。

A 群（活躍回購客）：品牌的核心資產。這群人不需要折扣就會回來，母親節該給的是差異化體驗，例如提前 3 天的會員搶先購、專屬禮盒包裝、滿額贈品升級。把預算從折扣移到體驗，毛利和忠誠度同步提升。

P 群與 L 群（沉睡客）：母親節是喚回沉睡客的天然契機，因為「送禮」提供了一個與日常消費不同的購買動機。針對 P 群（高價值沉睡），用個人化推薦喚醒記憶；L 群（低價值沉睡）則控制溝通成本，用低成本管道（Email、App Push）做一輪觸達即可，不值得投入 SMS 或付費廣告。

組合商品的業績盲區：傳統報表看不見的隱藏金礦

母親節檔期有一個品牌經常忽略的營收結構問題：組合商品。

品牌在母親節推出的「寵愛媽咪禮盒」「母親節限定套組」是檔期主力銷售品項，但這類組合商品在傳統的商品銷售報表中幾乎是隱形的。原因在於，多數電商後台的商品報表是以 SKU 為單位統計銷量與營收。當一個禮盒包含面霜、精華液、面膜三個品項時，報表會把業績拆散到三個獨立 SKU 上，組合商品本身的銷售貢獻完全看不出來。

這造成幾個實務上的盲區。第一，品牌無法判斷「組合」這個銷售策略本身是否有效，因為你看到的是三支單品各自的銷量，不是「選擇組合購買的客人有多少、他們的客單價是多少」。第二，品牌無法比較不同組合之間的表現差異，A 禮盒和 B 禮盒到底哪個更受歡迎、哪個帶動了更高的附加購買，報表上完全無法回答。第三，當組合商品涉及折扣或贈品時，毛利的計算更加複雜，傳統報表幾乎不可能準確呈現。

要解決這個問題，需要透過客製化的數據分析，把組合商品的業績從 SKU 層級重新歸戶到「組合」層級，計算組合商品的真實銷售件數、客單價、毛利貢獻，甚至進一步分析「買了組合的客人 vs 買了同品項但分開加購的客人」在回購率和 LTV 上的差異。這類歸戶與交叉分析屬於 CDMP 數據顧問服務的範疇，也是品牌決定下一個檔期要不要繼續推組合、該怎麼設計組合的關鍵依據。

商品標籤四象限分析：母親節該主推什麼，數據比直覺準

選品還有一個更深層的問題：品牌習慣看「哪個 SKU 賣最好」來決定母親節主推品，但這個邏輯有根本性的盲點。銷量排名反映的是過去的結果，不是未來的機會。而且，同一支商品對不同年齡層的吸引力可能天差地遠。

CDMP 的商品標籤四象限分析提供了完全不同的選品視角。這套方法先用商品標籤字典（涵蓋功效、成分、劑型等維度）為每支 SKU 貼標，再以「瀏覽量」和「轉換率」兩個軸線，將每個標籤在每個客群中歸入四個象限。

這套分析最大的價值，在於它不只看「商品賣得好不好」，而是拆解「什麼屬性的商品，對什麼客群有吸引力」。傳統報表告訴你 A 商品賣了 500 件，但不會告訴你「A 商品之所以賣 500 件，是因為它的『特定成分』對 35 歲以上客群的轉換率特別高」。標籤四象限把分析單位從 SKU 拉高到「商品屬性 × 客群」，讓選品決策有了可遷移的邏輯，而不是每次都在猜。

組合標籤交叉分析：母親節禮盒不是把暢銷品湊在一起

單一標籤的四象限分析回答了「推什麼屬性的商品」，但母親節禮盒的設計還需要回答另一個問題：哪些屬性「組合在一起」效果最好？

這就是 CDMP 組合標籤交叉分析的用途。做法是把兩個不同維度的標籤取交集，例如「劑型 × 成分」或「功效 × 成分」，找出同時命中兩個標籤的商品群，再計算這個交集的瀏覽量和轉換率，歸入四象限。

實際操作中，組合標籤經常會浮現單一標籤看不到的發現。舉例來說，某個成分標籤單獨看可能只是中等表現，但當它和特定劑型組合在一起時，轉換率會突然跳到遠高於品類基線的水準。這代表消費者對這個「成分 × 劑型」的配對有明確偏好，只是過去從來沒有人把它拆出來看。

對母親節禮盒設計的啟示非常直接：禮盒裡放什麼品項，不該只看「這三支單品各自賣得好」，而是要看「這三支單品背後的標籤組合，是否命中目標客群的高轉換交集」。一個由「明星組合標籤」驅動的禮盒，和一個由採購經理憑經驗湊出來的禮盒，在轉換率上的差距可以非常顯著。

更進階的應用是跨品類重複組合分析。當某個標籤組合在兩個以上的品類都落入明星象限時，代表這個屬性配對具有跨品類的消費者共識。這類「跨品類明星組合」是母親節跨品類禮盒的最佳候選，因為它不是單一品類的偶發現象，而是被多個品類反覆驗證過的消費偏好。

跨客群標籤差異：同一個商品屬性，對不同年齡層是完全不同的故事

四象限分析還揭示了一個違反直覺的事實：同一個商品標籤在不同客群中，經常落入完全不同的象限。

以保健食品為例，某個熱門成分標籤在 25 歲以下客群是明星（高瀏覽、高轉換），但到了 25 到 34 歲的客群卻掉進低頻象限（沒人看、也沒人買）。再往上看到 35 歲以上，同一個標籤又爬回潛力象限（看的人不多，但看了就買）。如果品牌只看這個標籤的「全客群平均轉換率」，會得到一個不高不低的中間值，完全掩蓋了它在特定客群中的爆發力。

這個現象的實務意義在母親節特別放大。母親節的購買行為有一個獨特結構：買的人和用的人往往不是同一個年齡層。25 歲的女兒替 55 歲的媽媽挑保健食品，30 歲的兒子替 60 歲的母親選保養品。品牌如果只按「購買者年齡」推薦商品，可能推的是對購買者那個年齡層是「明星」但對使用者年齡層是「低頻」的品項，結果媽媽收到禮物覺得不合用，女兒下次就不會再來買了。

CDMP 顧問處理這個問題的方式，是把標籤四象限拆成「購買者客群 × 受贈者推測年齡層」的雙層分析。第一層找出購買者的瀏覽偏好，第二層對照商品屬性在受贈者年齡層的接受度。兩層交叉後，才能找到「女兒願意點進去看、媽媽收到會喜歡」的真正甜蜜點。

這類「商品屬性 × 多客群 × 多維度交叉」的分析，需要顧問根據品牌的商品結構和客群特性，客製化地建立標籤字典、執行貼標、跑四象限運算，最後把結果翻譯成「母親節該主推什麼、推給誰、怎麼組禮盒」的具體行動方案。標準電商後台報表的分析單位是 SKU 和訂單，無法支撐這個層級的選品決策。

從鎖定到收單：XGBoost 預測名單與自動化腳本實戰

圈人和選品做完，最後一步是把對的訊息在對的時間送到對的人手上。這裡有兩個 CDMP 工具的搭配值得特別說明。

XGBoost 預測名單：XGBoost 是一種機器學習模型，透過觀測過去一年的會員行為事件（瀏覽頻率、加購紀錄、購買週期等），預測未來一個月內最可能產生購買的名單。在母親節前 30 天啟動預測，品牌可以拿到一份「高轉換潛力名單」。這份名單的價值在於，它抓到的是「行為訊號已經出現但還沒轉換」的客人，比等客人自己搜尋「母親節禮物」再投廣告攔截，整整早了兩週。用這份名單做 Meta 或 Google 的類似受眾（Lookalike Audience）擴展，廣告 ROAS 的起跑點就比盲投高出一截。

自動化腳本排程：根據個人化行銷腳本的實戰經驗，週期腳本的業績貢獻是單次群發的 2.6 倍。母親節檔期建議部署三支核心腳本。

第一支，活動前 14 天的「早鳥提醒」，針對 A 群和 XGBoost 高轉換名單，用 App Push 推送搶先看商品，成本最低、觸達最快。第二支，活動期間的「購物車未結提醒」，針對已瀏覽或加入購物車但未結帳的客人，購物車未結通知的 CVR 較一般群發通知提升 60% 到 120%。第三支，活動結束後 7 天的「售後感謝加回購引導」，趁品牌好感度最高的時刻，推薦互補品項或下期預告，把檔期新客導入回購軌道。

渠道選擇也有學問。McKinsey 的個人化研究指出，71% 的消費者期待品牌提供個人化互動，76% 在感受不到個人化時會感到失望。具體到台灣市場，根據 91APP 平台數據，APP 下載用戶的主動消費率達 50%，APP 搭配 LINE 雙綁的回購率達 16.5%，遠高於純 WEB 的 7.8%。母親節腳本的渠道優先序應該是：App Push 先行、LINE OA 補位、SMS 限縮在高價值沉睡客喚回。

檔期結束才是開始：60 天後的 Cohort 才是真成績單

母親節活動結束當天看的是業績達標率，但真正決定這場檔期「值不值得」的指標，要等 60 天後才看得到。

註：Cohort 就是把母親節期間首購的客人框成一組，追蹤這群人在之後 1、2、3 個月有沒有回來買

用 Cohort 留存分析（把同一檔期進來的會員放在同一組，追蹤後續回購行為）觀察母親節期間首購的新客在 M+1、M+2、M+3 的回購表現，才能判斷這批客人是「被折扣吸引的一次性買家」還是「被品牌留住的長期會員」。同樣的分析也適用於沉睡客喚回，P 群在母親節回購後，有沒有在接下來兩個月產生自然回購？如果有，代表喚回策略成功；如果沒有，代表只是用折扣「租」了一次交易。

組合商品的 Cohort 同樣值得追蹤。買了母親節禮盒的客人，後續是否回來買禮盒中的個別品項？如果是，代表組合商品成功發揮了「試用包」的功能，讓客人認識了新品類。這個洞察直接影響下一檔（如父親節、週年慶）的組合商品設計策略。

檔期規劃的終局，不是衝一次漂亮的數字，而是讓每一次大檔都成為會員資產的累積點。數據讓你看見哪些投入帶來了長期回報，哪些只是短期煙火。把「感覺有效」變成「數據證明有效」，把「這次賺到了」變成「下次知道怎麼賺更多」。

如果你的品牌正在備戰母親節，現在的第一步不是決定折扣深度，而是盤點三件事：你的會員分群現況、你的商品標籤覆蓋率、以及活動後 60 天的追蹤機制是否到位。這三件事做好了，母親節檔期才有機會從一次促銷變成長期經營的起點。

母親節檔期數據行銷，品牌最常問的問題

母親節檔期應該提前多久開始準備？

建議至少提前 30 天啟動數據分析。前 30 天做圈人和選品，前 14 天部署自動化腳本和早鳥溝通，活動期間即時監控轉換，活動後 60 天追蹤 Cohort 留存。準備時間越充裕，數據分析越細緻，溝通策略的精準度越高。

NAPL 分群和 RFM 分群有什麼不同？該用哪個？

RFM 依據最近購買時間、頻率、金額三個維度分群，適合快速判斷會員價值。NAPL（NAPLRS）則結合購買行為與品牌特有的購物週期，能更準確判斷會員處於生命週期的哪個階段。母親節這種大檔期，建議以 NAPL 為主框架，搭配 DCIU 即時意圖指標做交叉判讀。

組合商品的業績要怎麼正確評估？

傳統 SKU 報表會把組合商品的業績拆散到個別品項，無法看出組合策略的真實貢獻。需要透過客製化數據分析，將業績重新歸戶到組合層級，計算組合銷售件數、客單價、毛利，並比較「組合購買客」與「分開購買客」的後續回購差異。這是 CDMP 數據顧問服務的範疇。

商品標籤四象限分析是什麼？跟一般商品報表有什麼不同？

商品標籤四象限分析是 CDMP 獨有的選品方法論，用「瀏覽量 × 轉換率」兩個軸線，將商品屬性標籤（功效、成分、劑型等）在每個客群中分為明星、潛力、流量、低頻四個象限。和一般商品報表最大的差異在於，它的分析單位是「商品屬性 × 客群」而非單一 SKU，能揭示同一個屬性在不同年齡層的表現差異，幫助品牌做出分群化的選品決策。

母親節的廣告預算應該分配給拉新還是舊客溝通？

大檔期的主力營收來自既有會員，建議將至少 60% 的預算用於舊客分群溝通與自動化推播。剩餘 40% 做新客獲取時，優先使用 XGBoost 名單擴展的類似受眾投放，而非全冷流量投放，能有效降低每次轉換成本。

延伸閱讀

• 會員忠誠度與折扣陷阱、個人化行銷分群策略、NAPL/DCIU/XGBoost 模型解析