91APP Marketing Hub

技術與數據優化

退貨原因分析怎麼做：欄位設計決定你收到的是結案理由，還是商品頁修改單

退貨原因是顧客免費送上門的商品資訊改善清單，多數品牌卻讓它爛在客服工單裡。收不到有用資訊的原因通常同時有四個：欄位用途、填答設計、資料顆粒度、以及有沒有人負責接。這篇拆開可行動的原因分類要過哪三道篩選、怎麼把原因對回最小可行分析單位、以及哪些改商品頁、哪些該回頭改選品與備貨。

OMO 全通路洞察分析

虛實整合不是接完資料就結束：線上線下對不起來的地方，客人比報表先發現

多數品牌的 OMO 專案卡住的地方，已經從「線上線下有沒有接起來」移到「接起來之後，兩邊講的話對不對得上」。庫存、活動與券、會員權益與點數、退貨與售後，這四個地方每天都在產生落差，而落差被客人看見的速度，永遠比出現在報表上快。這篇文章拆解一致性缺口從哪裡來、Target 與 Inditex 這類國際零售商怎麼處理，以及台灣品牌不必先換系統就能動手的幾個對帳點。

廣告平台操作實務

AI 廣告投放愈自動化，受眾名單愈是勝負手：排序看預期帶客數，不看倍數

兩大平台的官方文件都已寫明，你設定的受眾是建議不是圍欄，系統可以投給訊號以外的人。品牌手上仍有多個槓桿，其中最常被低估的一個是餵進去的那份名單。這篇拆解名單該怎麼排優先序：倍數只當入場門檻，候選排序看預期帶客數，也就是濃度差乘上可觸及人數。附平台官方規格對照、示意計算、防資料洩漏的護欄，以及名單保鮮期的管理方式。

91APP CDMP

回購率怎麼算才對？同一份會員資料，換一次分母就從 8% 變成 40%

回購率是零售品牌最常掛在嘴上、也最少對得起來的一個數字。同一份會員資料，換一個分母就能算出 8% 到 40% 四種答案。本文拆解回購率的三個必要選擇：觀察期、分母母體、回購事件的定義，說明為什麼在零售這種非契約情境裡，口徑是選擇、而未來會不會回購才是推論，並給出讓這個數字回到可決策狀態的做法。

行銷衡量

對照組怎麼切、樣本要多大？增量測試的結論，在開跑前就決定了

增量測試的成敗，多數不在分析階段，而在開跑前的三個設計決定：對照組切在哪一層、留多少比例、觀察窗開多長。這篇把三個決定各自的算法、可查證的門檻數字、以及最常見的污染來源整理成可以照著做的順序，並且說明測完看到「沒有顯著差異」時，正確的讀法是什麼。

行銷衡量

行銷成效沒有對照組，算出來的多半是本來就會買的人

活動結束後那張漂亮的報表，回答的是誰買了，不是誰因為這檔活動才買。eBay 停掉品牌關鍵字廣告，99.5% 的付費點擊立刻被自然搜尋接走；同一批資料用迴歸法算報酬率 4,173%，用隨機實驗算是負 63%。本文拆解增量思維：沒有對照組，報表就會把大量本來就會發生的成交算成活動的功勞。

廣告歸因

廣告歸因報表說賺錢、增量測試說沒差：兩套結論打架時，先分用途再分預算

Meta 後台說這檔賺錢，隨機保留三週沒投放的那組顧客卻照樣下單。歸因報表與增量測試給出相反結論時，多數團隊的直覺是挑一個相信，但兩者回答的本來就是不同問題：歸因在分配已經發生的訂單，增量在問這筆訂單原本會不會發生。本文拆解平台自我歸因的三個結構性放大器，給出先對帳、後裁決的四步排查順序，並把兩套數字分派到日常優化與預算分配兩張決策表。

技術與數據優化

AI 客服答不準怎麼辦？先盤點它讀不到的那幾張表

評估 AI 客服時，大部分品牌問的是哪家系統比較強，實際卡住的卻是它能不能讀到後台那幾張表。這篇把尺寸庫存、訂單狀態、多品牌設定、平台串接四類真實提問拆成資料需求清單，說明答錯的代價怎麼估、哪些問題該轉真人，以及對話紀錄怎麼回流成會員標籤。

技術與數據優化

商品推薦不準？別急著換模型，先檢查商品資料

站內推薦與搜尋推不準，團隊通常先調模型、版位與權重，很少打開被送進系統的商品資料。屬性空白、分類只服務後台、識別碼跨系統對不上，都會讓演算法失去可以比較的材料。這篇文章把「推不準」拆成可檢查的資料問題，說明公開研究能證明什麼、不能證明什麼，並給出先修資料還是先調模型的判斷條件與量測設計。

技術與數據優化

AI 搜尋能見度怎麼量？曝光不等於被引用，被引用不等於有生意

Google 開了生成式 AI 成效報告，打開只有曝光一個數字，沒有點擊、沒有排名、沒有查詢字。市面上的監測工具賣的是提及率，那也不是引用。本文把 AI 搜尋能見度拆成爬蟲來過、有曝光、被寫進答案、有人點進來四類訊號，說清楚每一類能證明什麼、不能證明什麼，以及不必先買工具就能開始的查核做法。

會員經營

會員等級要分幾層？先算每一層權益的兌現成本，再看它換到什麼行為

會員等級要分幾層，常被當成設計題，其實是一道計算題。Costco 把 2% 回饋記成銷售額減項並設年度上限，Delta 把哩程負債按十二個月內外拆成兩欄，星巴克讓 Stars 六到十二個月到期，Amazon 乾脆把層級變成先收的訂閱費。四家公司用四種方法替權益成本畫出邊界。本文拆解每一層權益的兌現成本與兌現時間該怎麼一起估，以及層數為什麼該讓資料分布來決定。

會員經營

會員分級制度怎麼設計？門檻只算消費金額，容易把折扣獵人送上 VIP

會員分級制度最常見的做法，是用累積消費金額當唯一門檻。但這把尺獎勵的是花得多的人，未必是替品牌賺得多的人。從 Costco 的付費門檻、Delta 的等級通膨到星巴克 2026 年三月改成三級制，本文拆解等級門檻的三個診斷斷點，以及台灣品牌重算門檻前該先對齊的事。

會員經營

會員等級降級機制怎麼設計？續等條件與保護期，決定權益負債會不會繼續累積

降級難做的原因，在於權益一旦公告出去，就成了一筆持續累積的兌現成本。這筆成本收不回來，能動的只有續等條件與保護期這類下一個週期才生效的規則。從 Delta 的資格年歸零、Marriott 關閉終身等級入口，到星巴克讓等級決定 Stars 會不會到期，本文拆解續等條件、保護期、降級通知節奏與挽回動線該怎麼設計。

技術與數據優化

Agentic Enterprise Solution：企業 AI Agent 平台怎麼比？Gemini Enterprise、Agentforce、Bedrock AgentCore 官方文件對照

選企業 AI Agent 平台，判準不在誰的模型比較聰明，也不在這家有沒有台灣分公司。把 Google Gemini Enterprise、Salesforce Agentforce、AWS Bedrock AgentCore、Microsoft Copilot Studio 與 SAP Joule 的官方文件攤開對照，真正要量的是三件事：你的資料被存在哪、agent 能讀還是能做、它懂不懂台灣零售怎麼做生意。

OMO 全通路洞察分析

OMO 做了卻沒成效，是制度問題還是系統問題：從業績歸屬規則就看得出來

資料接了、報表有了，OMO 數字仍沒改變時，下一步不宜直接再去比系統。制度題和系統題的症狀不同：系統題表現為算不出來，制度題表現為算出來了卻沒人改動作。91APP 團隊在本文提出「OMO 分診表」，用五個現象分辨自己卡在哪一邊，並拆開門市導客到線上的業績該記給誰、兩邊 KPI 為什麼在同一個顧客身上互斥、獎金結構裡有沒有跨通路欄位。歸屬規則沒寫下來之前，補系統可以改善可見性，未必會改變導客誘因。

91APP CDMP

RFM 分群放到 OMO 就會失真：同一個人在門市和線上沒歸戶，你會把最好的客人排到後面

RFM 的三個值都是對「一位顧客的一條交易序列」做統計。門市加線上的同一個人沒歸戶時，購買次數會被除散成多個低頻身分，累計金額被拆開，還會多出好幾個過時身分，讓同一個真人同時進活躍名單與喚醒名單。要修，順序是先歸戶、在新母體上重算、再補狀態與意圖。

91APP CDMP

CDP 與資料倉儲差在哪裡：導入前先確認你的資料能不能變成一個動作

資料都進了倉儲，行銷卻還是發不出那封信。CDP、資料倉儲、資料湖、CRM、DMP 各自負責什麼？本文用 CDP Institute 的七項認證要求當驗收清單，把「資料存得完整」和「資料能變成一個動作」之間的落差講清楚，並給出導入前該先確認的前置條件。

91APP 個人化行銷

EDM 與 LINE 推播成效怎麼算：送達、歸屬、增量要分開記帳

開信率的量測條件早就不完全在品牌手上。Apple 官方明文寫著，啟用 Mail Privacy Protection 的使用者可以讓寄件者無從判斷信何時被開啟。但真正讓通路成效算不準的是另一件事：送達、歸屬、增量三個問題被壓在同一張報表上，分母各不相同。本文提出「三本帳」框架把三者分開，說明為什麼各通路歸屬營收加總可能超過總業績、為什麼歸因永遠回答不了「這封信沒發會怎樣」，以及品牌從下一檔期就能動手的做法：把各通路分母寫清楚、固定觀察窗與訂單去重規則、依樣本量切出保留組。

91APP CDMP

CRM、POS、ERP 和電商系統怎麼整合：客製開發不是唯一的路

電商平台、POS、ERP、CRM 都有了，要回答「上週在門市買過又在官網看過同一系列的人有誰」卻要三個部門各出一張 Excel。這篇把每套系統負責哪一筆紀錄講清楚，攤開接起來有哪幾條路可走、各自適合什麼情況，並回答那個最常被問的問題：一定要找廠商客製嗎。

技術與數據優化

個資法修正後的會員資料治理：說不清資料從哪來，才是零售品牌真正的風險

個資法在民國 114 年 11 月 11 日修正公布，新增第 20-1 條的安全維護義務，並在第 48 條配上按次計算的罰鍰。全國法規資料庫的條文頁至今掛著「本法規部分或全部條文尚未生效」，施行日期由行政院定之。尚未生效不代表現在沒有義務。本文說明修法動到哪三層、名單能不能用該怎麼判斷，並整理五項不必等辦法就能先動的會員資料盤點做法。

AgentOne

91APP AgentOne × MediaOne：廣告投放交給 AI Agent，投手升級為製程工程師

廣告優化師每天的例行操作，正在被 AI agent 接手。MediaOne 把零售受眾、創意生成與成效優化交給 agent，讓投手從盯後台的人，升級成訂規則、設煞車的製程工程師。這篇拆解 91APP AgentOne 底下的 MediaOne。

AgentOne

91APP AgentOne × EngageOne：個人化行銷如何交給 AI Agent 執行

個人化行銷被期待、卻難落地，關鍵卡在人得一條條設條件。EngageOne 把會員經營、顧客旅程與分眾溝通交給 AI agent，讓品牌從設定條件走向交辦目標。這篇拆解 91APP AgentOne 底下的 EngageOne 怎麼運作。

AgentOne

91APP AgentOne 主要應用功能服務有哪些？零售與餐飲的 Agentic Enterprise Solution 產品全貌

AgentOne 是一整套讓品牌用交辦取代操作的企業級 agent 平台，涵蓋底層數據、四個專職 agent、標準成長循環，以及零售與餐飲如何在同一套底座上運作。這篇拆解 91APP AgentOne 的產品全貌。

AgentOne Featured

Agentic AI 是什麼？AgentOne 讓零售、餐飲從問答走向真代理人執行

Agentic AI 是什麼？當 AI 從回答問題走到完成工作，品牌開始用交辦取代操作，軟體的控制權正在搬家。這篇從觀念談起：AI 的四個階段、決定 agent 好不好用的組織 Context，以及零售與餐飲品牌導入 AI Agent 前該準備什麼。

MarTech

MarTech 公司集體轉型：從賣工具收訂閱，到管數據、交付成效

2026 年一批 MarTech 上市公司同時改了怎麼賺錢：HubSpot 把 AI 代理改成看成效收費、Adobe 把付費工具開成免費先養習慣、Salesforce 花八十億美元買數據治理。這篇拆解三股驅力（第一方數據、AI 讓工具商品化、整合疲勞）如何逼著行銷科技公司從「賣工具收訂閱」轉向「管數據、交付成效」，並翻成台灣零售品牌的一個提醒：與其再多買一套工具，更該投資能把數據變成可衡量成效的底座。