零售 CRM 的下一步：從記錄客戶到預測購買意圖

傳統 CRM 替你記住客戶做過什麼，下一步是先算出客戶接下來會做什麼。本文講零售 CRM 從事後記錄走向事前預測的路徑，以及台灣品牌可以怎麼接上。

一個被當成資料庫用了十年的系統

很多品牌的 CRM 後台，攤開來看其實是一本很厚的流水帳。誰在哪一天買了什麼、付了多少錢、用了哪張券，一筆一筆記得清清楚楚。問題是，這本帳只回答得了一個問題：這個人「過去」做過什麼。當行銷主管真正想知道的，是「這個人下個禮拜會不會回來買」，帳本就沉默了。

零售業者在 CRM 上投入的金額逐年增加，可是多數系統停在「記錄」這一格。記錄不是沒有價值，它是預測的原料。只是當你手上已經有多年的交易紀錄、幾百萬筆瀏覽行為，卻只拿來做事後報表，這份高成本的資料資產就只停留在報表用途。零售 CRM 的下一步，是把這些第一方行為數據從「歷史檔案」變成「下一步的判斷」。

我們為什麼盯著這件事

我們做零售數據經營這幾年，最常在會議室看到的一個畫面是這樣：行銷主管打開 CRM，指著一群「三個月沒回來的客戶」，問該不該發券把他們喚回來。這是一個合理的問題，但它只依賴已經發生的結果在做判斷。三個月沒回來，是過去式；真正該問的是，這群人裡哪些「還救得回來」、哪些「下週本來就會自己回來不用花錢」、哪些「已經走遠了發券也是浪費」。記錄型的 CRM 答不出這三句，因為它只往後看。我們盯著這件事，是因為同樣一份數據，換個用法，預算效率與召回成效可能差很多，而這差距需要透過實驗去量化。

記錄與預測，差在看的方向

把這兩種 CRM 攤開並排，差別不在資料量，在「看哪個方向」。記錄型往後看，預測型往前看。下面逐項把兩者的差異拆開（每點先講記錄型、再講預測型）：

1. 核心問題：記錄型問「這個客戶做過什麼」；預測型問「這個客戶接下來做某行為的可能性多高」。
2. 資料用途：記錄型用於報表、查詢、客服調閱；預測型用於算購買機率、排優先順序。
3. 名單來源：記錄型靠人工設條件撈（最近 30 天買過）；預測型靠模型按購買機率排序。
4. 行銷觸發：記錄型是事件發生後才反應（買完寄感謝信）；預測型是機率到門檻就主動出手。
5. 受眾選擇：記錄型憑經驗猜哪群人會買；預測型以歷史轉換表現輔助排序哪群人相對會買。
6. 預算分配：記錄型平均撒，或憑感覺重壓某群；預測型依購買機率、客戶價值與增量潛力配置資源。
7. 衡量基準：記錄型看活動結束後的總業績；預測型看相對轉換、增量提升、成本與毛利表現。

要說清楚一件事：記錄型與預測型不是兩種互斥的系統，而是同一套能力的光譜，實務上 CRM 可以同時有記錄、分眾、自動化與預測模組。預測型 CRM 不是要取代記錄。記錄是地基，沒有乾淨完整的交易與行為紀錄，任何預測都是空中樓閣。差別在於，記錄型把帳本當終點，預測型把帳本當起點。從起點往前推一步，CRM 就從一個「被動的資料庫」，變成「主動的會員經營與受眾來源」。

這一步，國際上的 CRM 與行銷平台早就在走。Salesforce 的 Einstein 預測式評分就是一個公開的例子：它分析歷史名單與互動資料，替每個名單算一個轉換可能性的分數，業務看分數決定先打給誰，而不是憑名單順序硬打。這套思路放到零售會員經營，底層邏輯相近，但對象從 B2B 的銷售線索換成你後台那幾百萬名會員，仍需要依零售資料重新定義預測目標、觀察窗口與驗證方式。

把帳本變成判斷

零售 CRM 從記錄走向預測，落到實務上有三條路。它們各自回答一個記錄型 CRM 答不出來的問題。

第一條：算出「誰下週會買」的高購買意圖名單

第一條路，是用第一方行為數據算出每個會員的購買機率，再排出一份「高購買意圖名單」。

機器讀的不是某一個人的長相，而是大量歷史紀錄裡的規律：哪些瀏覽路徑、哪些加購動作、哪些回購節奏，最後比較容易走到結帳。把這些規律學起來，套到目前的會員身上，就能替每個人算出一個「接下來一段時間內購買的相對機率」。機率高的排前面，這就是高購買意圖名單。

這件事在學術與產業裡都有底。一份發表在 MDPI《Machine Learning and Knowledge Extraction》期刊、系統性回顧 2020 至 2024 年數百篇研究的論文指出，在多數被回顧的研究情境中，集成式模型（如梯度提升樹）與深度學習在預測客戶行為上常見較佳表現。該回顧也指出這類模型可用於客戶行為預測；本文進一步認為，零售要落地，應把預測結果接回 CRM 或行銷通路。對品牌主管而言，重點不在模型叫什麼名字，而在於：你拿到的不再是「最近買過的人」這種事後名單，而是「接下來相對最可能買的人」這種事前名單。

這套邏輯跟記錄型 CRM 撈名單的差別，攤開來看很直接。記錄型 CRM 撈「即將回購名單」，靠的是人工設條件，例如「上次購買在 60 到 90 天前、累積消費滿三千」。這條件看起來合理，問題是它把「過去符合某個樣子的人」當成「接下來會買的人」，中間隔著一個沒被驗證的假設。預測型則反過來，不預設那組固定的人工門檻，讓模型從歷史資料學「真正走到結帳的人，行為長什麼樣」，再用這套規律替每個人打分。前者依賴人工條件假設，後者則以歷史轉換資料訓練排序模型，但仍需要人工定義預測目標與驗證成效。

要強調的是，這是機率，不是保證。名單上排第一的人，不代表他「一定會買」；他代表的是「在目前可見的行為裡，他比其他人相對更可能買」。把機率講成保證，是這套方法最常見的誤用。一個務實的用法是，先把模型排出的高機率名單，跟行銷主管憑經驗撈的名單放在一起跑 A/B，看哪一份的實際轉換高。實務上常見的檢查，是比較兩份名單的重疊率與實際轉換率；那些「只有模型撈到、經驗漏掉」的人，可能包含被固定條件漏掉的潛在買家，但這要用 A/B 或保留組（holdout）驗證，不能直接當定論。

第二條：用購買意圖分群，把會員分成四種接下來

第二條路，是把全體會員按「未來一段時間的購買機率」分成幾群，讓行銷溝通對得上人。

91APP CDMP 的做法是 DCIU 四群分法，按未來 14 天的購買機率高到低，分成 Deciding（決策中）、Considering（考慮中）、Inquiring（探詢中）、Uninterested（暫不感興趣）四群。這不是把人貼個靜態標籤就算了，而是隨著每個人最新的行為定期重新判斷他落在哪一群。今天還在 Considering 的人，看了幾次商品頁、加了購物車，下一次更新可能就跳到 Deciding。

分群的價值在於，它讓「對誰說什麼」這件事有了依據。對 Deciding 的人，可以測試提醒、內容補強、免運等不同干預，並比較各自的成本與增量，不必一律給深折扣；對 Inquiring 的人，需要的是更多商品資訊或社群評價，太早提供深折扣可能造成不必要的毛利損失。記錄型 CRM 做不到這層，因為它只知道這些人過去買過什麼，不知道他們現在站在決策的哪一格。

預測式分群在金融業已有研究示範可行。一份 Springer 出版、針對零售銀行客戶的研究建立了一套方法，不只能預測哪些客戶會流失，還能預測他們大概在未來一段期間的哪個時點流失。這類研究提醒：預測不只可以看風險高低，也可以加入時間窗口；DCIU 則是用固定期間內的購買意圖做分群，零售的回購預測與這條邏輯相通，但不是精確指出某人「哪一天」會買。

這裡值得跟記錄型 CRM 的經典做法對照一下。零售業很熟悉的 RFM 分群（最近一次消費、消費頻率、消費金額），本質就是記錄型的代表：它用三個歷史指標把人切成幾格，告訴你「誰過去是好客人」。RFM 不是壞工具，它直觀、好算、好溝通。但它有個先天限制，它看的全是已經發生的東西。一個 RFM 分數很高的客戶，可能正準備流失；一個分數普通的客戶，可能這禮拜剛好有強烈購買訊號。這不是否定 RFM，而是說 RFM 無法單獨捕捉近期的行為訊號。DCIU 這類預測式分群補的就是這一塊：它不問「你過去多有價值」，問「你接下來多可能買」，而且隨最新行為定期重新判斷。把 RFM 的「過去價值」和 DCIU 的「未來意圖」疊在一起看，行銷主管才同時握住「這個人值不值得花成本」和「現在該不該出手」兩個答案。

第三條：用標籤 LIFT 算出受眾的相對價值

第三條路，是把 CRM 裡的會員標籤，從「描述用」升級成「選擇用」，做法是算每個標籤族群的 LIFT 值。

LIFT 的算法很直白：某個標籤族群的轉換率，除以大盤的平均轉換率。比方說「買過保養套組」這個標籤族群的購買轉換率是大盤的 2.3 倍（此為說明算法的假設示意值，非實際 benchmark），那這個標籤的 LIFT 就是 2.3。LIFT 越高，代表這群人相對大盤的轉換率較高，但是否投入仍要看族群規模、成本、毛利與增量測試結果。

這裡要很小心一個用詞。LIFT 是「選擇端的相對優勢」，不是「絕對保證」。LIFT 2.3 的意思是「這群人相對大盤更會買」，不是「這群人裡每個人都會買」、更不是「投了就一定有 2.3 倍回報」。它是幫你在眾多受眾裡排優先順序的工具，告訴你錢先往哪裡放，不是替你打包票。把 LIFT 當保證書，跟把購買機率講成「一定會買」，是同一類錯誤。

有了 LIFT，CRM 就不只是會員經營的後台，它同時變成廣告投放的受眾來源。你可以把高 LIFT 的標籤族群，導出成 Facebook 或 Google 的廣告受眾，讓受眾選擇從主觀假設，轉向以歷史轉換表現輔助排序，再用投放實驗驗證實際增量。關於 LIFT 與受眾選擇的完整邏輯，可以參考 91APP 在 CDP × AI 電商應用的十個使用情境裡的拆解。

預測不是魔法，是把帳本轉成機率判斷

走到這裡，得把預測背後的機制講清楚，免得它聽起來像水晶球。

預測型 CRM 能算出購買機率，靠的不是它比人聰明，而是它能讀完一個人讀不完的量。一個資深的行銷主管，憑經驗大概知道「常逛少買的人值得催一下」，但他沒辦法同時記住幾百萬名會員每一個人的瀏覽、加購、回購節奏。機器能。它把這些行為攤平成大量特徵，找出哪些特徵組合最後比較容易走到結帳，再把這套規律套回每個人身上。它把歷史行為轉成可計算的特徵，協助在全體會員中排序購買可能性，有時還能看出人沒察覺的模式；更新頻率則取決於資料與模型流程。

這也是為什麼預測的品質高度依賴第一方數據的完整度。模型不是無中生有，它從你累積的真實行為裡學規律。資料越完整、品質越穩定，通常越有利於模型學到可用訊號，但仍需透過驗證集與實驗來評估。這一點在零售特別關鍵，因為一個客戶可能在官網看、在 App 加購、最後到門市結帳，如果這三段行為各自分散在不同系統，模型看到的是三個不完整的客戶輪廓，而不是一個完整的人。第一方數據的整合，是預測能不能成立的前提，不是事後加分項。關於這套整合怎麼搭，91APP 談零售資料雲整合策略有更完整的說明。

值得提的是，這個方向不只零售在走。研究機構觀察到的趨勢是，整個決策正在從「人看報表後決定」往「系統自動判斷與行動」移動。Gartner 在 2025 年 6 月發布的數據與分析預測指出，半數的商業決策將由 AI 代理人增強或自動完成。對已經握有會員與交易資料的零售品牌來說，CRM 從記錄走向預測，是這個大方向裡較容易盤點資料、也較容易驗證成效的切入點。

預測值錢，但前提是用得對。McKinsey 在 2021 年發布的 Next in Personalization 報告裡有一個常被引用的數字：成長較快的公司，營收中來自個人化的占比，比成長較慢的同業高出 40%。同一份報告也提到，個人化做得好的公司可以把獲客成本降低多達 50%、營收提升 5% 至 15%。這些數字支持個人化與資料驅動溝通具有商業潛力；不過 McKinsey 講的是個人化，要具體到預測型 CRM、DCIU 或 LIFT 帶來多少效果，仍需品牌以自身資料驗證。

想接上預測，實務上需要什麼

把記錄型 CRM 升級成預測型，不是換一套軟體就好，它需要幾塊地基先到位。這也是 CDMP（Customer Data Management Platform）這類平台被需要的地方。

第一塊是資料的歸戶整合。預測要準，得先把同一個客戶在官網、App、門市的行為歸到同一個人身上，這就是 OMO 歸戶。歸不起來，模型看到的就是一堆半殘的客戶輪廓，算出來的機率自然失真。

第二塊是把行為轉成可運算的特徵與標籤。原始的點擊、加購、訂單紀錄，要先整理成模型讀得懂的格式，再貼上會員標籤，後續才能算 LIFT、做分群。這一層的自動化程度，決定了你是每次活動都要工程師手動撈名單，還是行銷自己就能即時取用。

第三塊是把預測結果接回行銷動作。算出高購買意圖名單、DCIU 分群、高 LIFT 受眾之後，得能直接導向 App Push、SMS、Email、LINE 或廣告投放，預測才有機會被轉化為可衡量的行銷結果，並用實驗評估增量、成本與毛利，而不是停在報表裡的一個分數。

CDMP 可以扮演資料整合、標籤分群、名單輸出的工作流平台：先做 OMO 歸戶整合第一方數據，再自動化貼標與分群算出購買機率，最後把名單導向行銷通路與廣告受眾。品牌主管不必深入演算法細節，但需要掌握模型的預測目標、資料來源、更新頻率與成效驗證方式，並且同時看到名單、分群邏輯、轉換表現、成本與增量驗證，而不只是一個分數。關於這套資料模型怎麼運作，91APP 拆解 NAPLRS、DCIU 與預測模型策略講得比較細。當這套能力再往前一步，接上會自動判斷與行動的 AI 代理人時，就是 91APP 談 Agentic Commerce 與 CDP/CDMP × AI 描繪的方向。

台灣品牌怎麼把 CRM 往前推一步

預測型 CRM 不必一步到位。對台灣零售品牌來說，可以按手上的資料成熟度，分階段把 CRM 從記錄推向預測。以下是幾個可以先動的方向。

1. 先把第一方數據歸戶：盤點官網、App、門市三端的會員資料，確認能不能歸到同一個人，補上斷掉的串接（預期效果：預測的地基，沒這塊後面都不準；建議週期：1 至 2 個月）。
2. 從一個可明確定義預測目標的場景試水：不要一開始就全會員上預測，先挑「即將回購」或「即將流失」一個場景，用購買機率排名單，跑 A/B 看相對提升（預期效果：用小範圍驗證預測名單比經驗名單好；建議週期：一個檔期）。
3. 把分群接上分眾溝通：用購買意圖分群（如 DCIU），對高意圖群少給折扣、對探詢群多給資訊，把溝通內容對上人（預期效果：省下對高意圖群的無謂折扣，保住利潤；建議週期：持續）。
4. 用 LIFT 重排廣告受眾：算 CRM 標籤族群的 LIFT，把高 LIFT 族群導成廣告受眾，取代憑感覺設的興趣受眾（預期效果：廣告預算往相對更會買的人集中；建議週期：每次投放前）。
5. 建立預測的回饋循環：每次活動後，記錄預測名單的實際轉換，回頭校準門檻與模型，並監控資料漂移與成效變化（預期效果：持續校準有助於維持預測表現，不是裝完就不管；建議週期：每季）。

這五件事有個共同點：它們都不要求你一次砍掉重練。你可以保留現有的 CRM 記錄能力，在上面一層一層加預測。先歸戶、再試一個場景、再把分群和 LIFT 接上日常溝通與投放，最後讓回饋循環持續校準預測門檻與模型表現。每一步都能單獨驗證值不值得，不必賭一把大的。

要提醒的是，所有用機率做的事，門檻都需要校準。「購買機率多高才值得發券」「LIFT 多少才值得導成受眾」，這些線不是天上掉下來的，要用你自己的資料跑出來、再隨著結果調整。把別人的門檻直接搬過來用，跟把機率當保證，是同一種偷懶。

帳本翻過來的那一步

記錄型 CRM 替你記住客戶的昨天，預測型 CRM 幫你估計客戶下週行動的可能性。同一本帳，差別只在你願不願意把它翻過來，從往後看改成往前看。

那群「三個月沒回來」的客戶，在記錄型 CRM 裡是一個已經發生的結果，在預測型 CRM 裡，是一份「哪些救得回來、哪些不用花錢、哪些可以放手」的判斷。卡點常同時包含資料治理、系統串接、組織流程，以及願不願意用實驗驗證決策；但對許多已有會員制度與交易資料的品牌來說，手上可能已經累積了一本可盤點的厚帳，缺的往往是把它翻過來、當成下一步判斷來用的那個動作。

品牌最常問的預測型 CRM 問題

Q1：預測型 CRM 跟傳統 CRM 到底差在哪？ A1：傳統 CRM 記錄客戶過去做過什麼，是事後的資料庫；預測型 CRM 用這些紀錄算出客戶接下來會做什麼，是事前的判斷工具。差別不在資料量，在看的方向：一個往後看，一個往前看。

Q2：預測購買機率，是不是表示這個客戶「一定會買」？ A2：不是。預測出來的是機率，代表「在目前可見的行為裡，這個人相對其他人更可能買」，不是保證他一定買。把機率當保證是這套方法最常見的誤用，名單只是幫你排優先順序，不是打包票。

Q3：我們公司不大，資料也沒很多，做得了預測嗎？ A3：可以從小做起。不必一開始就全會員上模型，先挑一個目標明確的場景（例如即將回購或即將流失），用購買機率排名單跑 A/B，看預測名單是否比憑經驗撈的名單表現好。若樣本太少、回購週期太長，可以先從規則分群、簡單的傾向分數或活動實驗起步，不必直接上複雜模型。資料越完整通常越有利，但起點不必完美。

Q4：DCIU 分群是什麼？跟一般的會員分級有什麼不同？ A4：DCIU 是按未來 14 天購買機率高到低分成四群（決策中、考慮中、探詢中、暫不感興趣）。它跟一般用消費金額或頻次做的會員分級不同：會員分級看的是過去的價值，DCIU 看的是未來的購買意圖，而且會隨每個人最新行為每天更新。

Q5：LIFT 值怎麼算？數字高就一定要投嗎？ A5：LIFT 等於某個標籤族群的轉換率除以大盤平均轉換率，數字越高代表這群人相對大盤更會買。但它是「相對優勢」不是「絕對保證」，LIFT 高代表值得優先考慮，最終投不投還要看這群人的規模、客單與你的預算目標。

Q6：要導入這套，最大的卡關通常在哪？ A6：通常卡在第一方數據沒歸戶。一個客戶在官網看、App 加購、門市結帳，如果這三段散在不同系統沒串起來，模型看到的是三個半殘的人，預測自然失真。所以第一步幾乎都是先把線上線下的會員資料歸到同一個人身上。

延伸閱讀

1. 91APP 數據模型解析：NAPLRS、DCIU 與預測模型策略
2. CDP × AI 在電商與 OMO 零售的十個應用情境
3. 會員忠誠的折扣陷阱：別讓促銷吃掉 LTV