91APP CDMP
MarTech 行銷科技是什麼？六大領域、工具地圖與 2026 選型指南
MarTech 已來到一萬五千種工具的高原期，但真正卡住品牌的不是缺工具，是工具接不起來。這篇拆解 MarTech 是什麼、六大領域怎麼分，並說明 2026 年的分水嶺為什麼是資料底座與 AI，而不是再買一個新工具。
91APP CDMP
品牌不缺數據，缺的是把數據變成業績的做法。91APP CDMP（Customer Data Management Platform）的主軸，是讓 AI 真正落到零售經營：從 AI Agent、RAG 與 Agent Skill 怎麼導入團隊，到用 NAPL、RFM、XGBoost 把會員分群並預測購買意圖。再延伸到受眾標籤如何餵 Meta 演算法、用 LIFT（標籤實際購買轉換率相對大盤的倍數）評估廣告價值，以及 CDP 與 CRM、DMP 的定位差異、OMO 全通路、私域會員經營與檔期行銷的實戰打法。這裡的每個題目都用可驗證的數據方法拆解，把顧客資料變成品牌看得懂、用得上、能創造營收的決策。
第一方數據
美妝品牌 DTC 會員爭奪戰：專櫃、開架、新興 DTC 怎麼搶第一方數據
美妝顧客在百貨試色、藥妝比價、社群看教學，回官網結帳。品牌能否認出付款者，把膚質、色號偏好與跨通路交易接成會員理解？本文對比 L’Oréal、Estée Lauder Companies 與 Rare Beauty 的科技、專櫃服務及社群 DTC 機制，拆解 zero-party data、第一方數據與 OMO 歸戶支援回購的方法，並提出資料地圖、測驗、歸戶、意圖分群與標籤治理行動。
第一方數據
電商平台點數經濟：momo、蝦皮、PChome 的會員生態誰更黏？
momo 幣、蝦幣與 P 幣都在提高回訪，三者累積會員關係的方式卻不同。本文查核 momo、蝦皮與 PChome 官方資料，拆解大型購物環境、遊戲化互動、支付及跨點數串接三條路徑，並說明平台如何把第一方數據轉為零售媒體能力。品牌除了比較平台回饋，更要辨識會員身分、資料權利與活動後承接路徑，才能讓平台成交同步累積自有會員資產。文中並提供會員歸戶、意圖分群、增量測試與預算分工方法，協助零售團隊同時管理平台效率、自有通路回購及點數成本成效。
技術與數據優化
MCP 伺服器不該把 API 一比一搬上去：意圖導向的工具設計怎麼做
很多團隊把現有 API 一鍵包成 MCP 就以為完工，這其實是最大的設計誤區。AI 代理不像工程師會處理分頁、關聯查詢，它需要意圖導向的工具。這篇談 1:1 包裝的三個代價、三原語對應法，以及零售品牌怎麼把資料層設計成 AI 用得順的樣子。
91APP CDMP
API 是寫給工程師的，MCP 是寫給 AI 代理的：零售品牌該懂的接軌標準轉變
OpenAI、Google 在幾週內相繼支援競爭對手 Anthropic 提出的 MCP，這種跨陣營共識在科技業很罕見。MCP 不是要取代 API，而是疊在 API 之上，讓 AI 代理自己看懂並使用你的資料與工具。對零售品牌來說，這決定了 AI 到底接不接得進你的訂單、會員與庫存系統。
OMO 全通路洞察分析
會員支付不是綁卡衝一波：用儲值金做出「資金沉澱」的留存
用信用卡活動衝支付數字，常常只是把支付方式換一個，錢沒留下來。這篇談會員支付經營的另一條路：用儲值金做出資金沉澱與預付鎖定，喚回沉睡的支付用戶，也談何時不該急著推儲值。
91APP EngageOne
告別分眾疲乏：用年齡×品類×購物週期把名單越切越準
同一份高含金名單反覆全域投放，回報會一路衰退。這篇談分眾疲乏的來源，以及怎麼用年齡、品類、購物週期的多維交叉分眾，搭配不同分群不同 KPI 的漏斗設計，把名單越切越準、把訊息越打越有效。
OMO 全通路洞察分析
紙本回饋券、實體 DM、儲值金：把被低估的實體第一方資產變成 OMO 燃料
紙本回饋券、每月寄出的實體 DM、儲值金，都是門市每天產生卻沒進會員數據的第一方資產。這篇談怎麼把這些實體資產數位化歸戶，用可攜式價值與跨通路券，讓線上線下的會員經營真正接起來。
OMO 全通路洞察分析
門市會員註冊 APP 卻從不線上買？用 OMO 健康度找出不跨通路的真正障礙
門市會員註冊了 APP，卻幾乎不在線上買。與其加碼推播，不如先用會員 OMO 健康度分群，找出他們不跨通路的真正障礙：消費習慣、線上線下商品落差、觸及不到純實體客。先做障礙地圖，再決定怎麼經營。
OMO 全通路洞察分析
導入顧客數據平台卻「無感」？實體品牌先重排價值指標與 OMO 量測
實體為主體的品牌導入顧客數據平台，半年後常覺得「無感」。問題多半不在工具，而在價值指標錯位與 OMO 量測斷點。這篇拆解無感的可能原因，以及接手品牌前 30 天該先重排哪些可感知的價值指標與線下歸因方式。
AI 技術與數據優化
先拆解任務，再決定要不要 multi-agent：AI 系統的架構取捨
一個會員搬家、要改訂單收件地址的 AI 客服需求，看起來像一句話，背後卻是任務拆解（task decomposition）、工具選型與 multi-agent 架構的連鎖決策。這篇用最基礎的觀念把原理講透，並回答一個被低估的問題：什麼時候根本不該上 multi-agent。
AI 技術與數據優化
用經理人思維設計 AI 工作流：從確定性程式到模糊系統的四個轉變
agentic workflow 與傳統軟體的差別，重點不在用了哪個模型，而在設計者要從寫死每一步的工程師，換成給方向與邊界的經理人。本文用基礎觀念講透 deterministic 與 probabilistic 的差異、agent 三個核心旋鈕、雙層記憶與自主權三檔，幫技術決策者想清楚 ai 工作流怎麼設計才不會失控。