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。

AI 技術與數據優化

你的 AI 到底做對沒有？用評估框架與 LLM 評審科學化衡量

AI 客服與 agent 上線後，最常被跳過的不是模型，是 eval（評估）。本文把 LLM 評估的三維矩陣、LLM as judge 四種玩法、rubric 設計與 A/B 一次一變數講清楚，讓非該領域的決策者也讀懂底層原理，知道怎麼科學化衡量「AI 到底做對沒有」。

AI 技術與數據優化

該微調，還是該做 RAG？拆解強化 AI 的成本、時效與決策順序

很多團隊強化 AI 的第一個念頭是訓練自己的模型，但這常是成本最高、最快過時的選項。本文從基礎觀念拆解 Prompt、RAG 與微調三條路：你的問題是知識不夠，還是行為不對？為什麼 context window 變大，RAG 仍不可取代？微調的四個地雷與少數該動手的例外，加上一條從便宜到昂貴的決策順序，幫你把錢花在對的地方。

AI 技術與數據優化

提示詞工程不是寫咒語：鋸齒邊界、人機協作與 Prompt Chaining

提示詞工程（prompt engineering）不是寫咒語，也不是專屬職業，而是工程師的基本功。本文從 BCG 與哈佛的鋸齒邊界研究談起，拆解半人馬與生化人兩種人機協作模式、提示詞黃金三要素，再深入 Prompt Chaining 提示詞串聯與 Chain-of-Thought 的底層差異，講清楚為什麼把任務拆開能換來可觀察性與可獨立 debug。

AI 技術與數據優化

為什麼換更強的大模型，解不了你的問題？LLM 的四個限制與擴增地圖

換更強的 base model 是極少數巨頭的賽道，一般公司施力點在另一條軸：擴增 LLM（augmenting LLM）。這篇拆解大模型的四個工程限制，包括知名的 lost in the middle，並給出 Prompt、RAG、Fine-tuning 三招的擴增地圖。

91APP CDMP

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

選行銷自動化系統，多數品牌在比功能表，這是常見的選錯起點。真正決定自動化跑不跑得動的，是五項底層能力：資料整合、分群、決策樹、跨通路、衡量。本文用一份能力盤點清單，帶零售品牌行銷主管從功能比較轉向能力盤點，並用公開可查的國際品牌案例，說明資料統一後成效如何發生。

91APP CDMP

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

自動化不等於 AI。行銷自動化處理已知規則的即時反應，AI 負責未知答案的預測與生成，兩者疊加運用才強，而疊加的關鍵是會定規則的人。本文釐清傳統行銷、規則式自動化、AI 驅動三層差異，拆解 Walmart Sparky 的公開案例，並說明 91APP CDMP（即 91APP 的 CDP）三大模型如何成為人機協作的判斷素材，讓 CS 顧問設計的決策樹跑得動。

91APP CDMP

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

雙11 的營收差距，取決於檔期前三到四個月的佈局深度。把整季資源壓在一次群發，等於把賭注押在無法回頭的時間點。本文拆解預熱、開賣、補刀、收尾四階段的檔期決策樹，搭配第一方數據底座與 Customer Success 顧問的解讀，讓會員行為即時觸發分支，每一波訊息都打到對的人。內容含四階段分支拆解、國際大檔的公開數據，以及台灣品牌的備戰做法。

91APP CDMP

行銷自動化應用情境與範例：常態腳本如何讓品牌全年自動接住高意圖訊號

行銷自動化最大的浪費，是把它當成大促才開的活動工具。真正的基本盤是 always-on 常態腳本：迎新、購物車未結帳、喚醒、生日、回購，這五條腳本全年無休地接住每一個訊號。本文用購物車 70.22% 放棄率、自動化信件 19 倍轉換差距與 Starbucks 生命週期經營，拆解常態腳本的設計邏輯，以及台灣品牌如何用 91APP CDMP 與個人化旅程落地。

91APP CDMP

行銷自動化是什麼？拆解觸發、決策樹，與背後的 CDP 數據底座

行銷自動化的本質是一棵「觸發條件 → 判斷 → 分支行動」的決策樹。本文拆解行銷自動化的三層結構與常見腳本，並說明為什麼自動化跑得動的真正前提，是底層的第一方數據底座（CDP，也就是 91APP CDMP），以及為什麼最後決定成敗的，是會解讀數據的 Customer Success 顧問。

91APP CDMP

RFM 分析怎麼做：用最近購買、頻率、金額三軸把會員分群並落地行動

RFM 分析是用最近購買（Recency）、購買頻率（Frequency）、累計金額（Monetary）三個維度，把會員依實際購買行為分群的方法。本文拆解三軸定義、五分位的計分做法、八大常見分群（高價值、即將流失、新客等）與各群的行動建議，並說明分群完之後怎麼串到個人化溝通、標籤落地與自動更新，讓 RFM 從一次性報表變成每天運轉的常駐機制。

91APP CDMP

新品上市行銷怎麼做：上市前蓄水、檔期引爆、上市後回購的完整節奏

新品上市行銷的勝負，往往在開賣前就決定。做得準的品牌會走三段節奏：上市前用既有會員測水溫蓄水、上市檔期集中引爆、上市後把首購者接成回購者。本文拆解每一段的做法，並說明為什麼背後的會員數據底座，才是讓新品行銷做得準的關鍵。

AI Agent

Agentic Workflow 是什麼？為什麼 RAG 知識檢索是 AI Agent 的底層蹲馬步

模型走向公共財，真正拉開 AI Agent 差距的是它讀不讀得到對的知識。本文拆解 Agentic Workflow 的運作、RAG 檢索增強生成的建置心法，以及零售電商與行銷廣告為什麼該把知識檢索當成最底層的蹲馬步功夫。

91APP EngageOne

SMS、 Email、 LINE、App Push 搭配怎麼選？四通路分工組合策略

簡訊、Email、LINE、App Push 不是選一個用到底，而是依即時性、成本與內容深度分工。本文拆解四個觸達通路的定位、開封與成本差異，給一套依會員分群決定通路組合的選擇方法，讓行銷預算花在對的人對的通路上。

AI Agent

AI agent 數據分析工具盤點：agent 接得住哪些活，哪些判斷仍需人

AI agent 數據分析工具正把寫 SQL、拉報表、做儀表板，變成用自然語言問一句就有答案。本文盤點行銷數據分析者今天用得上的 AI agent 工具，依四個自動化層級拆解 agent 接得住哪些活、哪些判斷仍需人，並點出讓 agent 洞察可信的前提：第一方數據底座是否整合乾淨、能否把同一顧客的足跡歸戶。