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」。
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。
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。