技術與數據優化

A collection of 25 posts

MCP

MCP 是什麼？它讓 AI 接進你的系統有了共同規格，開多大仍是你的決定

MCP（Model Context Protocol，模型上下文協定）是一套讓 AI 應用連接外部系統的開放標準，2024 年 11 月由 Anthropic 發布，2026 年 7 月完成改版。這篇從台灣零售品牌行銷主管的角度回答 MCP 是什麼：它的三個角色對應到你公司裡的什麼、伺服器掛出去的三類東西怎麼分、品牌會在哪些地方真的撞到它，以及哪些事情協定不會替你決定。

91APP CDMP

客服工單分流怎麼設計：把訊息拆成三種，退換貨尖峰的人力才排得出來

客服訊息回不完的時候，加人往往解不了問題，真正的瓶頸在於三種本質不同的工單擠在同一條隊伍裡。本文提出以決策成本分流的做法，並拆解退換貨尖峰為什麼跟促銷尖峰對不上，讓品牌把 SLA 和排班一起重排。

91APP CDMP

缺貨與超賣的代價，多數品牌只算到取消那一單為止

缺貨的損失被普遍低估，因為多數品牌用「少賣的件數乘上售價」在估，這等於預設顧客只是延後購買。跨國研究量到的行為並非如此。本文拆解缺貨與超賣的三段代價：當下那一單、台灣網路交易法規下的契約義務、以及後續行為的變化，並說明可售量為什麼在系統之間對不齊。

技術與數據優化

退貨率怎麼算才看得出問題：分母是訂單、件數還是金額，決定了你看到的答案

同一份報告裡的兩個退貨率差了 3.5 個百分點，兩個都對，差別只在分母含不含門市。這篇拆開退貨率的三種算法分別回答客服、倉儲與財務的哪個問題、為什麼跨品類比大小量到的是商品屬性與法律條件、以及退貨率變高其實可能是新客變多的副作用。附台灣消保法七日猶豫期的條件式例外，以及品牌真正該追蹤的切分後退貨率。

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。

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。

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。

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。

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 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。

91APP CDMP

AI 行銷科技來了：Agentic MarTech 如何重排零售工具的優先序

AI 讓行銷科技從「人操作工具」走向「代理人自動決策」，但四成 agentic 專案可能被取消、上千家廠商只有約一百多家是真的。這篇說明 Agentic MarTech 到底改變了什麼，以及為什麼 AI 代理人愈強，餵給它的第一方數據就愈關鍵。

技術與數據優化

MarTech Stack 怎麼建？工具別再疊，先搞對導入順序

多數品牌建 MarTech Stack 的方式，是缺什麼買什麼，結果工具愈疊愈多、彼此接不起來。這篇說明為什麼正確的順序是先搭數據層與 AI 層，再掛應用工具，以及台灣零售品牌該怎麼一步步建起真正跑得動的行銷科技組合。

91APP CDMP

MarTech 工具有哪些？六大領域拆解，看台灣零售品牌實際怎麼用

行銷科技工具超過一萬五千種，但關鍵問題其實很簡單：顧客在這六塊裡拼得成一個人嗎。這篇把 MarTech 六大領域逐塊拆開，看台灣零售品牌實際怎麼用、六塊之間靠什麼串起來，以及 2026 年 AI agent 走進每一塊之後，為什麼底下那層把顧客歸戶起來的數據反而更關鍵。

91APP CDMP

MarTech 與 AdTech 差在哪？行銷科技與廣告科技的分工與整合

很多品牌把 MarTech 和 AdTech 當成兩件事，甚至二選一。這篇說明行銷科技與廣告科技的真正差別在對內經營與對外獲客，以及為什麼在第三方數據受限的時代，讓兩者打通的，是同一份第一方數據。

廣告平台操作實務

Meta 出價策略怎麼設？tROAS 與預算結構的校準手冊

把 ROAS 目標設得越高越安全，是最常見的迷思。本文拆解 Meta 四種出價策略的邏輯與校準原則，說明為什麼目標永遠該從自己的歷史數據往回推，而不是從理想數字往前設，並提供預算與出價的校準檢查清單。

廣告平台操作實務

GA4 顯示 140 筆，Meta 後台說 320 筆？三本帳對帳法，先分清楚是真下滑還是口徑差

GA4 跟 Meta 後台的轉換數字對不上，是這個產業結構性的常態，不是設定錯誤。本文拆解兩邊歸因邏輯的根本差異，用三本帳對帳法（GA4、Meta 後台、訂單系統）分清楚誰該講哪種話，避免因為口徑差異誤判成效真的下滑。

廣告平台操作實務

Meta 廣告的 Opportunity Score（機會分數）該照單全收嗎？月度健檢的風險與機會兩張清單

Meta Ads Manager 的 Opportunity Score 從 0 到 100 分，愈高愈貼近 Meta 建議的最佳實務，但貼近建議不等於貼近獲利。本文用真實案例拆解這個分數衡量什麼、沒衡量什麼，並提供月度健檢的風險清單與機會清單，幫品牌分清楚哪些建議該採納、哪些該先擋下來。

廣告平台操作實務

Meta 廣告成效不好？別再照抄 AI問答給的資訊，根本問題要看這 3 層

Google AI 模式回答「Meta 廣告成效」時給的 KPI 清單，其實是全網共識的最大公約數，答不出你的帳號真正卡在哪。本文提出訊號層、受眾層、衡量層三層診斷框架，用 Andromeda、CAPI、EMQ 等真實數據拆解病灶該從哪裡查起，而非照單全收清單裡的五個原因。

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。

技術與數據優化

Meta Ads CLI、Meta MCP、Meta Marketing API 差在哪？搞懂三者，再決定 AI 怎麼幫你投廣告

Meta 在 2026 年 4 月推出官方 AI Connectors，讓行銷人能對 AI 講一句話就開廣告。但市場第一時間就把 CLI、MCP、Marketing API 三者搞混，以為換成 MCP 就能多做功能。這篇一次劃清三者關係：CLI 與 MCP 是同一批官方工具的兩種操作介面、能力等價，複雜形式與細部受眾仍要回到完整 Marketing API；而 AI 投得好不好，很大一部分上限在你餵它的第一方數據乾不乾淨（前提是追蹤與受眾同步設定正確）。

技術與數據優化

AI Agent 工具怎麼選？企業級平台選型，先看你的資料住在哪

2026 年 AI Agent 工具選擇變多，但 Gartner 預測逾四成 agentic AI 專案會在 2027 年底前被取消，失敗原因不只在模型能力。這份指南帶台灣品牌用「資料住在哪」這條線，看懂 Agentforce、Copilot Studio、Gemini Enterprise Agent Platform 等企業級平台的定位差異，並釐清選型前該先確認的資料、權限與維運責任。