別再盲目撒錢！零技術，AI 一步部署「新 RFM 」精準 TARGETING

在《別再燒錢！零技術，三步找出 CLV、CAC、CRC 獲利平衡點》一文，相信你已掌握品牌獲利的核心要訣，知道顧客終身價值 (Customer Lifetime Value, CLV) 是品牌的北極星指標，也學會了如何在獲客成本 (CAC) 與保留成本 (CRC) 找出獲利甜蜜點 。

但光知道這「核心思路」還不夠，你還得學會「怎麼把錢花在刀口上」。你現在可能正看著後台數千萬數據發愁：「知道資料庫裡躺著許多『沈睡客戶』，也察覺到『高價值客戶』正在流失，但具體該怎麼針對他們進行行銷？該說什麼？在什麼時候說？用什麼渠道說？」

這就是行銷最核心的環節 — Targeting (目標鎖定) 與 Segmentation (市場細分)。

過去，要精準回答這些問題，往往需要仰賴數據科學家進行複雜的聚類分析 (Clustering) 或 SQL 運算，這對中小企業是一道難以跨越的技術高牆。但在生成式 AI (Gen AI) 全面普及的今天，這道牆已被推倒。

本文將帶領你進入 AI 驅動行銷的深水區，解析如何結合「新 RFM 模型」與 Gen AI 工具 (如 Gemini、M365 Copilot、Perplexity Pro Lab)，將冰冷的交易數據轉化為有溫度、高轉換率的行銷策略，讓你的每一分預算都能精準地轉化為營收。

重新定義 TARGETING 的戰略意義

在數位廣告普及的年代，許多人誤以為 Targeting 僅僅是在廣告後台勾選「25-35歲、女性、都會區」這類人口統計變數。然而，這僅是最初階的篩選，並非真正的戰略鎖定。

更重要的是，Targeting 須與顧客生命週期 (Customer Lifecycle) 緊密扣連。試想，一個剛接觸品牌的陌生人，與一位已經購買三次的忠誠顧客，他們對品牌的認知與需求截然不同。若品牌對所有人都傳遞相同的訊息 (例如全店通用的促銷)，不僅浪費預算，更可能因為過度打擾而導致客戶流失。

Targeting 不應被簡化為廣告投放的技術設定，它是品牌經營的戰略核心。有效的目標鎖定，是建立在對顧客生命週期的深刻理解之上。唯有將 Targeting 從「廣泛曝光」轉向「精準對話」，品牌才能在獲客成本高漲的環境下，確保每一分行銷預算都能帶來實質的轉換與 CLV 增長。

DBB策略觀點：你的品牌當前的價值定義，是聚焦於短期的 ROAS 回報，還是著眼於長期的 CLV 提升？唯有清晰的策略目標，才能賦予數據真正的價值與靈魂。

突破傳統 RFM 的盲點，導入「新 RFM 模型」

要落實精準的 Targeting，我們需要一套科學的分析工具來衡量顧客價值。經典的 RFM 模型 (Recency 最近消費、Frequency 消費頻率、Monetary 消費金額) 曾是行銷人的黃金標準，但在現今複雜的消費行為下，傳統 RFM 已逐漸顯露出其局限性。

傳統 RFM 的兩大結構性缺陷

整合 CLV 的「新 RFM 模型」

為了修正上述盲點，我們需要引入更具前瞻性的分析框架，將 顧客終身價值 (CLV) 的概念深度整合進 RFM 中，將原本單純的統計指標，轉化為具備戰略意義的「雙軸指數」：

1. 價值指數 (Value Index)：這不單看消費總額，而是整合了「平均消費能力」與「留存時間」。其概念公式為 (年化總消費額) x (平均客單價)。這個指數旨在估算顧客在整個留存期內的價值，能有效區分出誰是曇花一現的大戶，誰才是長期支持的真正夥伴。
   
   
2. 活躍指數 (Activeness Index)：這不單看購買次數，而是整合了「平均重複訪問次數」與「留存年資」。其概念公式為 (年化購買頻率) x (留存年資)。這個指數反映了顧客與品牌的互動黏著度，幫助我們判斷顧客與品牌的關係是否緊密。
   
   
3. 廣義近因性 (Advanced Recency)：這不再局限於「最後一次購買」，而是納入更廣泛的互動數據，如開信、網站訪問、App 登入等。這能幫助品牌在顧客尚未流失前，就敏銳地察覺到活躍度的變化。

透過導入整合 CLV 概念的「新 RFM 模型」，我們將焦點從單純的交易紀錄，轉向更具立體感的「價值指數」與「活躍指數」。這套新模型能幫助品牌經營者穿透表面的數據迷霧，更精準地識別出顧客的真實價值與潛在動機，為後續的精準 Targeting 奠定堅實的數據基礎。

DBB策略觀點：你是否仍依賴『新近度、頻率、金額』切分數據，還是以策略目標為核心，定義分群與劇本以推動 CLV 增長？唯有避免工具牽動策略，並以清晰目標結合 AI 高效執行，才能真正將資源轉化為增長。

零技術門檻，以 Gen AI 驅動精準分眾

理解理論框架只是第一步，真正的挑戰在於『如何落地』。過去，這往往需要專業的數據分析能力，才能將冰冷的數字轉化為可執行的策略；但在 Gen AI 時代，這道高牆已被推倒。我們不再需要親自處理繁瑣的數學運算，只需透過精確的 Prompt (提示詞)，就能指揮 AI 完成分析。你的角色已從『計算者』晉升為『策略指揮官』，關鍵只在於～問對問題。

實作準備：數據清洗

請準備一份從電商後台匯出的 CSV 檔案 (例如 orders.csv)，內容只需包含三個核心欄位：顧客 ID (Customer ID)、訂單日期 (Order Date)、以及訂單金額 (Order Amount)。若你有更進階的數據如「最後互動日期」，AI 也能將其納入分析，但光是基礎訂單數據亦可啟動分析。

核心指令：執行「新 RFM」分群運算

在這個階段，我們將把 Gen AI 視為你的首席數據分析師。你可以複製以下 Prompt，並根據實際檔案欄位名稱／資訊稍作調整，然後發送給 Gen AI。

註：這套由 Gen AI 驅動的「新 RFM (CLV-Based)」Prompt，是專為客戶數低於10萬的中小品牌量身打造。相較於那些偏向學術、技術導向且昂貴的大型數據解決方案，這套方法不僅低成本，更能快速落地商業實務，幫助你在有限資源下，挖掘出最大的獲利空間。

【新 RFM (CLV-Based) 操作指令 Prompt】：

你是一位資深的 CRM 數據策略專家與 Python 數據分析師。請依據我上傳的數據集 (2022-2025年)，執行一份改良版的「新 RFM (CLV-Based) 客戶分群分析」。

這套模型引入「時間 (Retention)」作為權重，但為避免單次購買者導致「年化指數」出現無限大 (inf) 或極端值，請務必採用「分層基準 (Stratified Benchmarking)」策略：僅使用「回購客」的數據來建立價值門檻，再將單次客進行邏輯歸戶。

Step1: Data Preprocessing & Metrics (資料預處理與指標)
1. 清洗數據：確保日期格式正確。
2. 計算基礎欄位：為每位客戶計算以下數據：
– First_Purchase_Date (首購日)
– Last_Purchase_Date (最後購買日)
– Frequency (訂單總次數)
– Total_Amount (總消費金額)
– Retention_Days (保留天數)：計算(Last_Purchase_Date – First_Purchase_Date)的天數。
邏輯強制修正：若 Retention_Days 為 0，請強制設為 1，避免後續乘積為 0。
Retention_Years = Retention_Days / 365。
Recency_Days = (數據集最新日期 – Last_Purchase_Date)。

3. 計算核心變數 (需處理 Infinity 問題)：
– Average_Consumption (平均客單價) = Total_Amount / Frequency
– Value Index (價值指數) = Total_Amount / Retention_Years
– Activeness Index (活躍指數) = Frequency / Retention_Years
注意：對於 Frequency=1 的客戶，上述兩個 Index 數值會極大，請在後續步驟處理，不要直接用於計算整體中位數。

Step2: Index Calculation (指數建模 – 關鍵修正步驟)
為了避免單次購買者 (佔比高) 拉偏整體數據，請採用以下邏輯計算閾值：
1. 創建一個臨時子集 `df_repeat`，僅包含 `Frequency > 1` 的客戶(即回購客)。
2. 僅基於 `df_repeat` 計算以下閾值：
– Median_Value: `Value Index` 的中位數
– P80_Value: `Value Index` 的前 20% 分界線
– Median_Active: `Activeness Index` 的中位數
– P80_Active: `Activeness Index` 的前 20% 分界線

Step 3: Segmentation Logic (分群邏輯 – 優先級判斷)
請對「所有客戶」進行標籤判斷。嚴格按照以下順序（由上至下）執行 `if-else` 判斷：

優先級 1：新顧客 (New Customer)
– 條件：‘First_Purchase_Date‘ 在資料集最新日期的 30 天內 且 ‘Frequency‘ = 1。

優先級 2：單次購買者分流 (One-Time Buyers Handling)
(針對 Frequency = 1 且非新客的群體，因 Index 失真，不參與指數比對，直接依 Recency 分類)
– 潛力增值 (Potential Increase Value)：條件：`Frequency` = 1 且 `Recency_Days` ≤ 90。
– 即將流失 (Going to Churn)：條件：`Frequency` = 1 且 `Recency_Days` > 90。
– 已流失 (Churned)：條件：`Frequency` = 1 且 `Recency_Days` > 365。

優先級 3：回購客分群 (Repeat Customers Segmentation)
(針對 Frequency > 1 的群體，使用 Step 2 計算的閾值進行比對)
– 最佳顧客 (Best Customer)：`Value Index` > P80_Value 且 `Activeness Index` >P80_Active。
– 忠誠顧客 (Be Loyal Customer)：`Value Index` > Median_Value 且 `Activeness Index`>Median_Active。
– 潛力增值 (Potential Increase Value)：`Activeness Index` > Median_Active 但 `Value Index` ≤ Median_Value (買得勤但金額低)。
– 流失風險 (Potential to Churn)：`Value Index` > Median_Value 但 `Activeness Index` ≤Median_Active (金額高但買得少/久未回)。
– 即將流失 (Going to Churn)：上述皆不符合者 (雙低回購客)。

Step 4: Output Requirements (輸出要求)
1. 分群總結表 (Summary Table)：
– 請畫出一個 Markdown 表格，列出 6 個群體的：
・人數 (Count)
・佔比 (Percentage %)
・平均保留天數 (Avg Retention Days)
・平均保留年資 (Avg Retention Years)
・平均客單價 (Avg Ticket)
・平均 CLV (Total Amount 的平均值)
請按「平均 CLV」由高到低排序。

2. 客戶詳細名單 (DataFrame Preview)：
請生成並顯示各客戶的列表，包含欄位
– CustomerID
– Frequency, Recency_Days
– Value Index, Activeness Index
– Segment_Label‘(群體名稱),
– Action_Suggestion (行動建議)：簡單描述一句話 (例如："高價值但已流失，需喚醒")。

透過 Gen AI 的強大運算能力，我們徹底降低了數據分析的技術門檻。經營者不再需要受困於 Excel 的公式或 SQL 語法，只需透過精確的 Prompt 指令，即可讓 AI 在幾秒鐘內完成複雜的「新 RFM (CLV-Based)」運算與分群。這不僅節省了大量的時間成本，更重要的是，它讓數據分析的結果能夠即時產出並轉化為可執行的策略名單，真正實現了數據驅動決策的普及化。

►【客戶分群儀表板－操作指令 Prompt】

//請設計及製作一個互動式儀表板介面，用於展示並操作 CRM 客戶資料表。介面需包含以下功能與欄位：
資料表格顯示：
– 客戶ID（Customer ID）
– 回購次數（Recency，單位：天）
– 購買次數（Frequency）
– 總金額（Total Amount，幣值：¥）
– 平均單價（Avg Ticket）
– 留存率（Retention Years）
– 客戶分類（Segment，分類如：最佳顧客、流失顧客、新顧客等）
– 優先級（Priority，HIGH / MEDIUM / LOW / URGENT）
– 描述（Description，簡短文字摘要）

智能分類與篩選功能：
– 根據 Recency、Frequency、Retention 自動分類 Segment
– 根據 Priority 顯示不同顏色標籤
– 可依 Segment、Priority、Recency 篩選與排序

操作功能：
– 點擊客戶行可展開詳細資料卡片
– 可編輯描述欄位並儲存
– 匯出選定客戶為 CSV 或 JSON

介面風格：
– 使用現代化卡片式設計
– 支援深色模式與響應式排版
– 中英雙語切換（繁體中文 / English）

請使用最佳實踐設計 UX，確保介面清晰、易操作，並適合行銷團隊與客服人員使用。//

DBB策略觀點：AI 的本質是加速與執行。若缺乏清晰策略方向，結果只會更快偏離；反之，制定明確的決策準則，引導 AI 生成可行的行銷劇本，推動高效轉換。

針對四大客群的 AI 生成行銷劇本

當 AI 協助我們完成精準分群後，下一步便是制定差異化的行銷策略。這正是 Targeting 發揮威力的關鍵時刻。針對不同象限的顧客，我們必須設計截然不同的溝通劇本，而這同樣可以藉助 AI 的創意來高效完成。

要真正落實「新 RFM (CLV-Based)」模型，除了關注歷史數據的「價值指數」，更必須整合「廣義近因性 (Advanced Recency)」，捕捉客戶的行為數據 。以下劇本將結合「價值數據」、「活躍數據」與「互動數據」，引導 AI 產出對準客戶訴求的行銷文案。

場景一：鞏固「最佳顧客」的尊榮地位

這群顧客是品牌金字塔頂端的 20% 核心人群，特徵是 Value Index ＞P80 且 Activeness Index＞P80。此外，我們透過「廣義近因性 (Advanced Recency)」的數據洞察 ，偵測到他們近期深度瀏覽了特定產品線。他們對品牌有極高的認同與貢獻。針對這群人，策略重點不是「促銷」，而是 「尊榮感 」 與 「共享權力」，讓他們感覺自己不僅是消費者，更是品牌的 VIP 合夥人。

【行銷劇本 Prompt】：

「請針對數據分析結果中標記為 『Best Customer (最佳顧客)』 的群體 (定義：價值指數與活躍指數皆在前 20% 的頂級客層)，制定鞏固忠誠度的尊榮行銷策略。

背景資訊：這群人是品牌獲利的基石，對價格不敏感，但極度重視服務體驗與身份認同。同時，數據顯示他們近期對特定產品線展現了高度關注 (Advanced Recency)。策略目標：強化尊榮感，建立『專屬產品』的榮譽感，並激發他們進行口碑推薦。策略方向：強調強調『稀缺性』與『特權式款待』。

請幫我生成以下內容：
1. 三個專屬權益創意：例如『新品開發顧問資格』、『私人購物禮遇服務』，重點在於賦予他們參與品牌決策或享受私密服務的權力。
2. 一封邀請加入 VVIP 俱樂部的信件：
・主旨：需展現極致的尊貴身份 (例如：『這是一封僅寄給 Top 1% 會員的邀請函…』)。
・內文：首先提及注意到他們對 [特定品類] 的獨到眼光與關注 (呼應 Advanced Recency)，讚賞其品味；強調他們在品牌歷史中的重要性，並告知他們已自動升級為 VVIP；詳述享有的『一般人無法觸及』的特權 (如上述的權益創意)。
・行動呼籲：引導加入私密社群或領取專屬實體黑卡。」

場景二：喚醒「高價值流失風險」的消費慾望

這群顧客過去貢獻度高 (Value Index ＞Median)，但近期活躍度下降 (Activeness Index ≤ Median)。針對這群「曾經的大戶」，單純的關懷可能不夠，策略必須更具「攻擊性」與「誘因性」。

我們可以透過 Advanced Recency 訊號進行分流：
・情境 A：超過 90 天未開啟任何信件，未登入 App；
・情境 B：雖然超過 90 天沒買，但上週突然點開過一次網站 (這是黃金機會！)。

策略重點應放在 Cross-sell (交叉銷售) 與 Up-sell (向上銷售)，用更高階的產品體驗或服務升級來「刺激」他們回歸。

【行銷劇本 Prompt】：

「針對數據分析結果中標記為 『Potential to Churn (流失風險)』 的群體 (定義：高價值但活躍度下降的回購客)，我們將根據 Advanced Recency 進行分流溝通，利用『升級誘因』來激勵消費。

背景資訊：他們有高消費能力，但近期對現有產品缺乏動力。策略目標：利用『高級優惠』和『升級權益』，刺激他們購買更高單價的商品，或參與特定儀式感活動。策略方向：強調『您值得更好的』，透過 Cross-sell 推薦頂級系列，或提供訂閱制升級優惠。

請生成兩套不同的腳本：
腳本 A：針對 情境 A (弱互動訊號)。
渠道：SMS 簡訊或 LINE (高觸及率)。
切入角度：以『喚醒沈睡權益』為核心，強調錯過不再。
內容素材：請撰寫三則短文案，分別對應以下誘因：
・會員權益限時升級 (例如：回歸即享下一季 VVIP 資格)。
・高階新品的獨家優先試用 (強調僅限受邀者)。
・專屬的線上/線下品鑑儀式 (強調尊榮體驗)。

腳本 B：針對 情境 B (假性流失，近期有瀏覽紀錄但未購買)
渠道：再行銷廣告 (Retargeting) 或 EDM。
策略：『升級誘因』的推動。
優惠機制：High-value Gift with Purchase (高價值滿額贈)。強調購買該高階商品，即贈送只送不賣的專屬周邊或服務，而非單純打折。
文案要求：請撰寫一段廣告文案，點出『發現您在關注 [XX商品]』，並強調『現在入手享有獨家優先試用同類高階產品與服務』的限時權益。」

場景三：提升「忠實潛力股」的客單價

這群顧客 (回購客) 的特徵是 (Activeness Index ＞ Median) 但 (Value Index ≤ Median)。他們買得很勤，是品牌的鐵粉，但客單價偏低。

透過 Advanced Recency 訊號捕捉消費意圖，我們發現客戶近期曾瀏覽可組合購買的高單價商品，或將多件商品加入購物車，卻在結帳頁面停留過久或放棄。

策略重點應放在 Bundling (組合銷售) 與 Average Order Value, AOV Growth (客單價拉升)，利用他們對高價品的猶豫，提供「整組買更划算」的解決方案，讓他們習慣「買多一點」。

【行銷劇本 Prompt】：

「針對數據分析結果中標記為 『Potential Increase Value (潛力增值)』 的群體 (定義：高活躍度但低客單價的回購客)，制定提升客單價 (AOV) 的策略。

背景資訊：這群客戶對品牌信任感足夠，但過往習慣買小額商品。近期數據顯示他們對高單價商品有瀏覽意圖 (Advanced Recency)，但存在價格猶豫。策略目標：透過『互補商品推薦』與『湊單機制』，提高單次結帳金額。策略方向：強調『內行人的完整搭配』，利用 Bundling (組合銷售) 消除對單一高價品的價格抗性。

請幫我撰寫以下兩組文案：
1. 再行銷 (Retargeting) 廣告文案：
・切入角度：強調『一次買齊』的便利性與專業感 (例如：『保養不能只做一半，完整三步驟才能…』)。
・優惠機制：設計一個『 A+B+C 明星組合包』，價格設定在他們平均客單價的 1.5 倍左右。
・視覺建議：請描述一張展示他們剛剛瀏覽過的商品，並呈現『豐富感』與『超值感』的全套搭配效果圖。

2. 購物車召回信 (Cart Abandonment Email)：
・觸發時機：針對將商品加入購物車卻未結帳者。
・主旨：『您的購物車裡缺了這一樣… (強調組合的完整性)』。
・內文：不要只提醒他結帳，要告訴他『現在加購 [互補品 C]，這整單剛好可以湊免運/或享有組合優惠』，給他一個回頭結帳的理性理由。」

場景四：培養「新客戶」的忠誠度

故此，策略重點在於「觸發回購 (針對情境 A)」與「引導使用 (針對情境 B)」，避免他們成為一次性過客。

【行銷劇本 Prompt】：

「針對 『New Customer (新客戶)』，請依據 Advanced Recency 的行為洞察，設計一套自動化的 Email 歡迎序列 (Welcome Series)。

策略目標：在前 7 天解決『不會用』的焦慮 (針對負向訊號風險)，在第 14 天收割『已上手』的紅利 (針對正向訊號機會)。

請撰寫 3 封信的架構與主旨：
第 1 封 (購買當下)：建立期待：
・內容：歡迎信 + 品牌故事 + 『3 分鐘快速上手指南』 (預防負向訊號產生，減少買後的後悔感)

第 2 封 (購買後 3-7 天)：主動救援 (針對負向訊號)：
・設定：假設客戶可能尚未啟用或遇到困難。
・內容：溫暖關懷 + 詢問使用體驗 + 『常見問題 FAQ』或『教學影片連結』 + 邀請加入社群 (用同儕效應帶動使用)。

第 3 封 (購買後 14-30 天)：
・設定：假設客戶已習慣使用，準備好進行下一筆消費。
・內容：誘因信 + 專屬紅利/免運券 + 『您可能也喜歡…』的搭配推薦，觸發第二次購買。

請寫出這三封信的 主旨 (Subject Line)，並提供每封信能 打動人心、消除焦慮 的核心文案段落。」

Targeting 的精髓，始終在於「差異化」。透過 AI 針對不同分眾生成的行銷劇本，我們能確保每一群顧客都能接收到最切中其需求的訊息。

從賦予最佳顧客參與決策的尊榮特權，到利用升級誘因喚醒高價值流失客的消費渴望；從透過組合策略拉升忠實潛力股的客單價，再到新客黃金期的自動化培育，AI 幫助我們將策略落實為具體的文案與活動。這不僅大幅提升了行銷內容的生產效率，更重要的是，它確保了行銷訊息的精準度與相關性，這是提升轉換率的關鍵所在。

然而，掌握了精準分眾與 AI 劇本只是第一步。如果你想進一步了解如何將這些策略從「單次執行」轉化為「全自動運轉」的增長系統，延伸閱讀：《超個人化行銷：5 步驟讓小團隊營收快同業 40%》深入解析如何結合自動化工具，讓你的 AI 行銷劇本 24 小時不間斷地為你創造營收。

從數據沈睡到營收覺醒

行銷的本質始終如一：在對的時間，對對的人，說對的話。變的不是本質，而是我們達成目標的效率與精度。AI 的出現，讓這一切變得前所未有的簡單。

從掌握 CLV、CAC、CRC 的黃金比例，到運用「新 RFM」進行精準分群，我們構建的不僅是一套戰術，而是一個可持續的品牌增長系統。過去，這是大企業才玩得起的昂貴遊戲；現在，透過 Gen AI，即便是精簡的團隊也能擁有頂級的數據洞察力。

別再讓寶貴的數據在硬碟裡沈睡了。當競爭對手還在盲目投放時，你已經可以運用這些 Prompt 技巧，將每一個數字轉化為實實在在的營收增長。現在就打開你的的 Gen AI ，開始這場由你主導的精準行銷吧。

---