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，要確切回答這些問題，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「CLV-Based 決策模型」與 Gen AI 工具 (如 Gemini、Claude、ChatGPT Plus 或以上)，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具針對性轉化為營收。
▸ 本文涵蓋
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。
真正的 Targeting 其實是一種資源配置的決策思維。它是將龐大的市場切割成數個具有獨特行為特徵的細分市場 (Segmentation)，並將企業有限的資源，聚焦於那些增長潛力最高、利潤最豐厚、且獲客成本合理的群體上。這意味著，Targeting 的核心目的不在於「擴大觸及」，而在於「提高轉換效率」。
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。
因此，一個成熟的 Targeting 策略，必須涵蓋生命週期的四個關鍵階段：
- 觸及與獲取 (Reach / Acquisition)：針對目標受眾，目標是建立信任與連結。
- 轉換與採用 (Conversion / Adoption)：針對潛在訪客，目標是消除疑慮，促成交易。
- 保留與忠誠 (Retention / Loyalty)：針對存在客戶，目標是建立習慣，提升回購率。
- 擴張與成長 (Expansion / Growth)：針對忠誠客戶，目標是激發推薦意願，擴大品牌影響力。
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「個人化對話」，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 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「CLV-Based 決策模型」
麥肯錫 (McKinsey) 在關鍵文章 Customer lifetime value: The customer compass 中指出，傳統模型 (如簡單的 RFM) 因為僅依賴歷史交易數據，缺乏「預測未來時間維度」的能力，在現代複雜的電商環境下已顯得預測力不足，並提倡使用「預測性 CLV (Predictive CLV)」，整合 AI 以動態捕捉客戶行為的轉變。
在這樣的背景下，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，但在當前多變的消費行為下，它的限制也愈來愈明顯。
傳統 RFM 的兩大結構性缺陷
首先是「缺乏智慧連結」。傳統 RFM 往往將三個指標獨立看待，這容易導致誤判。
- 例如：顧客 A 在過去三年內穩定消費了 10 次，總金額 5000 元；而顧客 B 僅在上週的一次促銷中，一口氣消費了 5000 元。
- 在傳統 RFM 的積分邏輯下，這兩位顧客可能得分相近，但顯然、顧客 A 代表的是細水長流的忠誠度，而顧客 B 則可能是逐利而來的投機型消費者，兩者需要的行銷策略應截然不同。
其次是「過於簡化的分群邏輯」。傳統模型過度依賴「次數」，卻忽略了購買背後的動機。
- 一位因為「首購半價」而購買三次的顧客，與一位以「原價」購買三次的顧客，雖然頻率相同，但其對品牌的認同度與潛在價值卻有天壤之別。若僅依賴傳統數據，品牌很容易將資源錯投在對價格敏感、但忠誠度極低的客群上。
整合 CLV 的「CLV-Based 決策模型」
因此，為了修正上述盲點，我們引入「顧客終身價值 (CLV)」概念，將時間維度深度整合進模型中，把原本靜態的交易指標轉化為具備縱深的「雙軸指數」：
- 價值指數 (Value Index)：以「年化總消費額」衡量顧客在留存期內的實際貢獻速率，公式為 (
總消費金額 ÷ 留存年資)。相比單看消費總額，此指數能有效區分「短期大額消費者」與「長期穩定貢獻者」，避免將曇花一現的大戶誤判為高價值客戶。 - 活躍指數 (Activeness Index)：以「年化購買頻率」衡量顧客與品牌的互動黏著度，公式為 (
購買次數 ÷ 留存年資)。此指數反映的不只是購買次數的多寡，而是在整個留存期內，顧客保持活躍的密度與持續性。 - 廣義近因性 (Advanced Recency)：超越傳統「最後購買日」的單點判斷，引入三個補充指標：Relative_Recency (當前沉默時間佔個人正常購買週期的倍數)、Last_Gap (最後一個購買間隔天數)、Gap_Acceleration (最後間隔相對個人均值的加速倍數)。三者合併使用，可在顧客尚未正式流失前，提早偵測活躍度斷層。
透過整合 CLV 的決策模型，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」。當這兩個指數交叉運算時，便自然形成顧客群組，每個群組背後代表截然不同的行為意圖與價值潛力，為品牌提供清晰的策略分流依據。這讓品牌經營者得以穿透表面的數據迷霧，升級為「數據驅動決策」的系統性結構。
| 維度指標 | 分群類別 | 策略導向 |
|---|---|---|
| 高活躍 + 高價值 | 忠誠顧客 (Loyal Customer) | 強化維繫、專屬獎勵 |
| 低活躍 + 高價值 | 潛在流失 (Potential to Churn) | 升級誘因、激勵消費 |
| 高活躍 + 低價值 | 具增長潛力 (Potential Growth) | 交叉銷售、提升消費 |
| 低活躍 + 低價值 | 即將流失 (Going to Churn) | 激活挽留、轉換價值 |
這樣的四象限分群，不僅能快速定義顧客當前的行為意圖，更能預測其未來走向與價值，並據此制定相應的行銷溝通策略。當「價值指數」與「活躍指數」交叉運算時，自然形成七大顧客群組 (新顧客／最佳顧客／忠誠顧客／潛力增值／流失風險／即將流失／已流失)，依照嚴格的優先級邏輯逐一判定，確保每位顧客只落入一個最符合其行為特徵的群體。這為品牌提供了清晰的決策座標，在「值得加碼投資」、「需要即時挽留」與「具備升值潛力」之間，做出有依據的資源配置判斷。
正如 Managing Customers for Profit 一書所提及，許多企業在推動客戶保留計畫時，往往將預算平均分配給所有「忠誠」客戶，卻忽略了他們的實際貢獻值（CLV），導致資源錯配，甚至投入大量預算挽留低或負貢獻的「忠誠客戶」。作者更指出，若模型僅以「提高留存率」為目標而未納入 CLV 評估，約有 25% 的行銷資源會被浪費在錯誤的對象上，無法產生實質投資報酬。因此，能夠針對不同類別採取差異化的保留策略，才是真正避免資源浪費並提升效益的關鍵。
DBB 觀點：你是否仍以「最近消費、頻率、金額」作為唯一的分群依據，還是已將策略目標置於核心，讓數據服務於 CLV 增長的方向？工具的價值在於執行，而非定義方向。唯有先釐清「哪些客戶值得長期投資、哪些需要即時介入」，再具策略性高效落地，才能真正將數據資產轉化為可持續的營收增長。
零技術門檻，以 Gen AI 驅動分群策略
理解理論框架只是第一步，真正的挑戰在於如何實際執行。過去，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實踐的策略；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，只需透過精密的 System Prompt (系統性提示詞)，就能指揮 AI 完成分析及報告。你的角色已從「數據計算者」晉升為「策略指揮官」。
準備數據實作
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)。僅憑這三個基礎欄位，即可啟動完整的分析流程。
若數據集同時包含顧客聯絡資料 (如 Email、電話、WhatsApp 等)，可一併納入這 CSV 檔案。系統會自動偵測，並將聯絡資料欄位納入輸出的客戶名單，讓你在篩選出目標群體後，可直接取得對應的聯絡資訊執行再行銷推送，無需另行查找。
註：這聯絡資料非必要條件，若目的是了解整體銷售結構與客群分佈，三個核心欄位亦可。本系統僅依據「最後一筆訂單」所提供的聯絡資料進行對應。若最新訂單未包含所需聯絡資訊，請自行補充或處理。
設定「CLV-Based 決策模型」分群運算
在這個階段，我們將 Gen AI 視為你的首席數據分析師與策略顧問。你可以透過部署 DBB 獨家《CLV-Based 分群系統》，直接置入 Gen AI (Gemini／Claude／ChatGPT Plus 或以上版本) 生成代理角色，專職數據分析與策略分群。
輕鬆上手・兩種啟動方式：
| 步驟 | 你要做什麼 | 推薦：零設定上手 | 進階：自動化連結 |
|---|---|---|---|
| 「CLV-Based 分群系統」技術門檻 | 選擇適合你的方式 | ★☆☆☆☆ 零設定，即部署即使用 | ★★☆☆☆ 需一次性設定 Google Sheet → BigQuery 連結 |
| Step 1 放入指令 | 將系統指令預置到 AI 平台 | 複製貼上至 Gemini Gem／Claude Project／ChatGPT- GPT，一次設定，長期使用 | 同左 |
| Step 2 準備數據 | 提供你的客戶交易記錄 | 直接手動上傳 CSV 檔案 | Google Sheet 自動連結 BigQuery 匯入，近即時同步更新 |
| Step 3 執行分析 | 告訴 AI 你要做什麼 | 上傳 CSV 後輸入分析要求，10分鐘內獲得完整報告 | 呼叫系統直接輸入指令，即時執行運算 |
| 獲得成果 | 系統自動輸出 | 分群報告＋策略分析 | 分群報告＋策略分析 |
進階場景說明：你的商務後台 (如 WooCommerce／自建系統) 可每日自動匯出，或透過 API 同步原始交易數據至 BigQuery (雲端數據倉儲，負責儲存與整理)，BigQuery 再將整理後的數據同步至 Google Sheet，作為 Gemini Gem 可直接讀取的數據入口，最終由 Gemini Gem 調用數據執行 CLV 分群分析。
完整流向：CRM 後台 → BigQuery → Google Sheet → Gemini Gem
進階用戶補充：若你的環境支援 Claude Desktop，亦可透過 MCP (Model Context Protocol) 直接連接本地數據源，實現無需手動上傳的自動化調用。
註：若你沒有 BigQuery 環境，可跳過此步驟，直接將 CRM 匯出的 CSV 手動上傳至 Gemini／Claude／ChatGPT。本系統建議配合付費版 AI (Gemini Advanced、Claude Pro、ChatGPT Plus 或以上) 使用，以確保完整執行分析流程及下載 CSV 檔。免費版因平台限制，無法保證完整輸出。
範例：Gemini「GEM」設立步驟
- 在 Gemini 介面中建立新 Gem 時，於「名稱」欄位輸入名稱 (例如：CLV-Based 分群系統）
- 並在下方『使用說明』欄位填入完整的「CLV-Based 決策模型」系統指令。
- 接著，在同一介面的『相關資訊』欄位中，點擊右側的「＋」號展開檔案載入選項，你可以選擇「加入需端硬碟檔案」，在 Google Drive 中點選已透過 BigQuery 自動連結至現行數據庫的 Google Sheet。
- 完成上述設定後，即可啟動「CLV-Based 決策模型」，並在 AI 模式選取上必須點選 “PRO”，才要求 AI 進行指定時段值的運算分析。
註：在 Gen AI 平台本身的 Context Window 限制下，「CLV-Based 決策模型」可為客戶數 500–5,000 的中小品牌，完整執行分析並輸出 CSV 與策略報告。客戶數 5,000–10,000 的品牌，ChatGPT Plus / Gemini Advanced 可一次過 (推薦 ChatGPT最穩)；Claude 建議分批執行 (依客戶分類分次上傳)。如需處理更大規模數據 (數萬筆以上)，建議參考上方 BigQuery 進階場景說明。相較於昂貴且技術門檻極高的大型數據解決方案，本系統具備低成本、快速落地的優勢，協助你在有限資源下識別高價值客戶，挖掘可行動的獲利空間。
DBB 獨家：CLV-Based 分群系統⎪CLV-Based 決策模型 × 互動式分群儀表板 AI 雙模組
這套組合指令，是上述理論框架的完整落地工具。它能將 AI 轉化為具備 Python 數據分析能力的資深 CRM 策略專家，讓你無需親自處理運算邏輯，直接從海量交易數據中提取可行動的決策依據。
組合包含兩大核心部署：
CLV-Based 決策模型，針對傳統 RFM 的結構性缺陷進行深度優化。它採用「分層基準 (Stratified Benchmarking)」策略隔離單次購買者的數據干擾，透過「價值指數」與「活躍指數」的雙軸判定，對所有客戶進行優先級分群，並同步產出具備行動建議的策略報告。更重要的是，它為每位回購客建立個人購買節律基準，讓行銷團隊能直接從 CSV 名單中識別誰正在偏離自己的購買週期。這是從「分群報告工具」到「個人化流失預警系統」的本質升級。
互動式分群儀表板，將上述分析結果轉化為可即時操作的視覺介面。行銷與客服團隊無需閱讀密密麻麻的數據表格，即可透過卡片式設計篩選客群、編輯備註、匯出名單，讓數據洞察直接驅動日常執行動作。
註：這互動式分群儀表板除原生框架指令外，亦預設提供現成 HTML 壓縮檔，無需額外生成。下載解壓即可開啟，支援中／英文切換。上傳「CLV-Based 決策模型」輸出的 CSV，即時篩選受眾並檢視分析。
這套完整的底層協議，不只是兩組指令，而是為你的品牌部署一套可持續運作的決策系統。本系統更進一步，在每個群體的策略輸出中，同步提供每客戶行銷預算上限作為執行參照－保留型群體 (如最佳顧客、流失風險) 的客戶關係維護成本上限 (CRC)，以及增長型群體 (如新顧客、潛力增值) 的客戶獲取成本上限 (CAC)，均依該群體平均 CLV 動態計算得出。
這確保每一項行銷行動在部署前，已有明確的成本邊界，超出上限即預期收益為負，低於上限則每一分投入都有對應的終身價值回報。從「知道該做什麼」到「知道最多可以花多少」，這才是客戶分群分析真正落地執行的完整閉環。
從數據到行動，每步都有依據：分群 → 策略方向 → 預算上限 → 行動執行。
從數據到決策，一步到位：
| 市場上的同類產品 | 市場現有方案的局限 | DBB 獨家《CLV-Based 分群系統》 |
|---|---|---|
| 基礎 RFM 模板 (PromptBase／Gumroad） | 單一分群表格，無策略報告 | 分群＋顧問報告＋30天行動路線圖一次輸出 |
| CRM SaaS 工具 (Klaviyo／HubSpot) | 月費持續支出，數據上傳第三方 | 一次性支付，數據留在自己帳號 |
| 外包顧問報告 | 等候期 1–2 週，每次重新收費 | 上傳即執行，數分鐘內交付，無限次使用 |
| 普通 ChatGPT 提問 | 無防錯機制，結果每次不一致 | 七層優先級判斷，結果穩定可驗證 |
| 互動式儀表板工具 (Tableau／Power BI) | 學習門檻高，月費 HK$300–$800 | 零月費、低學習成本、即開即用 |
有別於一般基礎協議，這付費版 (HK$1,888 (約US$242／NT$7,750) 專為複雜的運算程序進行深度優化，除了大幅提升運算能力外，更能在數據分析中提出關鍵洞察、優先行動矩陣、資源配置建議與路線圖規劃，並形成更具深度的策略報告，達至 CRM 顧問級的交付水準。
＾付費使用即代表你同意本站之〔版權與隱私保護聲明〕。
藉由 Gen AI 的強大運算能力，數據分析的技術門檻被大幅降低。經營者不再受困於 Excel 公式或 SQL 語法。然而，同樣使用 Excel 原生的 Copliot，或 ChatGPT／Claude in Excel，要自行拼湊公式與 Prompt 的方式，仍面臨每次結果不一致、核心 CLV 指標難以正確實現、耗時等實際障礙。《CLV-Based 分群系統》將這套複雜的運算邏輯封裝為一次性系統指令，讓 AI 在數分鐘內完成分群與策略報告輸出，真正推動數據驅動決策的普及化。
| Claude／ChatGPT in Excel | DBB《CLV-Based 分群系統》 | |
|---|---|---|
| 產品定位 | 試算表輔助工具，協助寫公式、清理數據、解釋錯誤，本質上是 Excel 的 AI 助手。 | 完整 CRM 策略分析協議，分群、策略報告一體化輸出。本質上是 AI 驅動 CRM 決策引擎。 |
| 分群深度 | 無內建分群邏輯，需自行設計分層基準，技術門檻高且耗時。 | 內建分群邏輯，即開即用，多維度動態分群。 |
| 上手難度 | 需自行設計分析流程與輸入，無固定執行協議、無儀表板操作介面。 | 系統指令一次設定，自動完成分析；儀表板點擊載入即時操作。 |
| 功能完整度 | 不支援 Macro／VBA、Power Query、外部數據庫連接，無法生成策略報告。 | 可連接外部資源，內建分層基準，提供完整策略報告，成本邊界建議。 |
| 視覺體驗 | Excel 表格介面，無互動功能。 | 互動介面，容易識別篩選目標群。 |
DBB 獨家的《CLV-Based 分群系統》不受語言限制
系統指令以華語編寫，部署時須保留原設華語指令框架，無需翻譯或修改任何內容，直接置入 AI 工具即可。完成部署後，用家即可以自己熟悉的語言輸入分析請求，系統會自動以該語言回覆並生成完整的分群報告與 CSV 檔案。
例如，完成華語指令部署後，以韓語輸入：「2022년 1분기부터 2025년 4분기까지의 데이터를 분석하고 CSV 파일을 제공해 주세요.」(中文對應：「分析 2022 年第一季至 2025 年第四季的數據，並提供 CSV 檔案。」) 系統仍能完整執行客戶分群、輸出分析報告及 CSV 檔案，所有輸出內容亦會自動以韓語呈現。
📌 重要提示：請勿自行將系統指令翻譯為其他語言後使用。指令框架須以原設華語版本部署，方可確保系統正常運作。語言切換僅適用於「用家的輸入指令」與「AI 的輸出內容」，不適用於系統指令本身。
註：若以非中文語言執行分析，啟動時須在句子中明確指定語言，例如：“Please analyze this data in English”／“日本語で分析してください”。僅輸入 “Please analyze this data” 而不指定語言，系統將預設以中文回應。
不僅如此，我們甚至能進一步指令 AI 將這些數據轉化為「互動式儀表板 (Interactive Dashboard)」。這讓經營者不再面對密密麻麻的表格，而是能透過直觀的介面進行篩選分眾，深入檢視每一位客戶的詳細資訊。
上圖在 Gemini「GEM」設定中建立「互動式分群儀表板」
- 在 Gemini 介面中建立新 Gem 時，於「名稱」欄位輸入名稱 (例如：互動式分群儀表板)
- 在『使用說明』欄位填入完整的「互動式分群儀表板」系統指令。
- 在『預設工具』欄位選聯取用 CANVAS 工具。
- 完成上述設定後，即可啟動「互動式分群儀表板」。在 AI 模式中必須選擇 “PRO”，並要求 AI 製作互動式分群儀表板。
- 執行完成後，系統會出現「載入客戶數據 (CSV)」的互動介面。只需上傳由「CLV-Based 決策模型」生成的 CSV 檔案，即可即時呈現互動式分群儀表板，方便篩選分眾並深入檢視各項資訊。
註：在 Gemini Canvas 環境中編輯的行動建議僅為暫存，若需保留修改內容，必須在關閉前主動點擊「匯出 CSV 報告」或「匯出 HTML 報告」將結果儲存至本地，否則重新整理後所有編輯將會消失。
若使用「下載儀表板 HTML」版本，儀表板儲存至本地電腦後可直接透過瀏覽器開啟，編輯過的行動建議在同一瀏覽器、同一檔案位置重新開啟後會自動還原。但請注意，若清除瀏覽器快取、更換瀏覽器或移動檔案位置，儲存的編輯內容將會消失。因此無論使用哪個版本，均建議在完成編輯後主動匯出 CSV 作為永久備份。
DBB 獨家的《互動式分群儀表板》同樣不受語言限制。指令框架原設已內建繁體中文／英文 (ZH／EN) 切換選項。同樣地，部署時須保留原設華語指令框架，無需翻譯或修改，直接置入 AI 工具即可。完成部署後，用家可以熟悉的語言輸入生成請求，系統即能生成對應語言的互動式分群儀表板。
例如，完成華語指令部署後，以韓語輸入：「한국어로 답변하고 한국어로 대시보드를 만들어 주세요.」(中文對應：「請用韓語回覆，並用韓語建立儀表板。」) 系統即能生成韓語介面的互動式分群儀表板。
📌 重要提示：與《CLV-Based 分群系統》相同，系統指令須以原設華語版本部署，方可確保儀表板正常生成。
上述模擬示範由 Perplexity Pro Lab 製作，僅供參考及體驗互動模式。請先開啟 Perplexity 頁面，並點擊“此處“即可開啟互動演示。目前此版本僅支援桌面版瀏覽。
DBB 觀點：AI 的本質是加速與執行，但無法替你釐清方向。若缺乏清晰的決策準則，AI 只會更快地將資源帶往錯誤的地方；唯有先定義「對誰說、說什麼、何時說」，才能真正引導 AI 生成有效的行銷劇本，將執行效率轉化為實質轉換。
針對四大客群的 AI 生成行銷劇本
當 AI 協助我們完成策略性分群，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。
這也呼應了麥肯錫在 Unlocking the next frontier of personalized marketing 一文中的觀察，生成式 AI 能規模化個人化行銷。核心數據顯示，71% 的消費者期待個人化、65% 視定向促銷為購買主因、AI 讓內容開發速度提升 50 倍，而利潤提升的 1%–3% 來自 AI 定向促銷。
要真正落實 DBB 獨家《CLV-Based 分群系統》的策略價值，除了歷史數據所揭示的「價值指數」與「活躍指數」，更可整合系統內建的「廣義近因性 (Advanced Recency)」判讀。透過分析每位客戶的個人購買間隔與當前沉默時間的比值，識別誰正在偏離自己的購買節律。這個信號無需任何額外工具，直接從交易記錄推導，並可在互動式儀表板的「購買節律偏離值篩選」中即可執行。以下劇本將結合分群結果與廣義近因性判讀，引導 AI 產出切中客戶當前狀態的行銷文案。
在進入各場景劇本前，建議先在儀表板完成以下兩步篩選，鎖定最值得優先投入資源的客戶名單：
第一步，在「客戶分類」篩選選擇目標群體；第二步，在「購買節律偏離值」篩選疊加狀態條件：優先處理 🔴 高危 (> 2.0) 客戶，其次 🟠 預警 (1.5–2.0)，🟢 正常 (< 1.0) 客戶維持常規溝通即可。篩選完成後直接匯出 CSV，即為該場景行銷劇本的對準執行名單。
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，代表他們在消費金額與購買頻率兩個維度均屬頂級，對品牌有極高的認同與長期貢獻。
透過儀表板篩選「最佳顧客 × 購買節律偏離值 < 1.0（正常）」，可識別出仍在個人正常購買週期內的活躍核心，是當下投入尊榮維繫資源最具效益的對象。
然而，《CLV-Based 分群系統》的獨有功能「Gap Acceleration (最後購買間隔相對個人均值的加速倍數）」能進一步揭示隱藏風險，即使整體偏離值看似正常，若 Gap Acceleration 已超過 1.5，代表該客戶最近一次的購買間隔已明顯拉長，活躍度正在悄悄衰退。這批客戶雖仍標記為「最佳顧客」，卻是需要提前介入的優先對象，而非等待偏離值惡化才行動。
相對地，篩選「最佳顧客 × 購買節律偏離值 > 2.0（高危）」，則揭示那些表面上仍屬頂級標籤、但實際上已嚴重偏離購買節律的潛在流失風險。即使分群標籤顯示「HIGH 優先」，也必須立即展開個人化介入，這是挽留頂級客戶的最後視窗。
針對這群人，無論當前偏離值如何，策略核心始終如一：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。數據同時顯示，部分最佳顧客的購買節律偏離值已超過 2.0，即當前沉默時間已是個人正常購買週期的兩倍以上，需在維繫尊榮感的同時，以不著痕跡的方式重新激活購買意願。雖然最佳顧客定義為價值與活躍指數皆在前 20%，但本次 VVIP 俱樂部將從中精選最頂尖的 Top 1% 客群進行邀請，以營造極致稀缺感。
策略目標：強化尊榮感，建立『專屬產品／服務』的榮譽感。
策略方向：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，每個權益需附上 1-2 句執行說明。
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：讚賞他們長期以來對品牌的支持與貢獻，強調他們在品牌歷史中的重要性。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 (如上述三個權益創意)。若該客戶的購買節律偏離值 > 2.0，在信件末段以自然的方式加入一句「我們期待您的回歸」的溫柔召喚，不提數據，只傳遞品牌的珍視與期待。
・行動呼籲：引導客戶立即點擊專屬連結加入私密 VVIP 社群，並領取實體黑卡（可選擇寄送或到旗艦店親自領取）。」
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」，重點放在 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回歸。
透過儀表板篩選「流失風險 × 購買節律偏離值」，可將這群客戶進一步分為兩個執行情境，對應截然不同的溝通力度：
- 情境 A：偏離值 1.5–2.0 (預警) 客戶已開始偏離個人購買節律，但尚未完全沉默。此時介入成本最低、回購機率最高，適合以升級體驗或限時專屬優惠作為溫和觸發，重新點燃消費意願，避免進一步惡化。
- 情境 B：偏離值 > 2.0 (高危) 客戶當前沉默時間已超過個人正常購買週期兩倍以上，流失風險已進入臨界狀態。此時需要更直接的誘因介入，如高價值讓利、限量專屬產品、或明確的時限設定，製造緊迫感，這是挽留這批高貢獻客戶的最後視窗。
《CLV-Based 分群系統》另一獨有功能「季節性消費標記 Seasonal Flag」，用來辨識「疑似季節性消費者」，以提醒決策前必須人工覆核，避免誤判與資源浪費。當客戶平均購買間隔超過 300 天，系統會提示其「高危／預警」狀態可能只是季節性沉默，而非真正「高價值流失風險」。
先檢視歷史訂單，確認是否集中在特定節日或促銷期；若屬季節性消費者，改採「節前預熱觸達」策略，在預期回購窗口前 2–4 週主動接觸；若排除季節性因素，則依以下行銷劇本激勵消費。
【行銷劇本 Prompt】：
「針對數據分析結果中標記為「流失風險 (Potential to Churn)」的群體 (定義：高價值但活躍度下降的回購客)，根據購買節律偏離值進行分流溝通，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。透過儀表板篩選「流失風險 × 購買節律偏離值」，將此群體分為兩個執行情境：
・情境 A：偏離值 1.5–2.0 (預警)，已偏離購買節律但尚未臨界，為最佳低成本介入時機。
・情境 B：偏離值 > 2.0 (高危)，沉默時間已超過個人正常週期 兩倍以上，需強力誘因驅動回歸。
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 (偏離值 1.5–2.0，預警)。
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。語氣溫和但製造輕微緊迫感，不點破客戶已沉默，而是以權益召喚為由重新建立接觸。
內容素材：請撰寫三則短文案 (每則 80–120 字以內)，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 VIP 權益升級)。
・高階新品的獨家優先試用 (強調僅限受邀者，非公開發售)。
・專屬的線上/線下品鑑儀式 (強調尊榮體驗，名額極度有限)。
每則文案請附上明確行動連結或 QR Code 引導。
腳本 B：針對情境 B (偏離值 > 2.0，高危）
渠道：EDM 或 社群再觸達。
策略：『升級誘因』的推動。
優惠機制：如 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，保護品牌溢價形象的同時提升購買誘因。
文案要求：撰寫一段 EDM 主文案，切入角度為「您已有一段時間未與我們相遇」，語氣真誠而不追責，重點傳遞：
・品牌對這位高價值客戶的珍視
・現在回歸可享有的獨家升級權益
・高階商品入手即享專屬滿額贈的限時機制
・明確的時限設定，製造最後窗口的緊迫感
注意：文案不得出現任何暗示「我們知道您最近的瀏覽行為」的句子，所有訴求必須基於客戶過去的消費記錄與品牌關係，而非即時行為追蹤，並以真誠、專業且不浮誇的語氣撰寫。」
場景三：提升「潛力增值客戶」的單價
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。但每次消費金額偏低，代表他們對品牌有足夠的信任與習慣，卻尚未被引導至更高價值的消費層次。這正是 Bundling (組合銷售) 與 AOV Growth (客單價拉升) 策略最理想的施力點。
透過儀表板篩選「潛力增值 × 購買節律偏離值」，可將這群客戶進一步分為兩個執行情境，對應不同的介入時機與溝通力度：
- 情境 A：偏離值 < 1.0 (正常) 客戶仍在個人正常購買週期內，是最自然的升級切入時機。此時溝通不需要製造緊迫感，而是順勢在正常購買行為中植入「整組買更划算」的概念，讓他們在下一次自然回購時習慣帶走更多。
- 情境 B：偏離值 1.0–2.0 (觀察至預警) 客戶的購買節律開始出現輕微至明顯的偏離，回購動力有所下降。此時升級誘因需要與「回購觸發」同步進行，以限時組合優惠或專屬套裝作為回購理由，同時達成拉升客單價的策略目標，一次動作解決兩個問題。
若客戶被標示為「季節性消費標記 Seasonal Flag」，需先檢視其歷史訂單，確認是否集中於特定節日或促銷期。若排除季節性因素，策略核心在於讓顧客感覺「多買一些」是划算的選擇，而不是被強迫消費。
【行銷劇本 Prompt】：
「針對數據分析結果中標記為「潛力增值 (Potential Growth)」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，購買頻率高，但每次消費金額偏低，習慣購買單一小額商品，尚未被引導至組合或高階消費模式。透過儀表板篩選「潛力增值 × 購買節律偏離值」將此群體分為兩個執行情境：
・情境 A：偏離值 < 1.0 (正常) 仍在正常購買週期內，順勢植入升級概念，無需製造緊迫感。
・情境 B：偏離值 1.0–2.0 (觀察至預警) 購買動力開始下降，需同時觸發回購意願與升級誘因。
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，讓「買多一點」成為自然而然的選擇。
請幫我撰寫以下兩組文案：
文案一：
針對情境 A (偏離值 < 1.0) 主動升級觸達 EDM。
渠道：EDM (客戶仍在正常購買週期內，以常規溝通節奏發送)。
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⋯」) 語氣為品牌專業推薦，而非促銷推銷，讓客戶感覺這是來自品牌的內行建議。
優惠機制：設計一個「A+B+C 明星組合包」，價格設定在該群體平均客單價的 1.5 倍，強調組合價優於單件分開購買 (折扣幅度控制在 15–20%)，突出「買齊更划算」的理性誘因。
視覺建議：描述一張呈現「豐富感」與「超值感」 的全套搭配效果圖，展示三件互補商品並列的完整使用場景，搭配簡潔的價格對比標示( 原價 vs 組合價)。
附上 EDM 整體結構建議 (主旨、開頭、產品展示區、價格對比、CTA 按鈕)。
文案二：
針對情境 B (偏離值 1.0–2.0) 回購觸發 × 升級誘因同步 EDM。
渠道：EDM (需同時喚回購買動力與引導升級，雙目標合一)。
切入角度：以「您已有一段時間沒來逛逛」為開場，語氣輕盈不追責，隨即轉入「我們為您準備了一個 回來的理由」，限時組合優惠或專屬套裝，讓回購這個動作本身就具備升級的誘因。
優惠機制：限時組合優惠，強調整組購買可達到免運門檻或享有組合折扣，給客戶一個回頭購買的理性理由，而非單純的情感召喚。
文案要求：
・不得出現任何暗示品牌知道客戶近期瀏覽行為的句子
・所有訴求基於客戶過去的購買頻率與品牌關係
・結尾加入明確時限設定，製造適度緊迫感但不過度施壓
請包含建議主旨、預估開信率優化提示 (如使用 emoji 或個人化姓名），以及明確 CTA（如『立即查看組合』連結）。」
場景四：培養「新客戶」的品牌黏性
新顧客是品牌未來的希望，首購後的 30 天是建立習慣的黃金期。這個群體的特徵是首購距今不超過 30 天且 Frequency = 1，購買節律偏離值為 N/A。因為只有一筆交易記錄，廣義近因性判讀在此不適用。
對新顧客而言，最關鍵的數據信號不是偏離值，而是時間。從首購日起，每一天都是品牌建立關係的視窗，也是客戶流失風險隨時間遞增的倒數計時。透過儀表板篩選「新顧客」群體後，依據「最近購買距今」的天數進行分流，對應不同的行銷劇本。
- 情境 A：首購後 1–7 天 (到貨體驗期) 客戶剛完成購買，產品可能剛送達或正在使用中。此時的溝通目標是確保使用體驗順暢，降低因不會使用而產生的隱性流失，同時趁熱建立品牌好感。策略重點是「引導使用」，提供清晰的入門指引，讓客戶感覺品牌在購買後依然關心他。
- 情境 B：首購後 8–30 天 (回購引導期) 客戶已有足夠時間體驗產品。此時沉默時間越長，流失為一次性客戶的風險越高。策略重點從「引導使用」轉為「觸發回購」，以首購商品的互補品或升級品為切入點，給客戶一個自然的再次消費理由，在 30 天的黃金期結束前建立第二次購買行為。
策略核心始終是避免他們成為一次性過客，在數據上從「新顧客」升級為「忠誠顧客」或「潛力增值」群體。
【行銷劇本 Prompt】：
針對數據分析結果中標記為「新顧客 (New Customer)」的群體 (定義：首購後 30 天內、Frequency = 1)，設計一套依時間軸自動觸發的 Email 歡迎序列 (Welcome Series)。
背景資訊：新顧客的購買節律偏離值為 N/A，廣義近因性判讀不適用於此群體。分流依據改為 Recency Days (首購距今天數)：
・1–7 天 (到貨體驗期)：解決「不會用」的隱性流失風險
・8–30 天 (回購引導期)：在黃金期結束前觸發第二次購買
策略目標：在首購後 7 天內建立使用信心與品牌好感，在第 14–30 天收割「已上手」的回購紅利，避免新顧客成為一次性過客。
請撰寫 3 封信的架構、主旨與核心文案：
第 1 封 (購買當下，Recency_Days = 0)，消除買後焦慮。
觸發時機：完成首購後即時發送 (購買完成後 5 分鐘內)
內容架構：
・歡迎信 + 品牌故事 (建立情感連結)
・「3 分鐘快速上手指南」(預防使用障礙，減少買後後悔感)
・清楚告知接下來會收到什麼服務與支援 (讓客戶感覺品牌在購買後依然關心他)
請提供：
・一個能建立期待感的主旨 (Subject Line)
・一段能打動人心、消除買後焦慮的核心文案段落
・明確的首要 CTA (例如按鈕文字與連結類型)
第 2 封 (購買後 3-7 天到貨體驗期)，主動關懷，引導順暢使用
觸發時機：首購後第 5 天發送 (假設產品已送達，客戶正在初次使用)
內容架構：
・溫暖關懷 + 詢問使用體驗 (語氣真誠，不追問，只表達在乎)
・「常見問題 FAQ」或「教學影片連結」(主動提供資源，降低使用門檻)
・邀請加入品牌社群 (用同儕效應帶動使用習慣與歸屬感)
請提供：
・一個能觸發開信的主旨 (Subject Line)
・一段能消除使用焦慮、讓客戶感覺被支持的核心文案段落
・明確的首要 CTA (例如按鈕文字與連結類型)
第 3 封 (購買後 14-30 天，回購引導期)，觸發第二次購買，建立回購習慣
觸發時機：首購後第 18-21天發送 (假設客戶已有足夠時間體驗產品，準備好進行下一筆消費)
內容架構：
・誘因信 + 專屬新客回購優惠或免運券
・「您可能也喜歡⋯」的互補品搭配推薦 (基於首購商品類別推導，非基於瀏覽行為)
・明確的時限設定，製造適度緊迫感
請提供：
・一個能驅動點擊的主旨 (Subject Line)
・一段能打動人心、觸發第二次購買的核心文案段落
・明確的首要 CTA (例如按鈕文字與連結類型)，以及建議的優惠機制 (例如新客專屬 15–20% off 互補品或免運券，限時 7–10 天)
注意：三封信的所有文案訴求均基於客戶的首購記錄與時間軸推導，不得出現任何暗示品牌知道客戶 App 登入狀態、網站瀏覽行為或開信點擊記錄的句子。
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針對性與關聯性，這是提升轉換率的關鍵所在。
從數據沈睡，到數據驅動
行銷的本質始終如一：在對的時間，對對的人，說對的話。改變的不是本質，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「CLV-Based 決策模型」進行策略分群，我們提供的不是單一戰術，而是為你建構一套可持續的品牌增長系統。過去，這是大型企業專屬的高門檻操作；現在，透過 Gen AI，精簡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，你已經運用 DBB 獨家 CLV-Based 分群系統，無需編程背景、即啟即用，將每一個數字轉化為帶動收益增長的關鍵決策。
現在就立即部署 DBB 獨家《CLV-Based 分群系統》，開始這場由你主導的決策行銷！