案例拆解:DTC 保養品牌導入 AI 個人化後,客單價 +18%、EDM 轉換 2.4 倍的做法

先把硬數字放在桌上。這個 DTC 保養品牌上線 AI 個人化推薦與分眾 EDM 之後,90 天內客單價從新台幣 1,180 元漲到 1,392 元(+18%),EDM 的下單轉換率從 1.1% 拉到 2.6%(約 2.4 倍),而重複購買週期從平均 74 天縮短到 61 天。

這不是一個「換了推薦引擎就爆發」的故事。這是一個電商個人化案例,重點在於我們花了多少力氣,把個人化從投影片上的名詞,變成每天真的在跑、行銷團隊真的敢用的系統。

接手時的現場:數據很多,個人化是零

品牌方不缺工具。他們有 Shopify、有 Klaviyo、有 GA4,還買過一套號稱能「AI 選品」的外掛。問題是,首頁對所有人推一樣的六款熱銷品,EDM 對三十萬名會員發同一封信,客服完全不知道眼前這個人上週退過貨。

工具是散的,資料也是散的。會員的購買紀錄在 Shopify、瀏覽行為在 GA4、退換貨在客服系統、膚質問卷躺在一份沒人看的 Google 表單裡。所謂「個人化」,實際上只是把名字塞進 EDM 開頭的「Hi {first_name}」。

我們第一週沒寫任何模型。我們做的是把這些資料接到同一張會員 360 視圖上,先讓每個會員有一個能被查詢的完整輪廓。這一步不性感,但沒有它,後面全是空談。

我們實際做的三件事

第一,重建可用的會員分群。 我們沒有一開始就上深度學習。我們先用 RFM(最近購買、頻率、金額)加上膚質問卷、成分偏好,把三十萬會員切成 14 個有商業意義的群。關鍵是「有意義」——不是切成一堆看不懂的 cluster,而是像「油痘肌、三個月內買過精華、對酒精成分敏感」這種行銷團隊看得懂、寫得出文案的群。

第二,個人化推薦上生產線。 首頁與商品頁的推薦改成即時計算:結合協同過濾(買了 A 的人也買 B)與內容相似度(成分、膚質適配),再加一層庫存與毛利的商業規則,避免系統一直推缺貨或低毛利品。我們刻意讓推薦「可解釋」——每個推薦位背後都能拉出「為什麼推這個」,行銷才敢放上首頁。

第三,EDM 從群發改成觸發式旅程。 這是轉換提升最大的一塊。我們把單次群發拆成幾條自動化旅程:補貨提醒(算出每個人的用完週期)、跨品類推薦、退貨後的挽回信、高價值會員的專屬早鳥。信件內容與推薦品由前面的會員視圖動態生成。

下面是上線前後的實際對照:

值得單獨講的是退訂率降了將近一半。分眾之後,會員收到的信變少、但更準,這反而讓名單更健康——很多人以為個人化只影響轉換,其實它先救的是你的寄送信譽。

我們踩的雷,誠實說

不是每一步都順。

補貨提醒的「用完週期」我們一開始算得太天真,只用購買間隔推估,結果對囤貨型會員狂發提醒,第二週就有客訴。後來我們把單品的實際容量、建議用量納進來,誤差才收斂。

還有一個取捨:我們沒有上「即時千人千面首頁」。技術上做得到,但這個品牌 SKU 只有兩百多支,即時個人化的邊際效益,遠不如把 14 個分群的內容做紮實。我們選擇不炫技。個人化的粒度要配得上你的品項數與資料量,切太細只會讓每一格的樣本稀薄、推薦更不準。

最花時間的其實是「讓行銷團隊敢用」。推薦引擎第一版上線時,團隊每天手動檢查它推了什麼,深怕推出尷尬組合。我們花了三週陪跑、建了一個能一鍵下架某推薦、能覆寫規則的後台,他們才真正放手。

一句總結

這個案子讓數字動起來的,不是某個模型,是「把散落的資料收攏成一個會員視圖,再讓行銷團隊能安心操作」這件苦工。Demo 那天投影片上的個人化人人會做;能連續跑 90 天、行銷團隊每天都在用、還敢往上加預算的,才是真的上線。

我們在 Tenten 做這類導入時,習慣派工程師直接進客戶現場,盯著使用率跑、陪團隊把系統用起來,而不是交付一份漂亮的 API 文件就走。個人化的價值,永遠在有人真的在用它的那一天才開始計算。