全通路零售 AI 整合:線上線下會員與庫存打通,AI 才推得準

上週我們幫一家做保養品的品牌盤 AI 商品推薦引擎。系統本身沒問題,演算法也是業界常見的那套。問題在於:同一個會員,在官網叫「王小姐、VIP、近半年買了三次精華液」,在門市 POS 裡卻是一組手機號碼、一筆現金交易、沒有任何品項記錄。線上線下是兩個世界。

於是 AI 看到的「王小姐」,永遠只有一半。

這就是全通路零售 AI 導入最常被跳過、卻最致命的前提:資料沒打通,AI 推薦就不準。 不是模型不夠聰明,是你餵給它的世界本來就是破碎的。很多品牌急著上推薦引擎、上 AI 客服、上動態定價,卻沒先問一句——這些系統要吃的資料,現在到底躺在幾個彼此不說話的系統裡?

為什麼「打通」是 AI 的前提,不是加分項

先講一個容易被誤會的點。全通路(omnichannel)不等於「線上也有、線下也有」。真正的全通路,是同一個顧客不管從哪個接觸點進來,你都認得出他是同一個人,而且看得到他完整的行為。多通路是渠道並存,全通路是資料合流。

AI 推薦的本質,是根據「這個人是誰、他做過什麼」去預測「他接下來想要什麼」。這件事對資料的完整度極度敏感。當一個會員的線上瀏覽、線下購買、退貨記錄、客服對話分散在四個系統,AI 拿到的是四段殘缺的側寫。它不是推不準,它是根本沒看到完整的人。

我們實際量過落差。同一套推薦模型,在「資料未整合」與「會員與交易打通」兩種狀態下,點擊率和轉換的差距是這樣的:

最後那個「推薦到缺貨商品」特別值得講。庫存沒打通時,官網 AI 會興高采烈推薦一支門市早就賣光、倉庫也沒貨的口紅。顧客點進去、加入購物車、結帳失敗。你不只沒賺到,還親手製造了一次負面體驗。AI 越積極,傷害越大。

我們在現場常看到品牌把「資料整合」窄化成「把兩個系統串個 API」。實際上要處理的是三層,順序不能顛倒。

第一層是會員身分的統一。這是地基。你需要一個能跨通路把同一個人縫合起來的識別邏輯——手機、Email、會員卡、甚至門市結帳當下的綁定動作。在台灣,這裡的現實阻力往往不是技術,是門市店員嫌麻煩、不願意請顧客綁定,以及個資同意流程沒設計好。身分縫不起來,後面全都是空談。

第二層是行為與交易的合流。線上的瀏覽、加購、線下的實際成交、退換貨,要匯進同一份顧客時間軸。這一層決定了 AI 看到的「人」有多立體。

第三層才是庫存與履約的即時性。AI 推薦的商品,必須對得上「此時此地這個顧客拿得到的貨」。這牽涉到線上倉、各門市庫存、甚至店對店調貨的可視化。做不到即時,就會出現前面說的「推薦缺貨品」慘劇。

這三層打通了,AI 才真正有東西可吃。而且順序是死的:先身分、再行為、後庫存。跳著做,通常會在半年後回頭重來。

這裡要誠實說一個取捨。全資料整合聽起來很美,但如果你打算「等所有系統都完美打通再上 AI」,那大概兩年後還在開會。我們的做法通常相反:先鎖定一個閉環——比方說「官網會員 + 主力門市 + 熱銷品類庫存」——把這一小塊真正打通、真正讓 AI 跑起來、真正有店員和顧客在用,拿到可歸因的數字,再往外擴。

範圍收窄,不是妥協,是讓價值在三個月內看得到,而不是十八個月後才驗收。

Demo 那天推薦引擎在乾淨的假資料上表現亮眼,不算數。要等到門市店員願意請顧客綁定會員、官網不再推缺貨品、同一個顧客跨通路被認得出來——系統在真實的破碎資料裡還推得準、而且真的有人在用,那才算數。這也是我們進場時,總是先花力氣把資料地基和採用流程一起扛起來,而不是急著把模型交出去的原因。